포스터를 만들 때 Nano Banana 2.1과 GPT Image 2.5 중 무엇을 먼저 써볼까?

이번에 시험한 짧은 영어 포스터에서는 Nano Banana 2.1, GPT Image 2.5 Flare, Sunburst 세 모델 모두 요청한 문구를 만들었고, 이어지는 두 번의 편집도 완료했습니다. 실질적인 차이는 스타일, 의도하지 않은 변경, 요청 구성, 추정 비용에서 나타났습니다. Nano는 비교적 단순하고 평면적인 일러스트를 만들었지만, 요청하지 않은 종이 테두리와 그림자를 추가했습니다. GPT 두 버전은 사과를 더 세밀하고 회화적으로 표현했습니다. 다만 어느 쪽도 편집할 때 요청하지 않은 모든 요소를 그대로 고정하지는 못했습니다.

단순한 일러스트 포스터가 필요하다면 Nano의 결과를 출발점으로 삼을 수 있지만, 원치 않는 종이 테두리가 생겼는지 확인해야 합니다. 아래와 같은 세밀한 과일과 도자기 질감을 선호한다면 이번 작업에서는 Flare를 먼저 시험해 보세요. 단 한 번의 실행에서 Flare의 요청 체인은 Sunburst보다 빨리 끝났고, 보고된 GPT 토큰 수는 같았습니다. 이번 작업에서 Sunburst가 확실히 더 낫다는 근거는 확인하지 못했습니다. 이는 이번 작업과 설정에 대한 추천이지, 이미지 작업 전반의 순위는 아닙니다.

테스트 날짜: 2026년 10월 13일. 이 비교 기사는 Ofox가 게시했으며, 테스트에 사용한 API 게이트웨이도 Ofox가 제공했습니다. 이 글은 AI의 도움을 받아 작성했고 AI가 독립적으로 검토했으며, 사람으로 구성된 검토 패널의 검토는 받지 않았습니다. 아래 이미지 9장은 실제 API 출력입니다. 모델마다 3단계 체인을 한 번씩 실행했으며, 반복 테스트나 시드 제어는 없었고 여러 시도 중 최선의 결과를 골라내지도 않았습니다. Nano 체인은 같은 날 진행한 이전 테스트에서 재사용했으며, GPT 요청 6건은 그 후에 실행했습니다. 이 테스트는 API 테스트이며, 인증된 Agent 또는 Playground 생성 테스트가 아닙니다.

비교 대상 모델과 설정

여기서 “Image 2.5”는 Flare와 Sunburst를 포함하는 OpenAI GPT Image 2.5를 뜻합니다. Microsoft MAI Image 2.5를 의미하지 않습니다. 제품군 이름은 요청에 사용한 정확한 모델 ID가 아닙니다.

반환된 파일 9장은 모두 1024 × 1024 PNG입니다. 크기가 같고 지시문이 동일하다고 해서 화질 설정이나 연산량도 같다는 뜻은 아닙니다. GPT의 medium 이미지 화질은 Google의 추론 설정에 대응하는 항목이 아닙니다.

편집에 전달된 문맥도 다릅니다. Nano에는 이전 모델 응답을 포함한 Gemini 대화 전체가 계속 전달됐습니다. GPT 편집에는 이전 PNG와 현재 지시문이 전달됐고, 앞선 대화 전체는 전달되지 않았습니다. 따라서 입력 토큰 수에는 서로 다른 대화 기록, 프로토콜, 토크나이저가 반영됩니다. 이 수치는 이번 요청의 비용을 추정하는 데는 유용하지만, 어느 모델이 본질적으로 더 효율적이라고 결론 내릴 근거는 아닙니다.

현재 Ofox 카탈로그에는 세 모델이 모두 등록돼 있습니다. 모델 ID와 이용 경로는 공개된 Nano Banana 2.1, Flare, Sunburst 페이지에서 확인할 수 있습니다.

이 이미지는 공개 모델 페이지의 스크린샷이지, 로그인 상태에서 생성한 결과나 결제 기록이 아닙니다. 요금은 항목별로 해석해야 합니다. 전체 할인 배지가 있다고 해서 모든 요금 항목에 할인이 적용된다고 볼 수는 없습니다.

하나의 작업 요구 사항, 세 단계, 원본 결과 9장

평가 기준은 구체적으로 정했습니다. 제목과 일정이 정확할 것, 빨간 사과 3개가 있을 것, 요청한 색상의 그릇일 것, 추가 문구나 로고가 없을 것, 편집 중 기존 구도가 유지될 것이 기준이었습니다. 픽셀 단위로 엄격하게 보존해야 한다면 별도의 확인이 필요합니다. 시각적으로 비슷한 것과 픽셀이 동일한 것은 다릅니다.

아래는 순서대로 사용한 정확한 지시문입니다. 다국어 이미지 텍스트 생성은 테스트하지 않았으므로, 모든 언어판에서 영어 문구를 그대로 유지했습니다.

1. Create a square minimalist event poster on warm cream paper. Large exact headline: ORCHARD MARKET. Smaller exact line: SATURDAY 10 AM. Draw three red apples in a blue ceramic bowl below the text. No other text, no logos, no border.

2. Change only the headline from ORCHARD MARKET to ORCHARD FAIR. Keep SATURDAY 10 AM exactly unchanged. Preserve the three red apples, blue bowl, cream background, composition and all other pixels as closely as possible.

3. Now change only the bowl from blue to dark green. Preserve ORCHARD FAIR, SATURDAY 10 AM, the three red apples and the layout.

1단계: 포스터 생성

Nano Banana 2.1: 문구와 사과 개수는 정확하며, 도형이 비교적 단순하고 제목은 한 줄입니다. 하지만 포스터를 바깥 여백과 그림자가 있는 종이 한 장처럼 표현했습니다. 테두리가 없어야 한다는 의도를 완전히 충족하지 못한 것입니다. 배경이 가장자리까지 이어져야 하는 소셜 그래픽이라면 자동으로 승인하기보다 수정해야 합니다.

Flare: 문구와 사과 3개가 정확하고, 빨간색 제목은 두 줄입니다. 크림색 배경은 사진처럼 보이는 종이가 아니라 캔버스 전체를 채웁니다. 이번 결과에서는 과일의 하이라이트와 도자기 표면 무늬가 Nano보다 더 세밀합니다. 어느 쪽이 나은지는 의도한 시각적 스타일에 따라 달라집니다.

Sunburst: 문구와 사과 개수가 정확하며, 짙은 파란색 제목은 두 줄이고 사과도 세밀하게 채색됐습니다. 사과 배치는 Flare와 다릅니다. 지시문에서 배치나 제목 색을 특정하지 않았으므로, 이 차이는 오류가 아니라 창의적인 선택입니다.

2단계: MARKET을 FAIR로 변경

세 모델 모두 요청한 단어를 바꾸고 SATURDAY 10 AM, 사과 3개, 파란 그릇을 유지했습니다. Nano는 제목을 한 줄로 유지했고, GPT 두 모델은 두 줄로 유지했습니다. 전체적인 레이아웃은 알아볼 수 있는 수준으로 남았습니다. 다만 결과 이미지는 다시 생성된 것이므로, 텍스트 바깥의 모든 픽셀이 보존됐다고 주장하지 않습니다. 승인된 브랜드 자산이라면 편집을 수락하기 전에 이전 파일과 과일, 그릇의 윤곽, 종이 질감, 글자 배치를 비교해 확인하세요.

3단계: 그릇만 짙은 녹색으로 변경

세 모델 모두 그릇을 초록색으로 바꾸고 필요한 문구와 사물 개수를 유지했습니다. 눈으로 확인했을 때 Nano의 단순한 일러스트는 비교적 일관성이 유지됐습니다. Flare 결과에서는 사과 표면의 얼룩무늬가 더 두드러지고, Sunburst도 과일의 회화적 질감을 바꿨습니다. 이는 요청한 그릇 외의 변경입니다. 포스터가 기본적인 문구와 색상 기준을 충족하더라도, 기존 사과 표현이 이미 승인된 상태였다면 이런 차이가 중요할 수 있습니다.

이 결과는 기준에 따라 두 가지 판정을 내릴 수 있음을 보여 줍니다. “문구가 정확하고, 사과 3개와 초록색 그릇이 있을 것”이 기준이라면 최종 이미지 세 장 모두 눈에 보이는 조건을 충족합니다. “그릇 외에는 아무것도 절대 바꾸지 말 것”이 기준이라면, 이번 테스트는 어느 모델도 그 조건을 충족한다고 입증하지 못합니다. 마스크는 제공하지 않았으며, 마스크를 이용한 편집은 별도의 테스트가 필요합니다. 이 결과만으로 로고 재현 정확도, 제품 포장 정확도, 인물 정체성 보존, 긴 문구 처리 성능을 입증할 수는 없습니다.

요청 처리 시간은 얼마나 걸렸나?

이 수치는 클라이언트가 관찰한 요청 처리 시간으로, 네트워크 및 서비스 처리 시간이 포함됩니다. 모델 추론에 걸린 시간만 따로 측정한 값도 아니고, 통제된 지연 시간 벤치마크 결과도 아닙니다. Nano는 먼저 실행했고 GPT 모델은 그보다 나중에 순차적으로 실행했습니다. 각 칸에는 관측값이 하나뿐입니다. 이 표로부터 안정적인 속도 비율, 처리량, 백분위 지연 시간을 추론하지 마세요. Sunburst는 첫 두 요청이 더 오래 걸렸지만 마지막 편집은 Flare와 비슷한 시간이 걸렸습니다.

요청 9건 모두 재시도 없이 HTTP 200 응답과 이미지를 반환했습니다. 이는 이번 실행에 대한 결과일 뿐, 신뢰성 추정치가 아닙니다. 실제 운영 환경의 처리량을 알고 싶다면 실제 동시성 조건에서 여러 번 테스트하고, 성공 응답뿐 아니라 타임아웃과 실패한 시도도 함께 집계하세요.

모델 이름이 아니라 사용량 항목별로 비용 비교하기

10월 13일 현재 Ofox 공개 카탈로그를 확인하고 GitHub 저장소의 카탈로그 구현을 통해 각 필드의 정의를 추적했습니다. 구현은 동적 데이터를 읽습니다. Git에는 영구적인 정적 요금표가 없고, 소스 커밋만으로 배포된 버전을 입증할 수도 없습니다. 재현 키트에는 날짜가 기록된 공개 스냅샷이 포함돼 있습니다. 아래 요금은 토큰 100만 개당 미국 달러이며, 이미지 한 장당 요금이 아닙니다.

두 GPT 모델 모두 스냅샷의 provider_price는 주 공급자인 OpenAI의 별도 견적을 나타냅니다. 이 가격의 텍스트 입력 및 이미지 출력 요금은 공개 요금보다 20% 낮지만, 이미지 입력 요금은 동일합니다. 이 견적만으로 제공업체가 고정되지 않은 이번 요청을 실제로 어느 제공업체가 처리했는지 입증할 수는 없으며, 새 요청의 사용량을 계정 청구 금액과 대조해 확인하지도 않았습니다. Nano의 provider_price는 null입니다. 이는 해당 항목에 견적이 없다는 뜻이지, 요금이 0이거나 할인이 확인됐다는 뜻이 아닙니다.

두 GPT 체인에서 보고된 토큰 수는 같았다

생성 응답에는 입력 합계 59가 보고됐고, 모두 텍스트 입력으로 분류됐습니다. 요청에는 이미지가 포함되지 않았습니다. 이미지 입력 필드가 없다는 이유만으로 이를 독립적으로 측정한 0으로 간주하지 않습니다. 추정액은 보고된 항목을 사용하고, 입력이 캐시되지 않았다고 가정하며, 그 밖의 요금은 제외합니다. 응답에서 캐시 내역을 제공하지 않았으므로 캐시 할인은 가정하지 않았습니다.

예를 들어 공개 요금 기준으로 제목을 편집한 비용은 (62 × $5 + 1,024 × $8 + 439 × $30) / 1,000,000 = $0.021672입니다. 제공업체 견적을 적용하면 텍스트와 출력 항목만 바뀝니다. (62 × $4 + 1,024 × $8 + 439 × $24) / 1,000,000 = $0.018976입니다. 이는 반환된 사용량을 바탕으로 한 계산이지, 실제로 확인한 청구 금액이나 인보이스가 아닙니다. 더 낮은 금액은 해당 견적이 실제 적용된다는 조건부 추정입니다.

이번 샘플에서는 Nano의 이미지 출력 항목이 더 높았다

Nano는 이미지 3장 각각에 대해 이미지 출력 토큰 1,120개를 반환했습니다. 토큰 100만 개당 $30 요금을 적용하면 해당 항목은 이미지 한 장당 $0.0336, 출력 3장을 합쳐 $0.1008입니다. 같은 공개 요금 기준에서 GPT의 이미지 출력 항목은 출력 한 장당 439 × $30 / 1,000,000 = $0.01317입니다. 토큰당 요금이 같더라도 출력 항목 추정액은 같지 않았습니다. 그렇다고 모든 GPT 이미지가 더 저렴하다는 뜻은 아닙니다. 화질, 크기, 편집 횟수, 승인 가능한 결과가 나오는 비율에 따라 결과가 달라질 수 있습니다.

Nano에서 보고된 입력 합계는 54, 1,167, 2,272였습니다. 대화 기록이 길어지면서 후속 요청에 더 많은 문맥이 포함된 것입니다. 첫 응답에는 TEXT 토큰 80개와 추론 토큰 639개가 추가로 보고됐습니다. 두 번째에는 추론 토큰 358개가 보고됐고, 세 번째에는 해당 항목이 보고되지 않았습니다. TEXT 토큰 80개는 저장된 응답에 눈에 보이는 텍스트 부분으로 나타나지 않았습니다. 어떤 항목이 보고되지 않았다고 해서 사용량이 0이었다는 뜻은 아닙니다.

첫 Nano 요청의 경우 이미지 항목에 입력 및 보고된 TEXT 토큰 비용을 더하면 $0.0336 + 54 × $1.50 / 1,000,000 + 80 × $7.50 / 1,000,000 = $0.034281입니다. 추론 토큰 639개에 토큰 100만 개당 $7.50이 별도로 청구된다고 가정하면 예시 합계는 $0.0390735입니다. 이 청구 가정은 인보이스와 대조해 확인하지 않았습니다. 따라서 Nano 3단계의 확정 총액이나 전체 청구액 기준 절감률을 제시하지 않습니다. Nano 요금 안내에서 이 계산의 범위를 설명합니다. GPT Image 2.5 요금 안내에는 별도의 과거 사례가 포함돼 있으므로, 해당 사례를 이번 실행의 청구 금액으로 오해하지 마세요.

선택에 영향을 줄 수 있는 워크플로 차이

기능 관련 자료는 Google Nano Banana 2.1 모델 문서, OpenAI 이미지 생성 가이드, 이미지 편집 레퍼런스입니다. 상위 제공업체의 문서는 특정 게이트웨이에서 매개변수가 지원되는지 확인하는 테스트를 대신하지 않습니다. OpenAI의 Flare 및 Sunburst 페이지에는 두 모델의 서로 다른 방향성이 설명돼 있습니다. 이번 소규모 포스터 테스트로 각 모델이 의도한 모든 강점을 검증할 수는 없습니다.

이번 작업에서는 평면적인 일러스트와 기존 Gemini 워크플로가 잘 맞는다면 Nano를 먼저 선택하되, 원치 않는 종이 프레임을 수정하세요. 세밀한 회화적 표현을 선호하고 medium 설정에서 관찰한 이미지 출력 항목 추정액을 확인해 보고 싶다면 Flare를 먼저 선택하세요. 더 정밀하거나 복잡한 편집이 필요한 작업이라면 Sunburst를 별도로 시험해 볼 수 있습니다. 다만 모델의 방향성은 더 어려운 작업을 시험해 볼 이유이지, 이번 포스터에서 우위가 입증됐다는 뜻은 아닙니다. 변경되지 않아야 할 부분을 정확히 보존해야 한다면, 이번 마스크 없는 편집 결과만으로는 검토나 일반적인 합성 작업이 불필요하다고 볼 수 없습니다.

워크플로를 바꾸기 전에 비교 재현하기

재현 키트에는 원본 PNG 9장, 요청 매개변수, 원시 응답, 처리 시간 기록, 공개 카탈로그 스냅샷, Python 스크립트가 포함돼 있습니다. 인증 정보는 포함돼 있지 않습니다. Nano 기록의 같은 날 원래 타임스탬프는 그대로 유지했으며, 새 요청인 것처럼 바꾸지 않았습니다.

키트를 압축 해제한 뒤 requests를 설치하고 OFOX_API_KEY에 본인의 Ofox 키를 입력하세요. 다음 스크립트를 실행하면 새로운 유료 요청이 발생합니다. 저장된 결과를 읽는 것만으로는 요청이 발생하지 않습니다. GPT 스크립트는 모든 요청이 성공할 경우 6건을 실행하며, 오류가 나면 해당 모델의 체인을 중단합니다. --chain 옵션을 사용한 Nano 스크립트는 요청 3건을 실행합니다.

python -m pip install requests
export OFOX_API_KEY="YOUR_OFOX_API_KEY"
python reproduce_gpt.py
python reproduce_nano.py --chain

GPT 생성 경로는 https://api.ofox.ai/v1/images/generations입니다. 편집은 이전 파일을 멀티파트 image로 전달해 /v1/images/edits를 사용합니다. Nano 경로는 https://api.ofox.ai/gemini/v1beta/models/google/gemini-nano-banana-2.1:generateContent입니다. Nano API 튜토리얼과 GPT Image API 튜토리얼에서 인증 정보와 응답 처리 방법을 더 자세히 설명합니다. ChatGPT 구독으로 Ofox API 요청에 인증할 수는 없습니다.

결과를 승인하기 전에 원본 파일을 실제 크기로 확인하세요. 모든 글자, 사물의 개수와 색, 잘림 여부, 변경되지 않았어야 할 영역을 점검해야 합니다. 시도한 모든 요청과 결과를 보관하세요. 응답 시간이 초과됐다면 비용이 드는 요청을 자동으로 다시 보내기 전에 요청 상태를 확인하세요. 타임아웃이 생성 실패를 입증하지는 않습니다. HTTP 요청은 성공했지만 이미지가 없다면 실제 응답을 살펴보세요. 파일을 임의로 만들어 내거나 사용량이 없다고 간주하지 마세요.

운영 환경에서 사용할 모델을 결정할 때는 모든 시도에 걸쳐 인보이스와 대조한 총비용을 집계하고, 그중 작성한 기준을 충족한 결과의 수와 비교하세요. 수정 작업, 청구된 실패 시도, 검토 시간도 포함해야 합니다. 유용한 선택은 필요한 에셋을 안정적으로 제공하는 워크플로입니다. 이 결과 9장은 결정을 내릴 때 재현 가능한 출발점이 될 수 있지만, 보편적인 최강 모델을 가려 주지는 않습니다.