TL;DR
Nano Banana 2.1 er et stærkt valg til effektiv, reference-drevet generering og forankrede infografik-arbejdsgange. GPT Image 2.5 Flare er en hurtig, alsidig standard; Sunburst sigter mod premium billedtroskab og mere krævende redigeringer. Der findes ingen universel vinder: vælg ud fra opgavesuccesrate, bevaringskvalitet, latens og samlet omkostning pr. godkendt billede.
Nøglepointer
- Nano Banana 2.1 kombinerer 1K–4K output og integreret søge-grounding. Google dokumenterer op til 14 inputbilleder pr. prompt; reference-sammensætning og udbyderspecifikke endpoint-begrænsninger gælder stadig.
- GPT Image 2.5 tilbyder Flare (hverdagskreation) og Sunburst (præcisionsorienteret kreation og redigering).
- Rapporterede menneskepræference-bedømmelser favoriserer GPT Image 2.5, men leaderboard-resultater er tidsfølsomme og erstatter ikke kontrollerede tests.
- Begge udbydere bruger token-billing. Google offentliggør også opløsningsbaserede per-billede-ækvivalenter; sammenlign totalomkostning ved matchet kvalitet.
- Til erhvervsbrug: optimer omkostning pr. godkendt billede, ikke blot den annoncerede omkostning pr. kald.
Nano Banana 2.1 vs GPT Image 2.5 i korte træk
| Beslutningsfaktor | Nano Banana 2.1 | GPT Image 2.5 Flare | GPT Image 2.5 Sunburst |
|---|---|---|---|
| Hvor at teste først | Reference-sammensmeltning og forankrede infografikker | Hverdagsgenerering og hurtige iterationer | Præcisionsfokuseret generering og redigering |
| Input / output | Tekst, billede, video, PDF → billede og tekst | Tekst/billede → billede | Tekst/billede → billede |
| Genereringskontroller | 1K–4K; konfigurerbar tænkning | Størrelses- og kvalitetskontroller | Størrelses- og kvalitetskontroller |
| Reference-workflow | Op til 14 inputbilleder pr. prompt i Googles dokumentation; understøttet referencemix og routelimiter skal tjekkes | Flere referencer; bevaringsfokuserede tests | Premium redigeringspositionering; ikke testet i nævnte fem-opgave-test |
| Officiel billing for billede | $30/MTok Standard; 1K-ækvivalent $0.0336 | $30/MTok Standard; faktisk omkostning afhænger af brug | $30/MTok Standard; faktisk omkostning afhænger af brug |
| Uafhængige præferencescorer | 1328 generering / 1428 redigering | 1398 generering / 1481 redigering | 1425 generering / 1524 redigering |
| CometAPI-status kontrolleret | Tilgængelig liste | Tilgængelig liste | Uafhængig rute ikke bekræftet |
| Beslutningsmetrik | Omkostning pr. godkendt billede ved krævet kvalitet | Omkostning pr. godkendt billede ved krævet kvalitet | Omkostning pr. godkendt billede ved krævet kvalitet |
Denne oversigt adskiller udbyderspecifikationer fra uafhængige præferencebedømmelser. Arena-scorer er foreløbige og afspejler snapshot pr. 6. oktober 2026; API-status blev kontrolleret den 8. oktober 2026. Detaljerede betingelser og kilder fremgår af afsnittene nedenfor.
Nano Banana 2.1 vs GPT Image 2.5: Oversigt og specifikationer
Hvad er Nano Banana 2.1?
Googles Nano Banana 2.1 er en multimodal model til billedgenerering og -redigering med 1K, 2K og 4K output, multi-reference-arbejdsgange og Google Search grounding. Den lægger vægt på typografi, layout og iterativ konsistens til kreativ produktion.
Udviklere kan bruge Nano Banana 2.1 API i CometAPI med identifikatoren gemini-nano-banana-2.1.
Hvad er GPT Image 2.5?
OpenAI annoncerede GPT Image 2.5 den 8. september 2026. Den officielle lanceringartikel beskriver bedre belysning, rigere teksturer, forbedret motivbevarelse og op til 50% lavere latens sammenlignet med den tidligere Images 2.0-generering. Denne forbedring er ikke et head-to-head-resultat mod Google.
GPT Image 2.5 Flare er optimeret til hverdagskreation og hurtige iterationer. GPT Image 2.5 Sunburst er positioneret til høj-fidelitets visuelt arbejde og finkornet redigering, med længere genereringstider.
Udviklere kan evaluere GPT Image 2.5 Flare API i CometAPI og Sunburst-varianten via det relevante model-endpoint.
Modelspecifikationer
Googles modelspecifikationer dokumenterer Nano Banana 2.1's understøttede input og token-grænser. Flare-specifikationerne og og Sunburst-specifikationerne beskriver tekst/billede-input, billede-output og token-prissætning. Produktarkitektur og parameterantal fastlægges ikke af disse specifikationer. Information kontrolleret den 8. oktober 2026. beskriver tekst/billede-input, billede-output og token-prissætning. Det officielle Nano Banana 2.1 modelkort bekræfter, at modellen er baseret på Gemini 3.6 Flash. Dette fastslår dens modellinje; parameterantal og implementeringsdetaljer bør ikke udledes af API-specifikationerne. Information kontrolleret den 8. oktober 2026.
| Specifikation | Nano Banana 2.1 | GPT Image 2.5 Flare | GPT Image 2.5 Sunburst |
|---|---|---|---|
| Udvikler | OpenAI | OpenAI | |
| Udgivelse | 6. okt. 2026 | 8. sep. 2026 | 8. sep. 2026 |
| Model-ID | gemini-nano-banana-2.1 | gpt-image-2.5-flare | gpt-image-2.5-sunburst |
| Primær rolle | Effektiv multimodal kreation | Hurtig hverdagsgenerering | Høj-fidelitets generering/redigering |
| Billeddimensioner | 1K / 2K / 4K | Brugerdefineret inden for API-grænser | Brugerdefineret inden for API-grænser |
| Reference-input | Op til 14 inputbilleder pr. prompt; underlagt referencemix og endpoint-begrænsninger | Arbejdsgange med flere billeder | Arbejdsgange med flere billeder |
| Søge-grounding | Indbygget Google-grounding | Ingen tilsvarende indbygget funktion angivet | Ingen tilsvarende indbygget funktion angivet |
| Præcisionsredigering | Samtaleredigering og semantisk maskering; verificer endpoint-specifik maskeunderstøttelse | Understøttet | Kernefokus |
| Transparens | Valider via arbejdsgang | Understøttet | Understøttet |
| Batch-behandling | Understøttet | Understøttet | Understøttet |
| Input / output | Tekst, billede, video, PDF → billede og tekst | Tekst/billede → billede; ingen lyd/video | Tekst/billede → billede; ingen lyd/video |
| Input-/output-token-grænser | 131.072 input; 32.768 output | Ingen sammenlignelig kontekstgrænse fastlagt her | Ingen sammenlignelig kontekstgrænse fastlagt her |
| Reasoning-kontroller | minimal, medium (standard), høj tænkning | Billedkvalitetskontroller; ingen tilsvarende Gemini-thinking-niveauer | Billedkvalitetskontroller; ingen tilsvarende Gemini-thinking-niveauer |
| Arkitektur / kodning | Baseret på Gemini 3.6 Flash; parameterantal ikke fastlagt her; kodeeksekvering ikke understøttet | Detaljeret arkitektur ikke oplyst her; billedworkflow, ikke en kodemodel | Detaljeret arkitektur ikke oplyst her; billedworkflow, ikke en kodemodel |
Sammenligningsresultat: Google tilbyder integreret grounding og omfattende multi-reference-input. OpenAI tilbyder en klar opdeling mellem hastighedsoptimeret og troskabsoptimeret variant.
Nano Banana 2.1 vs GPT Image 2.5: Ydelse
Officielle kapabilitetskrav
Google fremhæver referencefusion, typografi og søge-grounding; OpenAI fremhæver troskab, lokaliserede ændringer og hurtigere generering relativt til sin tidligere generation. Disse officielle beskrivelser identificerer kapabiliteter og testprioriteter; de etablerer ikke en kontrolleret kvalitetsrangering på tværs af udbydere.
Uafhængig evaluering: Arena og samme-prompt-test
Benchmark-tests besvarer forskellige spørgsmål. Menneskepræference måler oplevet outputappel; redigeringstests måler troskab til kildemateriale; produktions-KPI’er måler godkendte resultater og finansiel effektivitet. Én score kan ikke erstatte alle tre.
| Model | Rapporteret tekst-til-billede Elo | Rapporteret billedredigerings-Elo |
|---|---|---|
| GPT Image 2.5 Sunburst | 1.425 | 1.524 |
| GPT Image 2.5 Flare | 1.398 | 1.481 |
| Nano Banana 2.1 | 1.328 | 1.428 |
Tabellens scorer blev verificeret mod Arenas leaderboard-snapshot den 6. oktober 2026 den 8. oktober 2026. Alle tre poster er markeret som foreløbige. Sunburst scorer 1425 ±7 for tekst-til-billede og 1524 ±5 for enkeltbilledredigering; Flare scorer 1398 ±7 og 1481 ±5; Nano Banana 2.1 scorer 1328 ±9 og 1428 ±6. Dette er tredjeparts menneskepræference-bedømmelser, ikke udbyder-officielle benchmarks eller nøjagtighedsprocenter.
Arenas tekst-til-billede-bedømmelser og Arena single-image-edit-bedømmelser måler separate opgaver og har separate skalaer. Træk ikke de to kolonner fra hinanden for at udlede en redigeringsforbedring. Bedømmelser afhænger af samplede prompts, stemmer og modelkonfigurationer og kan ændre sig, efterhånden som yderligere stemmer tilkommer.
Et separat fem-prompt redaktionelt eksperiment vurderede Flare bedre i tre opgaver, Nano Banana 2.1 bedre i én, og én uafgjort. Med kun én generering pr. opgave kan dette ikke etablere populationsniveau-overlegenhed.
Fusers oprindelige eksperiment blev kørt den 6. oktober 2026 med fem opgaver, én generering pr. model, ingen retries og visuel inspektion. Begge noder kaldte udbyderne direkte. Nano Banana 2.1 brugte 2K; Flare brugte auto-kvalitet og bad om 1536×1024 eller 1024×1536 til generering og 1024×1024 til det kvadratiske edit. PNG-output og opgaverspektforhold var matchet, men pixeldimensioner og kvalitetsindstillinger var ikke ækvivalente. Referencetests brugte billeder fra FLUX.2 [pro]. Sunburst blev ikke testet; dens premium-positionering må ikke præsenteres som en observeret sejr i dette eksperiment.
Sammenligningsresultat: De tilgængelige beviser favoriserer GPT Image 2.5 i nogle troskabs-sensitive tilfælde, mens Nano Banana 2.1 forbliver attraktiv for komposition og omkostning. Brug statistisk meningsfulde gentagne forsøg til købs- eller implementeringsbeslutninger.
Realisme og komposition
Visuel realisme bør bedømmes på naturligt lys, teksturer, anatomi, materialer og sammenhængende komposition. Det nævnte fem-opgave tredjeparts-eksperiment sammenlignede Nano Banana 2.1 med GPT Image 2.5 Flare: det foretrak snævert Flare til den fotorealistiske scene og Nano Banana 2.1 til produktkomposition. Sunburst var ikke inkluderet i disse fem tests. Dens premium-troskabspositionering er et produktkrav, så dette eksperiment kan ikke fastslå, om Sunburst er mere realistisk end nogen af de testede modeller.
Tekstgengivelse og infografikker
Nano Banana 2.1 fremhæver forbedret typografi og kompleks layout. GPT Image 2.5 kan også producere plakater og revidere indlejret tekst. I det lille samme-prompt-eksempel gengav begge den krævede plakattekst korrekt. For forretningskritiske etiketter bør typografi behandles som et korrekturlæsnings- og QA-krav frem for et antaget løst problem.
| Visuelt mål | Nano Banana 2.1 | GPT Image 2.5 | Anbefalet evaluering |
|---|---|---|---|
| Fotorealisme | Stærk realisme og arrangement | Stærk belysning og teksturer | Blind brugerpræference |
| Marketingplakater | Typografi-/layoutforbedringer | Høj-fidelitetskompositioner | Nøjagtig-tekst-korrekthed |
| Produktbilleder | Stærk objektarrangement | Stærk reference-troskab | Etiket- og geometrisk integritet |
| Forankrede infografikker | Indbygget søgeunderstøttelse | Kræver eksternt verificerede fakta | Faktuel korrekthed |
| Multi-reference-aktiver | Op til 14 inputbilleder pr. prompt dokumenteret af Google; verificer understøttet mix og provider-endpoint | Flere referencer | Identitetskonsistens |
Sammenligningsresultat: Ingen af udbyderne leverer en definitiv officiel kvalitetsbenchmark på tværs af modeller. Evaluer med gentagne prøver ved brug af matchende creative briefs.
Redigering og bevaring af referencer
Nano Banana 2.1 reference-arbejdsgange
Googles oprindelige multi-reference-eksempel fra deres billedgenereringsguide viser et kontorgruppeportræt samlet fra reference-input. Gengivet uændret med attribution til Google; guiden er licenseret CC BY 4.0, medmindre andet er angivet. Dette er en officiel workflow-illustration, ikke en samme-prompt-sammenligning med GPT Image 2.5 eller et målt kvalitetsresultat.
Nano Banana 2.1 understøtter multi-billed-fusion og samtaleredigering. Googles redigeringsvejledning beskriver semantisk maskering gennem instruktioner, hvilket adskiller sig fra at antage en dedikeret binær maskeparameter på hvert endpoint. Google dokumenterer maksimalt 14 inputbilleder pr. prompt. Dette betyder ikke, at enhver kombination af 14 vilkårlige referencer er understøttet: deres vejledning specificerer op til 10 objektreferencer og op til 4 figur-/karakterreferencer for denne model. Tjek den gældende referencesammensætning og den valgte platform eller API-endpoint, før du sender et stort billedsæt; tredjepartsgateways kan pålægge andre begrænsninger.
GPT Image 2.5 redigerings-arbejdsgange
OpenAI fremhæver lokaliserede ændringer og motivbevarelse. Deres billedprompting-guide opfordrer til at specificere både, hvad der skal ændres, og hvad der skal forblive uændret. Sunburst bør evalueres, hvor dyr manuel retouchering ellers ville være nødvendig.
I én fem-opgave-sammenligning beholdt Flare en produktflaske og dens etiket intakt mere trofast under baggrundsudskiftning og bevarede bedre en refereret karakters visuelle detaljer. Dette er observationer fra en meget lille prøve, ikke en uafhængig reproducerbar benchmark af Sunburst.
| Redigeringsopgave | Observeret eller dokumenteret fordel | Forbehold |
|---|---|---|
| Udskift baggrund, bevar produkt | GPT Image 2.5 Flare i én tredjepartstest | Kun én kørsel |
| Gentagne karaktersreferencer | Nano: mange referencer; Flare: god troskab | Kræver flere gentagne forsøg |
| Mindre lokaliserede ændringer | GPT Image 2.5 Sunburst positionering | Kontroller faktisk ændrede pixels |
| Multi-objekt visuel fusion | Nano Banana 2.1 | Kontroller objektkonsistens |
Genereringshastighed og testbetingelser
OpenAI angiver, at GPT Image 2.5 reducerer latens med op til 50% i forhold til Images 2.0. Denne påstand sammenligner ikke OpenAI direkte med Nano Banana 2.1. Flare er designet som den hastighedsorienterede OpenAI-variant; Sunburst prioriterer premiumkvalitet med længere behandlingstider.
Nano Banana 2.1 er positioneret til effektiv generering, men en sammenlignelig udbyder-neutral latensbenchmark er ikke etableret. Test varme og kolde forespørgsler ved identiske outputstørrelser; rapporter median, 95.-percentil-latens, fejlrate og godkendte output pr. minut.
| Hastighedsfaktor | Nano Banana 2.1 | Flare | Sunburst |
|---|---|---|---|
| Markedspositionering | Effektivitet | Hastighed | Troskab |
| Officielt direkte kryds-udbyder-resultat | Ikke etableret | Ikke etableret | Ikke etableret |
| Anbefalet metrik | Godkendte billeder/min | Godkendte billeder/min | Godkendte billeder/min |
Nano Banana 2.1 vs GPT Image 2.5: Pris
Prisfastsættelse for Nano Banana 2.1
Googles officielle Gemini API-priser offentliggør opløsningsbaserede omkostninger for billede-output. Dette er outputgebyrer før eventuelle input-, thinking-, grounding-, retry- eller andre gebyrer.
| Opløsning | Standard/billede | Batch/billede | 1.000 Standard-billeder |
|---|---|---|---|
| 1K | $0.0336 | $0.0168 | $33.60 |
| 2K | $0.0504 | $0.0252 | $50.40 |
| 4K | $0.1134 (token-afledt) | $0.0567 | $113.40 |
Ved 4K viser Google cirka $0.113 pr. outputbillede. Deres angivne 3780 billede-tokens ved $30 pr. million indebærer $0.1134, eller $113.40 for 1000 output før andre gebyrer. Tablens 4K Standard-estimat bruger denne token-beregning; 1K- og 2K-ækvivalenter er $0.0336 og $0.0504.
Prisfastsættelse for GPT Image 2.5
Flare-tokenrater og Sunburst-tokenrater matcher tabellen nedenfor pr. 8. oktober 2026. Tekst- og billede-input har forskellige rater; billede-output er $30/MTok under Standard-behandling og $15/MTok under Batch. Faktiske per-billede-gebyrer afhænger af output-token-brug, kvalitet og størrelse.
| Tokenkategori | Flare / Sunburst pr. 1M tokens |
|---|---|
| Tekstinput | $5.00 |
| Cachet tekstinput | $1.25 |
| Billedeinput | $8.00 |
| Cachet billedeinput | $2.00 |
| Billedeoutput | $30.00 |
| Batch billedeoutput | $15.00 |
Omkostning pr. godkendt billede
Konverter ikke disse tokenrater til et universelt per-billede-gebyr uden en målt tokenoptælling. Højkvalitetsbilleder eller reference-tunge redigeringsarbejdsgange kan have forskellige faktiske omkostninger.
Til produktionens økonomi anvendes Omkostning pr. godkendt billede = (alle genererings + redigerings + retry-omkostninger) / antal godkendte output. En tilsyneladende billig billedmodel kan miste sin fordel, hvis den kræver gentagne rettelser.
CometAPI-billing og tilgængelighed
Nano Banana 2.1 API i CometAPI og GPT Image 2.5 Flare API i CometAPI viser Tilgængelig pr. 8. oktober 2026. Sunburst-kandidat-URL’en omdirigerer til udbyderkataloget, så dens uafhængige CometAPI-rute er ikke bekræftet her. Bekræft dens model-ID og konto-adgang, før der loves støtte. Gateway-rater afviger fra udbyderrater; en vist input-token-pris fastslår ikke billedoutput-gebyret.
Nano Banana 2.1 vs GPT Image 2.5: Sammenligning og valg
Arkitektur, multimodalitet og API-tilgængelighed
Den forsvarlige sammenligning er operationel: understøttede input og output, per-prompt billedebegrænsninger, thinking- eller kvalitetskontroller, API-adgang og målte resultater. Det officielle modelkort bekræfter, at Nano Banana 2.1 er baseret på Gemini 3.6 Flash. Nano Banana 2.1 accepterer et bredere sæt inputtyper, mens GPT Image 2.5 producerer billede-output fra tekst/billede-input. Den bekræftede modellinje fastslår ikke ikke-offentliggjorte parameterantal eller retfærdiggør antagelser om intern implementering. Førstepartsstøtte og CometAPI-routing skal verificeres separat, især for Sunburst.
Workload-baseret valg
| Arbejdsgang | Godt udgangspunkt | Begrundelse |
|---|---|---|
| Høj-volumen socialt artwork | Nano Banana 2.1 | Effektivt og alsidigt output |
| Hverdags kreative iterationer | GPT Image 2.5 Flare | Hastighedsorienteret model |
| Premium reklamebilleder | GPT Image 2.5 Sunburst | Troskab og redigeringspræcision |
| Søgning-forankret infografik | Nano Banana 2.1 | Indbygget grounding |
| Følsomme produktredigeringer | GPT Image 2.5 Sunburst | Bevarelsesorienteret workflow |
| Brandkarakterer med mange referencer | Nano Banana 2.1 | Multi-billede-komposition med op til 14 inputbilleder pr. prompt på understøttede Google-ruter; tjek referencemix og gateway-grænse |
| Aktiver med gennemsigtig baggrund | GPT Image 2.5 | Eksplicitte gennemsigtige outputkontroller |
Vælg Nano Banana 2.1 til reference-rig kreation, omkostningssensitiv produktion og forankret indhold. Vælg Flare til hurtige generelle kreative opgaver. Evaluer Sunburst, når bevarelse af oprindelige visuelle detaljer vægter højere end hurtigste resultat.
Hvor kan du få adgang til Nano Banana 2.1 og GPT Image 2.5?
Vælg den oprindelige udbyder for direkte modeladgang eller en understøttet gateway for en fælles konto- og billing-arbejdsgang. Udbydertilgængelighed og gateway-tilgængelighed er separate; tjek den præcise modelvariant, før du vælger en rute.
Officiel adgang hos udbyder
For Nano Banana 2.1 linker den officielle Google-modelside til Google AI Studio for browserbaseret test og giver Gemini API-dokumentation til applikationsadgang. Bekræft, at modellen er tilgængelig på din konto, og gennemgå gældende brugsgrænser, før du begynder.
For GPT Image 2.5 bruges OpenAI API, og konsulter den officielle dokumentation for Flare eller Sunburst varianten. Vælg Flare til hurtigere iterationer eller evaluer Sunburst til troskabs-sensitive opgaver; kontoadgang og ratelimitter skal tjekkes separat.
CometAPI-adgang
CometAPI viser Nano Banana 2.1 og GPT Image 2.5 Flare. Åbn den relevante modelside for at gennemgå aktuel tilgængelighed, pris og API-quickstart, log derefter ind for at oprette en API-nøgle. Dette giver en alternativ adgangsroute til at sammenligne de to modeller via én gateway. Sunburst-adgang via CometAPI er ikke bekræftet i denne artikel.
For at starte en sammenligning: vælg en tilgængelig model, gennemgå dens prissætning og outputgrænser, og prøv samme prompt og kildebilleder med hver model. Registrer genereringstid, godkendte output og faktisk forbrugsomkostning. Detaljerede integrationsinstruktioner hører hjemme i den linkede API-dokumentation frem for i denne modelsammenligning.
| Model | API-identifikator |
|---|---|
| Nano Banana 2.1 | gemini-nano-banana-2.1 |
| GPT Image 2.5 Flare | gpt-image-2.5-flare |
| GPT Image 2.5 Sunburst | gpt-image-2.5-sunburst |
Konklusion
Nano Banana 2.1 er et overbevisende, effektivitetsorienteret valg til referencefusion, forankrede visuelle elementer og skalerbare indholdspipelines. GPT Image 2.5 Flare giver bred kreativ nytte, mens Sunburst sigter mod de mest visuelt krævende genererings- og redigeringsopgaver. Snarere end blindt at standardisere på en enkelt udbyder, bør rutineforespørgsler dirigeres til en passende økonomisk model, og premium præcision reserveres til de output, der virkelig drager fordel af den.
FAQ
Hvordan kan Nano Banana 2.1 og GPT Image 2.5 sammenlignes fair?
Adskil visuel præference fra opgavens korrekthed. Brug samme creative brief og referencer, definer acceptabel opløsning og læsbar tekst før generering, og gennemfør blind review af gentagne output. Registrer hvert forsøg, afslag og redigering. Hvor API-størrelser adskiller sig, sammenlign ved den endelige leveringsstørrelse og oplys eventuel resizing; en enkelt favorit fastslår ikke en modelbred fordel.
Hvordan bør mislykkede billedgenereringer påvirke et API-budget?
Medregn omkostninger fra afviste billeder, redigeringskald og retries i tælleren, og kun godkendte aktiver i nævneren. Registrer fejlstatus og faktisk faktureret forbrug separat, da en mislykket forespørgsel ikke altid er fakturerbar. Estimér et interval ud fra gentagne batches i stedet for at gange en overskriftspris med det krævede antal endelige billeder.
Kan Google Search grounding garantere korrekt infografiktekst?
Nej. Grounding leverer relevant information, men garanterer ikke, at hvert tal, hver etiket eller hver gengivet bogstav er korrekt. Verificér kildefakta før generering, og korrekturlæs det endelige billede op imod dem. For data, der ændrer sig hyppigt, bevar forskningsdatoen og overvej at placere verificerede etiketter i et separat designlag.
Kan én integration skifte mellem Nano Banana 2.1 og GPT Image 2.5?
En delt gateway kan forenkle kontoadministration, men forespørgsels- og svarskemaer adskiller sig stadig. Bevar modelspecifikke adaptere for referencer, thinking- eller kvalitetsindstillinger, outputstørrelse og billeddekodning. Test en lille godkendt forespørgsel for hver aktiveret rute og håndtér sync-, URL- og async-svar eksplicit, før du stoler på automatisk fallback.