AI Image Edit Arena Leaderboard 2026 — Ranglijst Februari

De Volledige Ranglijst

Vierendertig modellen. Zeven organisaties. Miljoenen en miljoenen vergelijkingen door de community. Ik heb elk model gelinkt zodat je ze zelf kunt testen — want geen enkele recensie zou je moeten vragen om iemand op zijn woord te geloven.

Wat Februari Veranderde

Het gat aan de top wordt kleiner. Toen ik in januari voor het laatst over deze ranglijst schreef, had chatgpt-image-latest-high-fidelity (20251216) een comfortabele voorsprong. Nu hijgt gemini-3-pro-image-preview-2k (nano-banana-pro) in zijn nek — 13 punten verschil in een veld waar de top vier slechts 23 punten uit elkaar ligt. Dat is in wezen een gelijkspel als je rekening houdt met de variantie in stempatronen van de community.

Er verschenen vier namen op deze ranglijst die er in januari nog niet waren. hunyuan-image-3.0-instruct van Tencent landde direct op #6 — geen opwarming, geen langzame klim, gewoon direct in de top tien. p-image-edit van Pruna verscheen op #22, een wildcard van een bedrijf dat bekend staat om modeloptimalisatie in plaats van modelbouw. Alibaba voegde wan2.6-image toe op #18 en wan2.5-i2i-preview op #25, waarmee ze stilletjes hun voetafdruk in beeldbewerking uitbreidden naar vier modellen in totaal. Black Forest Labs splitst nu expliciet hun Klein-lijn in flux-2-klein-9b (#15) en flux-2-klein-4b (#24), waardoor de afweging van het aantal parameters transparant wordt.

Maar de kop van februari gaat niet over wie er een paar posities won of verloor. Het gaat over een model dat ik niet kon stoppen met gebruiken.

nano-banana-pro: Waar Experts Naar Grijpen

Ik wil eerlijk tegen je zijn op een manier die ranglijstcijfers niet kunnen zijn. De arena zegt dat chatgpt-image-latest-high-fidelity (20251216) #1 is. Mijn bewerkingsgeschiedenis zegt iets anders. De afgelopen drie weken heb ik niets anders gebruikt dan gemini-3-pro-image-preview-2k (nano-banana-pro) voor mijn klantenwerk — elke achtergrondvervanging, elke herkleuring, elke objectverwijdering, elke verlichtingscorrectie. Wat er gebeurde was simpel: ik stopte met het grijpen naar iets anders.

Ik heb de community nauwlettend in de gaten gehouden. De Discord-servers, de Reddit-threads, de echte workflow-screenshots die mensen delen op X. Wanneer experts hun voor-en-na bewerkingsvergelijkingen posten, is het model dat steeds weer opduikt niet ChatGPT. Het is nano-banana-pro. Niet omdat het een abstracte voorkeursstemming wint, maar omdat mensen er echt werk mee afleveren.

Dit is de mogelijkheid die me overtuigde. Ik gaf het een vierdelige instructie: "Verwijder de geparkeerde auto van de oprit, breid de tuin uit om de ruimte te vullen, match de middagverlichting op het nieuwe gras, en voeg een subtiele lensflare toe vanaf de positie van de zon." Vier gelaagde eisen in één keer. nano-banana-pro sloeg ze alle vier. De gereconstrueerde tuin had de juiste schaduwrichting. De lensflare zat in de juiste hoek ten opzichte van de lichtbron. Ik heb deze exacte prompt op elk top-vijf model geprobeerd. De meeste verwerken twee instructies voordat de samenhang begint af te brokkelen. ChatGPT verwerkt er drie op een goede dag. nano-banana-pro verwerkte er vier zonder te knipperen.

De 2K-variant — gemini-3-pro-image-preview-2k (nano-banana-pro), momenteel op #2 — verwerkt bewerkingen in hoge resolutie met een kalmte die ik nergens anders heb gezien. Bij 2K introduceren veel modellen ringing-artefacten rond scherpe randen of verliezen ze fijne details in herhalende patronen zoals geweven stof, bakstenen muren of boomkronen. nano-banana-pro behoudt ze. De standaardresolutie-broer op #3 heeft meer dan een half miljoen community-evaluaties verzameld — dat soort volume vertelt je dat mensen het één keer proberen en blijven.

Wat ik "contextuele bewerkingsintelligentie" noem, is waar dit model het veld echt leidt. Het voert niet alleen veranderingen op pixelniveau uit — het begrijpt de semantische relatie tussen elementen in een scène. Verwijder een persoon uit een groepsfoto, en het reconstrueert de sociale afstand op natuurlijke wijze, waarbij de lichaamstaal van aangrenzende onderwerpen wordt aangepast in plaats van gewoon een vlakke plek in te schilderen. Verander een scène van zomer naar herfst, en het past niet alleen het gebladerte aan, maar ook de schaduwhoeken, de temperatuur van het omgevingslicht, en de manier waarop oppervlakken diffuus licht reflecteren. Dit zijn geen prompt engineering trucjes. Dit is een model dat heeft geïnternaliseerd hoe de fysieke wereld eruitziet.

Ik verwacht dat nano-banana-pro de nummer 1 positie van ChatGPT zal overnemen binnen de volgende ranglijstcyclus. Het traject is er. Google itereert sneller op de nano-banana architectuur dan OpenAI itereert op high-fidelity modus, en de praktische voordelen in bewerkingen met meerdere stappen geven het een momentum dat benchmarks voor enkele bewerkingen moeilijk kunnen vangen.

OpenAI's Chirurgische Precisie

Ik wil eerlijk zijn tegenover OpenAI, want ze verdienen lof voor echte technische excellentie. chatgpt-image-latest-high-fidelity (20251216) op #1 staat daar met een reden. De aanduiding "high-fidelity" is nieuw sinds mijn laatste recensie, en de verfijningen in de uitvoerpijplijn zijn zichtbaar. Waar ChatGPT in uitblinkt zijn geïsoleerde, chirurgische bewerkingen. "Verander alleen de oogkleur naar groen" — het doet dit met nul overloop naar omliggende huidtinten. "Vervang de tekst op het bord zonder de verweerde staat van het bord te veranderen" — het behoudt de oppervlaktetextuur terwijl de inhoud wordt verwisseld. Die specificiteit is werkelijk ongeëvenaard.

OpenAI heeft vier modellen in de top 31: chatgpt-image-latest-high-fidelity op #1, gpt-image-1.5-high-fidelity op #4, gpt-image-1 op #29, en gpt-image-1-mini op #31. Het gat tussen hun beste en hun budgetniveau is aanzienlijk — 285 punten — wat suggereert dat OpenAI zijn investering in bewerking aan de top heeft geconcentreerd in plaats van een brede line-up te bouwen. Als je OpenAI gebruikt voor beeldbewerking, betaal je voor het vlaggenschip of neem je genoegen met minder.

De Nieuwe Gezichten

hunyuan-image-3.0-instruct van Tencent is de grootste verrassing waar niemand over praat. #6 bij aankomst. Dat is geen langzame klim — dat is een model dat klaar voor de start verscheen. Tencent domineert al jaren de Chineestalige AI, maar dit is de eerste serieuze verschijning van Hunyuan op een wereldwijde benchmark voor beeldbewerking. De aanduiding "instruct" doet ertoe: dit is een model dat architectonisch is afgestemd op bewerkingsopdrachten in plaats van generatie. In mijn tests verwerkt het tweetalige prompts — Engels en Chinees — met moedertaalvloeiendheid in beide, wat echte workflows opent voor teams die over talen heen werken.

Bytedance blijft de breedste selectie opstellen. Vijf modellen strekken zich uit van seedream-4.5 (#5) tot seededit-3.0 (#30). seedream-4.5 blijft hun kroonjuweel voor artistieke transformatie — vertel het "laat dit portret eruitzien als een Rembrandt" en het warmt niet alleen de kleuren op; het simuleert penseelstreken, chiaroscuro-verlichting en canvasstructuur. seedream-4-2k op #8 verwerkt werk in hoge resolutie, terwijl seedream-4-fal (#20) en seedream-4-high-res-fal (#13) snellere inferentiepaden dekken. Bytedance bouwt geen enkele kampioen — ze bouwen een complete toolkit.

Alibaba breidde stilletjes uit naar vier modellen. qwen-image-edit op #16 heeft meer dan 1,7 miljoen community-evaluaties verzameld — enorme organische adoptie. De nieuwere qwen-image-edit-2511 op #14 klimt snel. En de twee Wan-modellen — wan2.6-image (#18) en wan2.5-i2i-preview (#25) — geven aan dat Alibaba serieus investeert in beeld-naar-beeld transformatie als eigen productcategorie.

Reve bezet drie posities in de top 23. reve-v1.1 op #10 en reve-v1 op #12 zijn competente middenklasse bewerkers, en reve-edit-fast (#23) biedt een snelheidsgeoptimaliseerd alternatief. p-image-edit van Pruna op #22 is de moeite waard om in de gaten te houden — Pruna is gespecialiseerd in modelcompressie en -optimalisatie, dus dit is waarschijnlijk een gedistilleerde aanpak die boven zijn parametergewicht presteert. En op #34 verankert step1x-edit van StepFun de lijst als een open-source basislijn die het ecosysteem eerlijk houdt.

Het Open-Source Voordeel

Voor degenen onder ons die producten bouwen bovenop deze modellen, is er een dimensie die de ranglijst niet vat: onafhankelijkheid. Black Forest Labs bezet nu negen posities — meer dan enige andere organisatie. Van flux-2-max op #9 tot flux-1-kontext-dev op #28, dit is een compleet spectrum van kwaliteits-snelheidsafwegingen die je op je eigen infrastructuur kunt draaien.

De Klein-lijn vertelt een interessant technisch verhaal. flux-2-klein-9b (#15) en flux-2-klein-4b (#24) — de namen onthullen de parametertellingen. Negen miljard en vier miljard respectievelijk. BFL maakt capabele beeldbewerking systematisch toegankelijk voor kleinere hardware. flux-2-klein-4b kan draaien op een consumenten-GPU met 8GB VRAM. Dat is enorm belangrijk voor ontwikkelaars die API-kosten niet op schaal kunnen verantwoorden of die offline bewerkingsmogelijkheden nodig hebben. De Kontext-familie — flux-1-kontext-max (#26), flux-1-kontext-pro (#27), flux-1-kontext-dev (#28) — brengt contextbewuste bewerking naar zelf-gehoste omgevingen, waarbij flux-1-kontext-pro alleen al meer dan 6,4 miljoen community-evaluaties heeft verzameld.

Waar Dit Allemaal Naartoe Gaat

Na drie maanden ondergedompeld te zijn in deze ruimte, starend naar ranglijstverschuivingen en modellen tot falen dwingend, zie ik vier dingen samenkomen.

nano-banana-pro zal waarschijnlijk #1 claimen halverwege het jaar. De iteratiesnelheid van Google op de nano-banana architectuur is meedogenloos geweest. De 2K-variant is al binnen slagbereik, en het voordeel van bewerking in meerdere stappen creëert een vliegwiel: experts die het adopteren produceren betere resultaten, delen die resultaten en trekken meer experts aan. OpenAI zal iets fundamenteel nieuws moeten leveren — geen incrementele verfijning — om de toppositie vast te houden.

Op instructies afgestemde bewerkingsmodellen zullen het standaardparadigma worden. De komst van Tencent's hunyuan-image-3.0-instruct op #6 bevestigt wat de nano-banana architectuur al suggereerde: de toekomst van beeldbewerking is modellen die specifiek zijn gebouwd voor bewerkingsopdrachten, niet generatiemodellen die opnieuw zijn ingezet voor bewerking. Verwacht dat OpenAI en BFL varianten specifiek voor instructies zullen uitbrengen voor de zomer.

Modellen onder de 4B zullen echt competitief worden. flux-2-klein-4b laat al zien dat een model van vier miljard parameters bewerkingen kan produceren die concurreren in dezelfde arena als modellen die tien keer zo groot zijn. Tegen medio 2026 verwacht ik 2-3B bewerkingsmodellen te zien die op telefoons draaien. Wanneer dat gebeurt, verandert de hele economie van beeldbewerking — van cloud API-aanroepen naar inferentie op het apparaat.

Beeldbewerking en videobewerking zullen samensmelten. De modellen die temporele consistentie in beeldbewerkingen aanpakken — het behouden van fysiek correcte verlichting wanneer je een object verplaatst, het behouden van schaduwcoherentie wanneer je een achtergrond verandert — bouwen precies de basis die nodig is voor frame-voor-frame videobewerking. De organisaties met sterke posities in beeldbewerking vandaag zijn degenen die videobewerking morgen zullen domineren. Houd Google en Bytedance in het bijzonder in de gaten.

Mijn Aanbevelingen

Na het draaien van deze modellen door echte workflows — geen benchmark prompts, echte klantleveringen — is dit waar ik je naartoe zou wijzen, afhankelijk van wat je daadwerkelijk nodig hebt.