GPT-Image-2.5 vs Nano Banana 2 - hvilken AI-bildemodell er best i 2026

TL;DR

Kort fortalt: GPT-Image-2.5 har foreløpig sterkere resultater i blinde menneskelige preferansebenchmarker, spesielt for billedredigering, mens Nano Banana 2 tilbyr et bredere produksjonsfunksjonssett rundt søkeforankring, ekstreme sideforhold, forutsigbar pris per oppløsning og høyvolumsgenerering.

OpenAI lanserte GPT-Image-2.5 8. september 2026 med to API-varianter. GPT-Image-2.5 Flare i CometAPI er designet som den raskere standarden for daglig og høyvolumsgenerering, mens GPT-Image-2.5 Sunburst i CometAPI retter seg mot premiumgenerering og presis redigering.

Nano Banana 2 API i CometAPI, offisielt Gemini 3.1 Flash Image, tar en annen tilnærming. Den kombinerer bildegenerering med Gemini-reasoning, Google Search- og Image Search-forankring, 0.5K-to-4K-utdata, uvanlig brede sideforhold og sterk konsistens med flere referanser.

Hvis prioriteten din er presis redigering, redigeringslokalitet, bevaring av referanser, strukturerte komposisjoner eller premium sluttfiler, er GPT-Image-2.5 Sunburst det sterkeste alternativet. Hvis du trenger rask iterasjon, sanntidsinformasjon, fleksible utdataformater, batchøkonomi og skalerbar produksjon, er Nano Banana 2 uvanlig konkurransedyktig.

Quick Comparison

Key Takeaways

• GPT-Image-2.5 er ikke én API-modell. OpenAI tilbyr Flare for hastighet og volum og Sunburst for maksimal redigeringspresisjon.
• På den nåværende Arena Text-to-Image-topplisten scorer Sunburst 1421±13, Flare 1399±13 og Nano Banana 2 1261±5. På Arenas Single Image Edit-toppliste scorer Sunburst 1520±9, Flare 1491±9 og Nano Banana 2 1387±4.
• GPT-Image-2.5-resultatene hos Arena er fortsatt merket som Preliminary, så den tidlige ledelsen bør ikke tolkes som et permanent eller universelt kvalitetsgap. OpenAI sier at Flare kan levere opptil 50% lavere generasjonslatens enn GPT Image 2, men dette er ikke en direkte hastighetssammenligning mot Nano Banana 2.
• Nano Banana 2 støtter 0.5K, 1K, 2K og 4K-utdata, pluss ekstreme 1:4, 4:1, 1:8 og 8:1 sideforhold.
• Googles Gemini API-dokumentasjon lister eksplisitt søkeforankring for Gemini 3.1 Flash Image og oppgir at tekst- og bildesøkeresultater kan informere genereringen med sanntidswebdata. Denne fordelen gjelder når Google Search-verktøyet er aktivert og dets krav til attribusjon følges: offisiell modelldokumentasjon.
• Google publiserer enkle API-kostnader per oppløsning, mens GPT-Image-2.5 bruker en kvalitets- og tokenavhengig prismodell.
• Det finnes ingen universell vinner: det bedre valget avhenger av om arbeidsflyten din optimaliserer for kreativ presisjon eller forankret, skalerbar bildegenerering.

What Are GPT-Image-2.5 and Nano Banana 2?

Sammenligningen er mer interessant enn en vanlig ny-modell-versus-gammel-modell-konkurranse fordi de to produktene i økende grad er optimalisert for ulike produksjonsfilosofier.

OpenAI beskriver ChatGPT Images 2.5 som en stor oppgradering innen bildegenerering sentrert på skarper detalj og presis redigering. Det vektlegger også naturlig lys, rikere teksturer, bedre bevaring av personer og objekter i referansebilder og mer pålitelig flertrinnsredigering.

For API-brukere deler OpenAI disse evnene i to spor. Flare er den raske standarden, mens Sunburst bruker mer genereringstid på strammere kreativ og redigeringskontroll.

Google introduserte Nano Banana 2 26. februar 2026 som Gemini 3.1 Flash Image. Arkitekturen er utformet for å kombinere reasoning- og verdenskunskapsfordelene assosiert med Gemini med latensen til en Flash-klassemodell. Google fremhever spesielt sanntidsinformasjon og bildeforankring.

Det skaper den kjerneforskjellen for utviklere: GPT-Image-2.5 er i økende grad en spesialist på bildegenerering og -redigering. Nano Banana 2 oppfører seg mer som en multimodal Gemini-arbeidsflyt som tilfeldigvis genererer og redigerer bilder svært godt.

Offisielle lanseringsvisualer fra OpenAI og Google er innebygd nedenfor.

Specifications

• Google gjorde gemini-3.1-flash-image allment tilgjengelig i mai 2026 og la til video-til-bilde-kontekststøtte. Den eldre forhåndsvisningsmodell-ID-en ble avviklet; noen tredjepartsintegrasjons-URL-er beholder fortsatt forhåndsvisningsslugen.
• OpenAIs nåværende API-dokumentasjon bekrefter at begge variantene støtter seks kvalitetsinnstillinger. Flare er den raske hverdagsmodellen, mens Sunburst er optimalisert for redigeringspresisjon.
• Googles nåværende versjonsnotater bekrefter at gemini-3.1-flash-image ble allment tilgjengelig 28. mai 2026. Google dokumenterer også bildeprising for 0.5K, 1K, 2K og 4K og søkeforankring i Gemini API.

GPT-Image-2.5 Generation and Editing Improvements

Den viktigste forbedringen i GPT-Image-2.5 er ikke bare skarpere førstegenererte bilder. Det er kontroll over hva som endres og hva som forblir uendret.

OpenAI sier at den nye generasjonen er bedre til å bevare motiver fra referansebilder samtidig som den endrer omgivelser, visuelle stiler og komposisjoner. Den forbedrer også konsistens i flertrinnsredigering, slik at tidligere endringer i mindre grad forsvinner eller forringes når en ny redigering brukes.

Det er viktig i reelt produksjonsarbeid. En produktbilde-arbeidsflyt kan starte med et referansefoto, erstatte bakgrunnen, endre lyset, legge til sesongmessig styling, revidere et tekstelement og til slutt endre sideforholdet. En modell kan produsere et attraktivt resultat for hver enkelt forespørsel og likevel være ubrukelig hvis selve produktet gradvis endrer seg.

Sunburst er spesifikt designet for arbeidsflyter der denne redigeringslokaliteten og referansefideliteten betyr mer enn minimal latens. Flare bruker mye av den samme generasjonsstakken, men sikter mot raskere iterasjon.

OpenAI oppgir at Flare leverer høyere kvalitet enn deres forrige generasjonsmodell med opptil 50% lavere latens.

50%-tallet sammenligner Flare med OpenAIs forrige GPT Image-generering, ikke direkte med Nano Banana 2. Det bør derfor behandles som et internt familieytelseskrav snarere enn bevis på at Flare er 50% raskere enn Googles modell.

What Makes Nano Banana 2 Different

Nano Banana 2s sterkeste differensiering er at bildegenereringen er koblet til en bredere reasoning- og informasjonsinnhentingsstabel.

Google sier at modellen kan trekke på Geminis verdenskunskap og bruke sanntidsinformasjon og bilder fra websøk før den genererer et bilde. Dette er nyttig når en prompt avhenger av et spesifikt landemerke, objekt, vitenskapelig konsept, aktuell visuell referanse eller faktabasert infografikk.

Det gjør også Nano Banana 2 uvanlig attraktiv for pedagogiske diagrammer, grafikk med oppdatert informasjon, lokaliserte markedsføringsmaterialer, dataorienterte infografikker, reise- og lokasjonsvisualer, visuell søkeapplikasjoner og store batcher av ressurser i flere formater og oppløsninger.

Google utvidet også produksjonskontrollene sine. Nano Banana 2 støtter oppløsninger fra 512 px til 4K og kan bevare identitetene til opptil fem karakterer og fideliteten til opptil 14 objekter i en arbeidsflyt.

Bildemodellen forbedrer også internasjonal tekstrendering og kan oversette tekst innenfor en eksisterende visuell, en viktig kapasitet for team som lokaliserer én kampanje på tvers av markeder.

Benchmark Results: : GPT-Image-2.5 vs Nano Banana 2

Den mest nyttige nåværende direkte sammenligningen kommer fra Arenas offentlige bildelederlister, som aggregerer blinde side-ved-side menneskelige preferanser.

På tekst-til-bilde-generering ligger Sunburst for øyeblikket 160 Arena-poeng foran Nano Banana 2, mens Flare ligger 138 poeng foran. På enkeltbilde-redigering leder Sunburst med 133 poeng og Flare med 104 poeng.

Dette er store tidlige forskjeller i menneskelig preferanse, og redigeringsresultatet stemmer særlig godt med OpenAIs posisjonering av Sunburst. Men konfidensklausulen betyr noe.

Arena markerer begge de nye OpenAI-oppføringene som Preliminary, med bare noen få tusen stemmer. Nano Banana 2 har titusenvis av tekst-til-bilde-stemmer og mer enn 150 000 bilde-redigeringsstemmer. De nye OpenAI-poengene kan derfor bevege seg mer materielt etter hvert som flere sammenligninger kommer.

Arena-poeng måler relativ menneskelig preferanse i Arenas testdistribusjon. En forskjell på 160 poeng betyr ikke at en modell har en fast prosentuelt fordel i bildekvalitet.

Benchmarkresultatet bør derfor leses som sterk tidlig evidens til fordel for GPT-Image-2.5, ikke som bevis på at den vinner hver produksjonsoppgave.

Feature Comparison: GPT-Image-2.5 vs Nano Banana 2

Image Editing

Akkurat nå er dette dimensjonen der svaret er klarest: GPT-Image-2.5 har fordelen, med Sunburst som det sterkere alternativet.

Det er tre grunner. For det første er redigeringspresisjon ett av de eksplisitte designmålene for den nye OpenAI-generasjonen. For det andre er Sunburst spesielt optimalisert for arbeidsflyter der redigeringspresisjon betyr mer enn generasjonshastighet. For det tredje peker den uavhengige preferansesignalen i samme retning: Sunburst ligger for øyeblikket øverst på Arenas Single Image Edit-toppliste.

Den kombinasjonen gjør den spesielt egnet for produktfotografering, kampanjerevisjoner, merkevareaktiva, referansedrevet karakterarbeid og iterativ kreativ produksjon.

Nano Banana 2 er fortsatt en kapabel samtaleredigerer. Forskjellen er ikke at den ene kan redigere og den andre ikke. Den mer nyttige distinksjonen er at OpenAI for øyeblikket ser sterkere ut på å minimere utilsiktede endringer, mens Google tilbyr mer omkringliggende intelligens og forankring under redigeringsarbeidsflyten.

Text and Infographics

Begge selskapene vektlegger nå tekstrendering, men de tilnærmer seg problemet forskjellig.

OpenAI fremhever forbedret infografikk-nøyaktighet og layout, mens Images 2.5 er designet for å bevare hierarki og komposisjon gjennom stadig mer detaljerte instruksjoner.

Google fremhever presis tekstrendering og oversettelse. Nano Banana 2 kan også bruke søkeforankring for å hente informasjon før den produserer en infografikk.

For en statisk plakat, annonse, UI-konsept eller layout der eksakt romlig struktur er den dominerende utfordringen, er GPT-Image-2.5 den mer overbevisende første testen. For en lokaliserings- eller informasjonsdrevet grafikk der oppdatert faktisk kontekst betyr noe, kan Nano Banana 2 tilby den mer nyttige ende-til-ende-arbeidsflyten fordi søkeforankring kan bli en del av selve genereringen.

Ingen av modellene bør stoles på til å publisere kritisk numerisk eller juridisk informasjon uten ettergenereringsverifisering. Bildegenereringsmodeller kan fortsatt produsere visuelt overbevisende, men feilaktig tekst.

Photorealism

Denne kategorien er mindre avgjørende enn overskriftsrangeringene hos Arena antyder.

OpenAI sier at Images 2.5 forbedrer naturlig lys, rikere teksturer og gjenkjennelige referansemotiver. Google fremmer lignende påstander om fotorealistisk kvalitet, skarpere detaljer, rikere tekstur og livlig lys.

Flere tidlige direkte sammenligninger har favorisert Nano Banana 2 for fotografisk kamerafølelse, materialer og naturlig utseende produktscener, mens de favoriserer GPT-Image-2.5 for teksttunge layouter og kontrollerte redigeringer. Disse observasjonene er nyttige, men de er subjektive tester snarere enn standardiserte leverandøruavhengige benchmarks.

For produksjonsevaluering bør fotorealisme derfor testes med din egen promptdistribusjon: hud og hår, glossy og matte produkter, transparente materialer, tekstiler, mat, arkitektur, innendørs belysning, filmatisk dybdeskarphet og referansefotoidentitet.

For team som produserer tusenvis av ressurser er kostnad per godkjent bilde langt mer informativt enn hvilken modell som skaper den peneste enkeltprøven.

Resolution and Aspect Ratios

Nano Banana 2 har den klarere fordelen her.

Google støtter 0.5K, 1K, 2K og 4K-generering. API-et støtter også ekstreme formater inkludert 1:4, 4:1, 1:8 og 8:1.

• nettsted-hero-bannere
• panoramabakgrunner
• mobile story-kreativer
• høye produktdisplayer
• langformat promotegrafikk
• flerformat annonsekampanjer

GPT-Image-2.5 tilbyr egendefinerte dimensjoner og støtter et sideforholdsområde på omtrent 1:3 til 3:1, med en maksimal kant på 3840 piksler og et maksimalt totalareal på 8,294,400 piksler i de nåværende spesifikasjonene.

OpenAI har en separat fordel for kompositeringsarbeidsflyter: gjennomsiktige PNG- og WebP-bakgrunner støttes eksplisitt.

Så skillet er enkelt: Nano Banana 2 vinner for ekstrem lerretsfleksibilitet og native 4K-nivåer. GPT-Image-2.5 er spesielt attraktiv når transparens og kontrollerte redigeringer av aktiva betyr noe.

Real-Time and Grounded Generation

Dette er et område der Google har en klar arkitektonisk fordel.

Nano Banana 2 støtter Google Web- og Image Search-forankring. En generasjonsforespørsel kan derfor bruke hentet tekst og visuell informasjon som kontekst før den produserer et resultat.

Det endrer hva utviklere kan bygge. Tenk på en reiseapplikasjon som genererer en visuell forklaring av et landemerke. En vanlig bildemodell baserer seg i stor grad på informasjon kodet under trening eller på referanser eksplisitt levert av applikasjonen. Nano Banana 2 kan innlemme søk i generasjonsprosessen.

Den samme mekanismen kan hjelpe med visuell research, produktoppdagelse, pedagogisk innhold og grafikk med oppdatert informasjon. GPT-Image-2.5 dokumenterer ikke tilsvarende native søkeforankring på bildemodellnivå.

Hvis applikasjonen din allerede utfører innhenting separat, blir den ulempen mindre. Hvis du vil ha innhenting og bildegenerering i én Gemini-arbeidsflyt, er Googles implementering vesentlig enklere.

GPT-Image-2.5 vs Nano Banana 2 Pricing: Official API and CometAPI

Prismodellene er såpass forskjellige at å sammenligne bare dollar per million output tokens kan være misvisende.

Merk:

• Den tilsynelatende forskjellen $30 mot $60 per million bilde-tokens gjør ikke GPT-Image-2.5 automatisk halvparten så dyr. De to leverandørene tokeniserer bildek output forskjellig, og OpenAI-forbruket endres også med kvalitetsstigen.
• Google gjør budsjettering enklere fordi de publiserer eksplisitt oppløsningsprising: $0.045 for 0.5K, $0.067 for 1K, $0.101 for 2K og $0.151 for 4K. Batch API reduserer disse til omtrent $0.022, $0.034, $0.050 og $0.076.
• OpenAI lar i stedet en utvikler bevege seg gjennom low, medium, high, xhigh og max, noe som kan være en fordel når en applikasjon ønsker rimelige utkast og dyrere sluttgjengivelser i stedet for et fast kvalitetsmål.

How to save costs and reduce integration

For utviklere som ikke vil vedlikeholde separate OpenAI- og Google-integrasjoner, kan begge modellfamiliene nås via CometAPI. GPT-Image-2.5 Sunburst API i CometAPI viser for øyeblikket $4 per million input-tokens og $24 per million output-tokens, sammenlignet med tilsvarende $5/$30 i offisiell prising.

GPT-Image-2.5 Flare API i CometAPI bruker de samme publiserte CometAPI-tokenratene $4/$24 for tilsvarende input-/output-dimensjoner.

Å bruke begge modellene via én API er spesielt nyttig for applikasjoner som ikke har én dominerende bildearbeidsbelastning. En kreativ plattform kan rute forankret eller ekstremt sideforholds-generering til Google-modellen, bruke Flare for rask OpenAI-generering, og sende høyverdige iterative redigeringer til Sunburst.

Den arkitektoniske fordelen er ikke bare å ha flere modeller. Den er å kunne velge modellen per forespørsel i stedet for å redesigne applikasjonen rundt én leverandørs styrker og svakheter.

GPT-Image-2.5 vs Nano Banana 2: Which Features Matter Most?

Dette tabellen forklarer hvorfor én samlet vinner tilslører det mer nyttige svaret. OpenAI har laget en kvalitets- og redigeringskontrollstige. Google har laget en reasoning-forankring-oppløsningsstabel.

Practical applications Example with the same Prompt

Prompt: Fotorealistisk produktfotografi av en matt svart vannflaske stående på en lys betongkant. Mykt morgenlys fra venstre, milde refleksjoner, liten dybdeskarphet. Sentrert komposisjon, Inkluder KUN denne teksten (ordrett): headline "YOURS TO CREATE" i fet sans-serif øverst, subhead "Limited Edition" mindre nederst. Ingen annen tekst eller logoer.

GPT Image 2.5(sunburst):

Nano Banana 2:

Which Model Should You Choose?

Choose GPT-Image-2.5 When...

Velg OpenAI-familien når kostnaden ved en dårlig redigering er høyere enn kostnaden ved noen ekstra sekunder generering.

• e-handels produktfotografering der produktet i seg selv må forbli uendret
• reklamekreativ som krever flere kontrollerte revisjoner
• referansestyrte karakter- eller motivtransformasjoner
• plakater, merkevarelayouter og strukturerte visuelle aktiva
• transparente produkt- eller designelementer
• iterative kreative applikasjoner
• arbeidsflyter som drar nytte av en utkast-til-slutt kvalitetsstige

Innen familien, bruk Flare når gjennomstrømning og iterasjonshastighet er viktig. Bruk Sunburst når en sluttfil trenger nøye bevaring, og ekstra latens er akseptabel.

En nyttig tommelfingerregel: Flare for iterasjon; Sunburst for godkjenning.

Choose Nano Banana 2 When...

Velg Googles modell når bildegenerering er del av en større informasjons- eller multimodal arbeidsflyt snarere enn et isolert renderingssteg.

• forankret visuelt søk
• grafikk for aktuelle hendelser eller virkelighetsnær informasjon
• internasjonal og flerspråklig kreativ
• ekstreme vertikale eller horisontale formater
• høyoppløselige 4K-arbeidsflyter
• komposisjoner med flere karakterer og flere objekter
• batchgenerering
• applikasjoner allerede bygget rundt Gemini
• høyvolumslinjer som krever forutsigbare kostnader per oppløsning

En nyttig tommelfingerregel: Nano Banana 2 for kontekst-rik generering i skala.

Use Both Models Together When...

Ja, og for mange produksjonssystemer er det den mer robuste arkitekturen.

Det finnes ingen teknisk grunn til at den første modellen i en arbeidsflyt også må utføre den siste redigeringen. Et team kan bruke Nano Banana 2 til å hente oppdatert visuell kontekst og produsere et forankret konsept, for deretter å bruke GPT-Image-2.5 for en stramt kontrollert sluttrevisjon. En annen applikasjon kan bruke Flare til å generere raske varianter, bare rute vanskelige redigeringer til Sunburst, og reservere Nano Banana 2 for formater utenfor OpenAIs foretrukne sideforholdsområde.

CometAPI gjør denne rutestrategien enklere fordi applikasjonen kan bruke én API-infrastruktur mens den velger GPT-Image-2.5 Flare, GPT-Image-2.5 Sunburst eller Nano Banana 2 for ulike jobber.

I stedet for å spørre hvilken leverandør man skal forplikte seg til, er det bedre ingeniørspørsmålet: Hvilken modell minimerer kostnad og omarbeid for denne individuelle forespørselen?

Final Verdict: GPT-Image-2.5 or Nano Banana 2?

Hvis beslutningen kun baseres på den nåværende blinde preferansebenchmarken, vinner GPT-Image-2.5.

Sunburst og Flare innehar de to første plassene på den nåværende Arena Text-to-Image-topplisten og de to første plassene på Single Image Edit-topplisten. Marginen over Nano Banana 2 er stor nok til at den ikke bør avfeies som støy.

Men dette er et tidlig resultat. OpenAI-oppføringene er fortsatt foreløpige og har langt færre Arena-stemmer.

For profesjonell redigering er resultatet likevel overbevisende nok til å gjøre Sunburst til den første modellen å teste. Dens produktposisjonering, redigeringsarkitektur og tidlige uavhengige preferansedata peker alle i samme retning.

For generell applikasjonsutvikling er svaret mer balansert. Nano Banana 2 gir utviklere evner som en toppliste ikke måler godt: søkeforankring, Gemini-reasoning, 0.5K-til-4K oppløsningsnivåer, ekstreme sideforhold, dokumentert flerreferanseskala og en rabattert Batch API.

Så den praktiske beslutningen er: velg GPT-Image-2.5 Sunburst når presisjon og bevaring i redigering betyr mest. Velg GPT-Image-2.5 Flare når du vil ha OpenAIs nye kvalitetsnivå med raskere iterasjon. Velg Nano Banana 2 når forankring, fleksible formater, skala og forutsigbar bildeøkonomi betyr mer.

For team som møter alle tre arbeidsbelastningene, lar GPT-Image-2.5 API i CometAPI og Nano Banana 2 API i CometAPI hver forespørsel rutes til modellen hvis styrker matcher jobben.

FAQ

Is GPT-Image-2.5 better than Nano Banana 2?

På nåværende Arena-menneskelig-preferansebenchmarker, ja. Både Sunburst og Flare scorer over Nano Banana 2 i tekst-til-bilde-generering og enkeltbilde-redigering. Imidlertid er GPT-Image-2.5-resultatene fortsatt foreløpige, så dette bør ikke tolkes som bevis på at den er overlegen i hver arbeidsflyt.

What is the difference between GPT-Image-2.5 Flare and Sunburst?

Flare er OpenAIs raskere standard for høy kvalitet i daglig og høyvolumsgenerering. Sunburst er presisjonsvarianten ment for premium kreativ produksjon og detaljerte redigeringer. Sunburst bytter generelt tilleggs genereringstid mot strammere kontroll.

Is Nano Banana 2 faster than GPT-Image-2.5?

Det finnes ingen tilstrekkelig kontrollert offisiell tverrleverandør-benchmark som gir et universelt svar. OpenAI sier at Flare senker latensen med opptil 50% sammenlignet med deres egen forrige generasjons bildemodell, mens Google posisjonerer Nano Banana 2 som en lavlatens Flash-modell. Faktisk latens bør benchmarkes med identiske promter, oppløsninger og samtidighet.

Which model is better for image editing?

GPT-Image-2.5 har per nå det sterkeste evidensgrunnlaget. Sunburst leder Arenas Single Image Edit-rangering og OpenAI designet den spesifikt for presise, kontrollerte redigeringer og sterkere bevaring på tvers av flere revisjoner.

Which model is better for generating text in images?

Begge er sterke. OpenAI vektlegger infografikk-nøyaktighet, layout og presis redigering, mens Google vektlegger internasjonal tekstrendering, oversettelse og forankret informasjon. GPT-Image-2.5 er et sterkt førstevalg for strukturerte merkevarelayouter; Nano Banana 2 er spesielt nyttig for flerspråklig eller søkeforankret grafikk.

Does GPT-Image-2.5 support 4K images?

GPT-Image-2.5 støtter fleksible egendefinerte dimensjoner, med en dokumentert maksimal kant på 3840 piksler og maksimal utdataflate på 8,294,400 piksler. Den bør derfor ikke enkelt beskrives som å ha samme 4096×4096 4K-nivå som Nano Banana 2.

Which model has better aspect-ratio support?

Nano Banana 2 støtter mer ekstreme lerreter, inkludert 1:4, 4:1, 1:8 og 8:1. GPT-Image-2.5s dokumenterte område er omtrent 1:3 til 3:1.

Can I use GPT-Image-2.5 and Nano Banana 2 through CometAPI?

Ja. Utviklere kan bruke begge familier via CometAPI og rute ulike bildegenereringsarbeidsbelastninger til ulike modeller uten å vedlikeholde helt separate leverandørintegrasjoner.