電商圖的文字是可驗收項，不是風格項。品牌名少一個字母、售價少一位數，這張圖就不能上架，也沒有「大概對」的空間。
2026年11月11日，我用同一套提示詞把兩個圖像模型各跑三個高難度電商場景，全部英文文字、統一1024×1024、每場景每模型只產出一張、不重新抽卡。十四組指定文字逐字核對，結果與工程面差異整理如下。這是一份實測筆記，瑕疵照登。
測試設定
| 項目 | 內容 |
|---|---|
| 測試日期 | 2026年11月11日 |
| 模型 | GPT Image 2（OpenAI Images協定）、Nano Banana Pro（Gemini原生協定） |
| 尺寸 | 1024×1024；GPT Image 2用quality=medium，Nano Banana Pro用1:1 |
| 抽卡次數 | 每場景每模型1次，不重複生成 |
| 場景 | 促銷主圖、包裝標籤、詳情頁資訊卡 |
兩家走不同協定，端點分別是/v1/images/generations與/v1beta/models/nano-banana-pro:generateContent。這次共用Crazyrouter的同一個入口與同一把金鑰，模型ID是gpt-image-2與nano-banana-pro，切換只改model參數：
https://api.crazyrouter.com/v1模型ID與額度這種東西改得比文章快，所以我在跑之前先對過模型目錄：兩個目標ID都還在，同族另有gpt-image-2.5-flare、gpt-image-2.5-sunburst與nano-banana-2.1，要不要換成新版是另一個決定，但至少知道自己在調哪一個。
逐字核對總表
| 場景 | 指定文字組數 | GPT Image 2 | Nano Banana Pro |
|---|---|---|---|
| 促銷主圖 | 5 | 5/5 | 5/5 |
| 包裝標籤 | 3 | 3/3 | 3/3 |
| 詳情頁資訊卡 | 6 | 6/6 | 6/6 |
| 合計 | 14 | 14/14 | 14/14 |
兩家都沒有出現亂碼、錯字、漏字，也都沒有自行加入提示詞以外的文字。在文字這一項，兩個模型的差距是零。
場景一：促銷主圖（5組文字含刪除線價格）
需求是黑五促銷的耳機主圖：標題BLACK FRIDAY SALE、左側黃色徽章50% OFF、主價格$49.99、旁邊灰色刪除線$99.99、底部白色橫幅NOV 24 - NOV 30 ONLY。
兩張都過關，刪除線位置正確。GPT Image 2把標題拆成兩行，屬排版選擇；Nano Banana Pro的底部橫幅用灰字配白底，對比度偏低但仍可讀，若要走量這點要列進驗收清單。
場景二：包裝標籤（最容易出現假字的一關）
標籤貼圖的風險不是錯字，而是模型覺得版面空、自己補一段裝飾性假字。這次提示詞末尾明確寫了範圍限制：
Front label design for a hot sauce bottle, photographed straight-on: a deep red label with a thin white border. Brand name 'FIRE DROP' in large bold white letters at the top of the label. Below it, the flavor name 'SMOKY CHIPOTLE' in smaller cream-colored letters. Near the bottom of the label, the text 'NET 250ml' in small print, and a small chili pepper illustration in the middle. The glass bottle stands on a wooden table with soft studio lighting and a warm blurred kitchen background. Only these words appear on the label.
FIRE DROP、SMOKY CHIPOTLE、NET 250ml三組全對，標籤上沒有多餘字。插畫語意上兩家分岔：GPT Image 2畫成寫實風乾辣椒，Nano Banana Pro畫成扁平卡通插畫，後者更貼近提示詞裡的illustration。
這關另有一個穩定性數據：Nano Banana Pro的首次請求在連線層中斷（IncompleteRead），重試一次成功。模型端沒有報錯，屬於傳輸層問題，處理方式見下面「失敗分類」。
場景三：詳情頁資訊卡（小字才是門檻）
六組文字、三種字級、圖文混排，最底部還有NET WT 300ml / SERVINGS: 2這種極小字級的規格行。提示詞的約束是：標題COLD BREW COFFEE、三行賣點分別為READY IN 30 SECONDS、ONLY 15 CALORIES、NO ADDED SUGAR、底部一行小字規格，並要求不得加入其他詞。
六組文字兩家全對，最小字級的規格行也正確，數字、冒號、斜線無誤。但兩張圖各有一個工程上必須處理的問題：
- Nano Banana Pro：右下角邊緣出現一小片點狀雜紋偽影，主體不受影響，但上架前需裁切或重新生成；水滴小圖示簡化成純色滴形，沒有細節
- GPT Image 2：沒有圖形瑕疵，但版面過滿，大標題佔掉接近半個畫面，三行賣點被壓到下半部，資訊層級不如對方清楚
工程面差異
| 維度 | GPT Image 2 | Nano Banana Pro |
|---|---|---|
| 協定 | OpenAI Images | Gemini原生 |
| 尺寸控制 | size參數 |
aspectRatio比例 |
| 品質分級 | quality多檔 |
無分級 |
| 回傳格式 | PNG（本次1.0~1.4MB／張） | JPEG（本次0.4~0.6MB／張） |
| 參考圖 | 最多16張（各入口上限不一），支援遮罩局部編輯 | 最多14張，圖片置於parts隨請求送出 |
| 本次耗時 | 75.5~124.6秒 | 18.4~21.0秒 |
| 非同步 | 可用Prefer: respond-async |
可用:asyncGenerateContent |
回傳格式對管線的影響：PNG留得住透明背景與二次編輯空間，代價是體積約為JPEG的三倍；JPEG體積小、上傳快，但要疊圖或去背得先轉檔。批次產出上萬張時，這個差異會直接反映在儲存與CDN成本上，也會影響前端載入。
耗時對排程的影響：Nano Banana Pro的18~21秒與GPT Image 2的75~125秒，在單張場景看不出差別，在並行批次裡就是吞吐量與逾時設定的差別。若走同步呼叫，GPT Image 2的HTTP逾時不要沿用一般API的預設值，拉到180秒以上；否則你會收到一堆逾時錯誤，但圖片其實已經生成。
排程要抓數字的話，兩家的規格與計費可以放在同一頁比：Crazyrouter模型廣場就是我核對ID與額度的地方，省掉一次開兩個分頁對照的功夫。
失敗分類：哪些該重試，哪些不該
這次實測只出現一次失敗，剛好可以用來把重試策略講清楚：
- 連線層中斷（如
IncompleteRead、連線重置、逾時）：圖片可能已經生成也可能沒有。直接重試，但要在資料庫記錄「同一請求的重試次數」，避免重複入庫。這次Nano Banana Pro就是這一類，重試一次即成功 - 模型端拒絕（內容審核攔截、參數不合法）：重試沒有意義，改提示詞或改參數才有用
- 配額或速率限制：退避重試，不要立刻重打
三類混在一起重試，是批次腳本最常見的浪費。這次總共只多花了一次請求，就是因為分得清楚。
選型建議
- 走量、對延遲敏感：Nano Banana Pro。實測快四倍以上，批次吞吐差距會被放大；但務必加上失敗重試與雜紋檢查
- 要精修、要透明底、要改局部：GPT Image 2。品質分級可以先出低檔草稿、定稿再出高檔，遮罩編輯讓改價格不用整張重畫
- 兩者搭配：Nano Banana Pro出草稿，GPT Image 2精修定稿。共用入口時切換成本只是改model名
- 不管選誰：文字準確率已經不是決定因素，驗收重點要移到構圖、雜紋與商品細節的真實度
要拿這些結果做採購或架構決策，建議用你自己的商品與文案重跑一輪，把上面補上。
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
