AI Image Edit Arena-rangliste 2026 — Februar-rangeringer

De komplette rangeringer

Fireogtredive modeller. Syv organisationer. Millioner og atter millioner af fællesskabssammenligninger. Jeg har linket hver model, så du selv kan teste dem — for ingen anmeldelse bør bede dig om at tage nogens ord for gode varer.

Hvad februar ændrede

Hullet i toppen skrumper. Da jeg sidst skrev om denne rangliste i januar, havde chatgpt-image-latest-high-fidelity (20251216) en komfortabel føring. Nu ånder gemini-3-pro-image-preview-2k (nano-banana-pro) den i nakken — 13 point adskiller dem i et felt, hvor de fire øverste kun er adskilt af 23 point. Det er i bund og grund uafgjort, når man tager højde for variansen i fællesskabets afstemningsmønstre.

Fire navne dukkede op på denne rangliste, som ikke var her i januar. hunyuan-image-3.0-instruct fra Tencent landede direkte på #6 — ingen opvarmning, ingen langsom stigning, bare direkte ind i top ti. p-image-edit fra Pruna dukkede op på #22, et wildcard fra et firma kendt for modeloptimering snarere end modelbygning. Alibaba tilføjede wan2.6-image på #18 og wan2.5-i2i-preview på #25, hvilket stille udvidede deres billedredigeringsaftryk til fire modeller i alt. Black Forest Labs deler nu eksplicit deres Klein-linje op i flux-2-klein-9b (#15) og flux-2-klein-4b (#24), hvilket gør afvejningen af parameterantal gennemsigtig.

Men overskriften for februar handler ikke om, hvem der vandt eller tabte et par positioner. Det handler om en model, jeg ikke kunne stoppe med at bruge.

nano-banana-pro: Den, praktikere vælger

Jeg vil være ærlig over for dig på en måde, som ranglistetal ikke kan være. Arenaen siger, at chatgpt-image-latest-high-fidelity (20251216) er #1. Min redigeringshistorik siger noget andet. De sidste tre uger har jeg ikke kørt andet end gemini-3-pro-image-preview-2k (nano-banana-pro) til mit kundearbejde — hver baggrundsudskiftning, hver farvejustering, hver objektfjernelse, hver lysfix. Det, der skete, var simpelt: Jeg stoppede med at række ud efter noget andet.

Jeg har fulgt fællesskabet tæt. Discord-serverne, Reddit-trådene, de rigtige workflow-screenshots, folk deler på X. Når praktikere poster deres før-og-efter redigeringssammenligninger, er modellen, der bliver ved med at dukke op, ikke ChatGPT. Det er nano-banana-pro. Ikke fordi den vinder en abstrakt præferenceafstemning, men fordi folk leverer rigtigt arbejde med den.

Her er evnen, der solgte mig. Jeg gav den en instruktion i fire dele: "Fjern den parkerede bil fra indkørslen, udvid haven for at fylde rummet, match eftermiddagsbelysningen på det nye græs, og tilføj et subtilt linseflare fra solens position." Fire lagdelte krav i én kørsel. nano-banana-pro ramte alle fire. Den rekonstruerede have havde den rigtige skyggeretning. Linseflaret sad i den rigtige vinkel i forhold til lyskilden. Jeg har prøvet denne præcise prompt på hver top-fem-model. De fleste håndterer to instruktioner, før sammenhængen begynder at bryde sammen. ChatGPT håndterer tre på en god dag. nano-banana-pro håndterede fire uden at blinke.

2K-varianten — gemini-3-pro-image-preview-2k (nano-banana-pro), i øjeblikket på #2 — håndterer redigering i høj opløsning med en ro, jeg ikke har set andre steder. Ved 2K introducerer mange modeller ringningsartefakter omkring skarpe kanter eller mister fine detaljer i gentagne mønstre som vævet stof, murstensvægge eller trækroner. nano-banana-pro bevarer dem. Standardopløsnings-søskende på #3 har samlet over en halv million fællesskabsevalueringer — den slags volumen fortæller dig, at folk prøver den én gang og bliver.

Hvad jeg kalder "kontekstuel redigeringsintelligens" er der, hvor denne model virkelig fører feltet an. Den udfører ikke bare ændringer på pixelniveau — den forstår det semantiske forhold mellem elementer i en scene. Fjern en person fra et gruppebillede, og den rekonstruerer den sociale afstand naturligt, justerer kropssproget hos tilstødende motiver i stedet for bare at male en flad lap. Ændr en scene fra sommer til efterår, og den ændrer ikke kun løv, men skyggevinkler, den omgivende lystemperatur og måden, overflader reflekterer diffust lys på. Dette er ikke prompt engineering-tricks. Dette er en model, der har internaliseret, hvordan den fysiske verden ser ud.

Jeg forventer, at nano-banana-pro vil overtage ChatGPT's #1-position inden for næste rangeringscyklus. Banen er der. Google itererer på nano-banana-arkitekturen hurtigere, end OpenAI itererer på high-fidelity-tilstand, og de praktiske fordele i flertrinsredigering giver den et momentum, som enkeltredigeringsbenchmarks har svært ved at fange.

OpenAI's kirurgiske præcision

Jeg vil være retfærdig over for OpenAI, fordi de fortjener anerkendelse for ægte ingeniørmæssig ekspertise. chatgpt-image-latest-high-fidelity (20251216) på #1 er der af en grund. Betegnelsen "high-fidelity" er ny siden min sidste anmeldelse, og forbedringerne i output-pipelinen er synlige. Hvor ChatGPT udmærker sig, er isolerede, kirurgiske redigeringer. "Skift kun øjenfarven til grøn" — den gør dette med nul blødning til omgivende hudtoner. "Erstat teksten på skiltet uden at ændre skiltets forvitring" — den bevarer overfladetekstur, mens den bytter indhold. Den specificitet er virkelig uovertruffen.

OpenAI stiller med fire modeller i top 31: chatgpt-image-latest-high-fidelity på #1, gpt-image-1.5-high-fidelity på #4, gpt-image-1 på #29, og gpt-image-1-mini på #31. Gabet mellem deres bedste og deres budgetniveau er betydeligt — 285 point — hvilket tyder på, at OpenAI har koncentreret deres redigeringsinvestering i toppen snarere end at bygge en bred opstilling. Hvis du bruger OpenAI til billedredigering, betaler du for flagskibet, eller også nøjes du.

De nye ansigter

hunyuan-image-3.0-instruct fra Tencent er den største overraskelse, ingen taler om. #6 ved ankomst. Det er ikke en langsom stigning — det er en model, der dukkede op klar. Tencent har domineret kinesisksproget AI i årevis, men dette er Hunyuans første seriøse optræden på et globalt billedredigeringsbenchmark. "Instruct"-betegnelsen betyder noget: dette er en model arkitektonisk indstillet til redigeringskommandoer snarere end generering. I min testning håndterer den tosprogede prompts — engelsk og kinesisk — med indfødt flydende sprog i begge, hvilket åbner virkelige arbejdsgange for teams, der opererer på tværs af sprog.

Bytedance fortsætter med at stille den bredeste liste. Fem modeller strækker sig fra seedream-4.5 (#5) ned til seededit-3.0 (#30). seedream-4.5 forbliver deres kronjuvel for kunstnerisk transformation — fortæl den "få dette portræt til at ligne en Rembrandt", og den varmer ikke bare farverne op; den simulerer penselstrøg, chiaroscuro-belysning og lærredstekstur. seedream-4-2k på #8 håndterer højopløsningsarbejde, mens seedream-4-fal (#20) og seedream-4-high-res-fal (#13) dækker hurtigere inferensveje. Bytedance bygger ikke en enkelt mester — de bygger et komplet værktøjssæt.

Alibaba udvidede stille til fire modeller. qwen-image-edit på #16 har samlet over 1,7 millioner fællesskabsevalueringer — massiv organisk adoption. Den nyere qwen-image-edit-2511 på #14 klatrer hurtigt. Og de to Wan-modeller — wan2.6-image (#18) og wan2.5-i2i-preview (#25) — signalerer, at Alibaba investerer seriøst i billede-til-billede-transformation som sin egen produktkategori.

Reve har tre positioner i top 23. reve-v1.1 på #10 og reve-v1 på #12 er kompetente mellemklasseredaktører, og reve-edit-fast (#23) tilbyder et hastighedsoptimeret alternativ. p-image-edit fra Pruna på #22 er værd at se på — Pruna specialiserer sig i modelkomprimering og optimering, så dette er sandsynligvis en destilleret tilgang, der slår over sin parametervægt. Og på #34 forankrer step1x-edit fra StepFun listen som en open source-basislinje, der holder økosystemet ærligt.

Open Source-fordelen

For os, der bygger produkter oven på disse modeller, er der en dimension, ranglisten ikke fanger: uafhængighed. Black Forest Labs har nu ni positioner — flere end nogen anden organisation. Fra flux-2-max på #9 ned gennem flux-1-kontext-dev på #28, dette er et komplet spektrum af kvalitets-hastighedsafvejninger, som du kan køre på din egen infrastruktur.

Klein-linjen fortæller en interessant ingeniørhistorie. flux-2-klein-9b (#15) og flux-2-klein-4b (#24) — navnene afslører parametertællinger. Ni milliarder og fire milliarder henholdsvis. BFL gør systematisk kapabel billedredigering tilgængelig for mindre hardware. flux-2-klein-4b kan køre på en forbruger-GPU med 8GB VRAM. Det betyder enormt meget for udviklere, der ikke kan retfærdiggøre API-omkostninger i skala, eller som har brug for offline redigeringsevne. Kontext-familien — flux-1-kontext-max (#26), flux-1-kontext-pro (#27), flux-1-kontext-dev (#28) — bringer kontekstbevidst redigering til selvhostede miljøer, hvor flux-1-kontext-pro alene har samlet over 6,4 millioner fællesskabsevalueringer.

Hvor alt dette er på vej hen

Efter tre måneder fordybet i dette rum, stirrende på ranglisteskift og pressende modeller til fejl, ser jeg fire ting konvergere.

nano-banana-pro vil sandsynligvis kræve #1 inden midten af året. Googles iterationshastighed på nano-banana-arkitekturen har været ubønhørlig. 2K-varianten er allerede inden for slagafstand, og fordelen ved flertrinsredigering skaber et svinghjul: praktikere, der adopterer den, producerer bedre resultater, deler disse resultater og tiltrækker flere praktikere. OpenAI bliver nødt til at sende noget fundamentalt nyt — ikke inkrementel forfining — for at holde toppositionen.

Instruktions-tunede redigeringsmodeller vil blive standardparadigmet. Tencents hunyuan-image-3.0-instruct ankomst på #6 bekræfter, hvad nano-banana-arkitekturen allerede antydede: fremtiden for billedredigering er modeller bygget specifikt til redigeringskommandoer, ikke genereringsmodeller genbrugt til redigering. Forvent, at OpenAI og BFL frigiver instruktionsspecifikke varianter inden sommeren.

Modeller under 4B vil blive ægte konkurrencedygtige. flux-2-klein-4b demonstrerer allerede, at en model med fire milliarder parametre kan producere redigeringer, der konkurrerer i samme arena som modeller ti gange dens størrelse. Inden midten af 2026 forventer jeg at se 2-3B redigeringsmodeller, der kører på telefoner. Når det sker, ændres hele økonomien for billedredigering — fra cloud API-kald til inferens på enheden.

Billedredigering og videoredigering vil smelte sammen. Modellerne, der håndterer tidsmæssig konsistens i billedredigeringer — opretholder fysisk korrekt belysning, når du flytter et objekt, bevarer skyggekohærens, når du ændrer en baggrund — bygger præcis det fundament, der er nødvendigt for videoredigering billede for billede. De organisationer med stærke billedredigeringspositioner i dag er dem, der vil dominere videoredigering i morgen. Hold især øje med Google og Bytedance.

Mine anbefalinger

Efter at have kørt disse modeller gennem rigtige arbejdsgange — ikke benchmark-prompts, rigtige kundleverancer — er det her, jeg vil pege dig hen afhængigt af, hvad du faktisk har brug for.