Nano Banana 2 Litevs.Boogu-Image-0.1-Base

Welches ist besser?

In unserer eigenen Bewertung liegt Nano Banana 2 Lite vorn. Boogu-Image-0.1-Base hat noch keine Arena-Wertung. Boogu-Image-0.1-Base hat keinen API-Preis.

Testbilder

Gleicher Auftrag, je das erste Bild. Vorausgewählt ist die Aufgabe mit dem größten Unterschied.

Nano Banana 2 Lite: Produktfotografie, erstes Bild aus dem festen Testlauf — Nano Banana 2 Lite87 von 100

Boogu-Image-0.1-Base: Produktfotografie, erstes Bild aus dem festen Testlauf — Boogu-Image-0.1-Base8 von 100

Ergebnis bei „Produktfotografie“:Nano Banana 2 Lite vorn

Auftrag an beide Modelle (Original englisch)Create a square premium product photograph of a brushed titanium wristwatch standing upright on dark green marble. The watch has a cream dial, thin black hands set to 10:10, twelve distinct hour markers, a realistic crown, and a dark brown leather strap. Soft window light from the left, controlled reflections, shallow depth of field, no text, no logo, no extra objects.

Darauf achtet die Bewertung: Materialien, Reflexionen und kleine Details.

„Vorn“: in allen drei Bewertungsrunden besser. „Knapp vorn“: höherer Wert, aber nicht in jeder Runde.

Testprotokoll der Bilder

Jeder Testversuch verwendet denselben archivierten Prompt und einen Auftrag. Es zählt die erste Ausgabe dieses Versuchs. Wiederholungen nach technischen Testfehlern sind bei den betroffenen Bildern vermerkt. Die Dateien werden ohne Beschnitt auf 1.024 × 1.024 Pixel vereinheitlicht. Anbieterabhängige Auflösung, Zufall, Qualitätsstufe und Prompt-Verarbeitung können trotzdem abweichen. Die Bilder sind ein visueller Praxistest, keine Rekonstruktion der Arena-Konfiguration.

Figur und Details

Nano Banana 2 Lite: together, 1024x1024, n=1, seed=provider random, provider default steps, erstellt 14.08.2026, 12:21. Quelle

Boogu-Image-0.1-Base: manual, local PyTorch 2.11.0, Diffusers 0.38.0; Boogu/Boogu-Image-0.1-Base@334ad7e5c6343d33308b306127e047b133e86926; native 1024x1024, 1:1; one request, first output; steps=50, guidance=4.0, seed=895870850114772015; mps; native PyTorch fallback is enabled by PYTORCH_ENABLE_MPS_FALLBACK=1; actual CPU operation use is not measured; bfloat16; upstream boogu-project/Boogu-Image@9b327526b1053e1f27f1bd0ae36b20ce2c39cb9e; reviewed MPS device allowlist and empty-reference self-attention only on original CPU SDPA, unchanged arguments and dtype; nonempty attention remains on MPS; no CUDA numeric equivalence claimed; native VAE input saved after scaling and shift, decoded float output finite before native same-size interpolation; native instruction template without rewriting; original Base sampling, no Turbo DMD inference, erstellt 02.11.2026, 23:56. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: 985a75b38642a9f0e5e0c0e0c67f1b7f67780d42bd2168fa24e9a7a7a94b0da6

Nano Banana 2 Lite Bild SHA 256: 6c7d17b2a84129cbeba7d52c8de703773e9296562d9d603688256d2717e65a0c

Boogu-Image-0.1-Base Bild SHA 256: 5ca2782a121b2ffdd620953a4453df06769a5d51778c7980e1cddc8b8e79e0dd

Infografik

Nano Banana 2 Lite: together, 1024x1024, n=1, seed=provider random, provider default steps, erstellt 14.08.2026, 12:21. Quelle

Boogu-Image-0.1-Base: manual, local PyTorch 2.11.0, Diffusers 0.38.0; Boogu/Boogu-Image-0.1-Base@334ad7e5c6343d33308b306127e047b133e86926; native 1024x1024, 1:1; one request, first output; steps=50, guidance=4.0, seed=7796952798756533109; mps; native PyTorch fallback is enabled by PYTORCH_ENABLE_MPS_FALLBACK=1; actual CPU operation use is not measured; bfloat16; upstream boogu-project/Boogu-Image@9b327526b1053e1f27f1bd0ae36b20ce2c39cb9e; reviewed MPS device allowlist and empty-reference self-attention only on original CPU SDPA, unchanged arguments and dtype; nonempty attention remains on MPS; no CUDA numeric equivalence claimed; native VAE input saved after scaling and shift, decoded float output finite before native same-size interpolation; native instruction template without rewriting; original Base sampling, no Turbo DMD inference, erstellt 03.11.2026, 00:04. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: ed65cb4e6a51e2336f8b149ad4cbb16e020f07d527ad94362e719d2dcf91d94f

Nano Banana 2 Lite Bild SHA 256: 11d8b5ddf15becefa6e4e32fca21729ff7d57f561a10e3a2b4b6f5c7a0aed6ef

Boogu-Image-0.1-Base Bild SHA 256: 7b4a49a08dcb03776edaf18345ffe94ee7ae0293be8b3611bf676aa6c76c6405

Produktfotografie

Nano Banana 2 Lite: together, 1024x1024, n=1, seed=provider random, provider default steps, erstellt 14.08.2026, 12:21. Quelle

Boogu-Image-0.1-Base: manual, local PyTorch 2.11.0, Diffusers 0.38.0; Boogu/Boogu-Image-0.1-Base@334ad7e5c6343d33308b306127e047b133e86926; native 1024x1024, 1:1; one request, first output; steps=50, guidance=4.0, seed=6866357448264114469; mps; native PyTorch fallback is enabled by PYTORCH_ENABLE_MPS_FALLBACK=1; actual CPU operation use is not measured; bfloat16; upstream boogu-project/Boogu-Image@9b327526b1053e1f27f1bd0ae36b20ce2c39cb9e; reviewed MPS device allowlist and empty-reference self-attention only on original CPU SDPA, unchanged arguments and dtype; nonempty attention remains on MPS; no CUDA numeric equivalence claimed; native VAE input saved after scaling and shift, decoded float output finite before native same-size interpolation; native instruction template without rewriting; original Base sampling, no Turbo DMD inference, erstellt 02.11.2026, 23:47. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: c67fd71e91304458a2feef5c91efa8677260fab0c0099a29a2c52cb579f5b2f3

Nano Banana 2 Lite Bild SHA 256: 30d9b09b92917eca84675448260a083ad368d9ea25376dabccac0f526f3a3ab7

Boogu-Image-0.1-Base Bild SHA 256: d0e66f73a26844f514cb97bbbd69bb8f4bf39bd875ac8fca0f04989949a64478

Typografie und Layout

Nano Banana 2 Lite: together, 1024x1024, n=1, seed=provider random, provider default steps, erstellt 14.08.2026, 14:00. Quelle

Boogu-Image-0.1-Base: manual, local PyTorch 2.11.0, Diffusers 0.38.0; Boogu/Boogu-Image-0.1-Base@334ad7e5c6343d33308b306127e047b133e86926; native 1024x1024, 1:1; one request, first output; steps=50, guidance=4.0, seed=5844980489998903917; mps; native PyTorch fallback is enabled by PYTORCH_ENABLE_MPS_FALLBACK=1; actual CPU operation use is not measured; bfloat16; upstream boogu-project/Boogu-Image@9b327526b1053e1f27f1bd0ae36b20ce2c39cb9e; reviewed MPS device allowlist and empty-reference self-attention only on original CPU SDPA, unchanged arguments and dtype; nonempty attention remains on MPS; no CUDA numeric equivalence claimed; native VAE input saved after scaling and shift, decoded float output finite before native same-size interpolation; native instruction template without rewriting; original Base sampling, no Turbo DMD inference, erstellt 02.11.2026, 23:36. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: 2e012c3d14ee5dd02203a94f394ca80a5038cdebd6032b25a8b8a221f2255419

Nano Banana 2 Lite Bild SHA 256: 9fab80fe1ad268b9ceceb4ef61ef1dd0e965dd3f28d377af7cf9cf201fdf47fa

Boogu-Image-0.1-Base Bild SHA 256: b9abc77788966e5c8425e7a94c12632b4e4ec11e6d41c7afd0e1acdc37602db3

Die Zahlen im Überblick

Arena-Wertungaus Stimmen von Nutzerinnen und Nutzern · höher ist besser

1.249

Nano Banana 2 Lite

Platz 11 von 21

k. A.

Boogu-Image-0.1-Base

nicht in der Arena

GraduallyBenchunsere eigene Bewertung, 0 bis 100 · höher ist besser

Nano Banana 2 Lite

Platz 21 von 108

Boogu-Image-0.1-Base

Platz 103 von 108

Preis je BildDollar über die API · niedriger ist besser

0,034 $

Nano Banana 2 Lite

eher günstig

k. A.

Boogu-Image-0.1-Base

kein API-Preis

Plätze unter den 21 Bildmodellen mit Arena-Wertung und den 108 mit GraduallyBench-Lauf; Preisvergleich mit 28 Modellen mit API-Preis.

Nano Banana 2 Lite

Im Abo: Bei Google kostenlos nutzbar (Google AI Free, mit begrenztem Guthaben), mehr ab 4,99 € im Monat (Google AI Plus, mit begrenztem Guthaben). Über andere Anbieter ab ≈ 6,36 € im Monat (ElevenLabs Starter, mit begrenztem Guthaben). 51 Tarife in Deutschland.
Per API: 0,034 $ je Bild, 100 Bilder 3,36 $.

Boogu-Image-0.1-Base

Im Abo: k. A. Kein Tarif in Deutschland nennt genau dieses Modell.
Per API: Kein API-Preis bekannt. Zugang: lokal.
Lizenz: Offene Gewichte.

Im Abo zählen nur Tarife, die genau dieses Modell nennen. Abo-Preise inkl. USt, API-Preise in Dollar.

Arena-Wertung (LMArena) vom 06.11.2026 · GraduallyBench vom 03.11.2026 · API-Preise vom 06.11.2026 · Abo-Datenbank vom 29.09.2026 (38 Tage alt)

Alle Daten im Vergleich

Der bessere Wert ist fett. Bei den Wertungen nur, wenn der Abstand klar ist.

Kennzahl	Nano Banana 2 Lite	Boogu-Image-0.1-Base
Wertungen
Arena-Wertungaus Stimmen von Nutzerinnen und Nutzern, höher ist besser	1.249	k. A.
Platz in der Arena	Platz 11 von 21	k. A.
Stimmen in der Arenamehr Stimmen, sicherere Wertung	17.787	k. A.
GraduallyBenchunsere eigene Bewertung, 0 bis 100	71	10
GraduallyBench je Aufgabe
Typografie und LayoutLesbarer Text, Hierarchie und Komposition	82	9
ProduktfotografieMaterialien, Reflexionen und kleine Details	87	8
Figur und DetailsAnatomie, Kleidung und räumliche Konsistenz	47	8
InfografikZahlen, Beschriftungen und visuelle Ordnung	66	16
Preis über die API
Je Bildniedriger ist besser	0,034 $	k. A.
100 Bilder	3,36 $	k. A.
Steckbrief
Erschienen	Juni 2026	k. A.
Gewichteoffen heißt: lokal nutzbar	proprietär	offen
Zugang	API, Web-App	lokal
Parameter	nicht veröffentlicht	10 Mrd.
Größte Ausgabe	1K	nicht einheitlich veröffentlicht
Tarife in Deutschlandmit genau diesem Modellnamen	51	k. A.

API-Preise für ein Bild mit 1.024 × 1.024 Pixeln laut Artificial Analysis.

Quellen: Modellquelle Nano Banana 2 Lite (geprüft 15.08.2026) · Modellquelle Boogu-Image-0.1-Base (geprüft 01.11.2026)

Arena-Wertungen je Kategorie

Aus blinden Abstimmungen bei LMArena. „Vorn“ heißt: der Vorsprung ist klar.

Kein gemeinsamer Arena-Wert im gespeicherten Stand

Für Nano Banana 2 Lite und Boogu-Image-0.1-Base enthält die gespeicherte Benchmarkdatenbank noch keine Messung derselben Arena und Kategorie. Ältere Modellversionen werden nicht als Ersatz verwendet.

Weitere Vergleiche

Vergleiche Nano Banana 2 Lite und Boogu-Image-0.1-Base mit den Modellen, die am häufigsten mit ihnen verglichen werden.

Anderes Duell vergleichen

Erstes BildmodellZweites Bildmodell