Teste às cegas não acha vencedor universal entre modelos de imagem de 2026

A tese: não existe vencedor universal

A Everypixel realizou em 2026 testes às cegas com profissionais de produção para comparar modelos de imagem de IA, e a conclusão central é que, no topo da faixa de qualidade, os modelos ficaram bons o suficiente para que a escolha dependa do caso de uso - precisão, velocidade, edição ou interpretação criativa - e não de um ranking universal.

No benchmark principal, conduzido entre 21 e 25 de agosto de 2026, 13 profissionais de produção fizeram 863 julgamentos aos pares em 48 cenas comerciais, comparando GPT Image 2, Qwen Image 2, FLUX.2 Klein 9B e fotografias reais. A ordem final pelo modelo Bradley–Terry foi: FLUX.2 Klein 9B < Qwen Image 2 < fotografia real < GPT Image 2. Porém, na comparação direta entre GPT Image 2 e fotografia, a fotografia recebeu 51,7% das preferências de plausibilidade fotográfica (intervalo de confiança de 95% incluindo 50%), de modo que o experimento não estabeleceu diferença estatisticamente clara. A concordância entre avaliadores também foi baixa, e a Everypixel classifica o resultado como direcional, não definitivo.

Pontos fortes por modelo

• GPT Image 2: melhor evidência para geração comercial de alta precisão. Em estudo de produção de maio de 2026, obteve média 9,8/10 em aderência ao prompt, com nove de 13 categorias consideradas prontas para produção sem pós-processamento. Pontos fortes incluem fotografia de produto, arquitetura, imagens com texto e retratos. Limitações: gera em 40–90 segundos por saída e enfraquece em cenas com multidões - uma cena de mercado em Tóquio ficou em 6,9/10.
• Qwen Image 2: indicado para edição controlada de imagens existentes, com arquitetura unificada de geração e edição, geração nativa em 2048×2048 e bom desempenho com texto e formatos bilíngues. Em cenas densas, relações espaciais podem se perder.
• Nano Banana 2 e Nano Banana Pro: o primeiro é mais rápido e custou cerca de metade dos créditos na comparação, ideal para iteração rápida e variantes de campanha; o segundo preserva melhor microdetalhes de pele, cabelo e materiais, sendo recomendado quando o visual já está aprovado e precisa sobreviver a edições seguintes ou virar base para imagem-para-vídeo.
• Grok Imagine: destaca-se em interpretação criativa. Em um teste de ilustração infantil, um resultado recebeu 9,8/10 por valor prático e 10/10 por apelo estético. Em outro teste, adicionou personagens não solicitados - falha de aderência, mas considerada coerente pela avaliadores. Esse mesmo traço o torna inadequado para layouts exatos.
• FLUX.2: recomendado como fluxo de duas etapas - Klein para exploração rápida, Pro para acabamento detalhado em materiais, luz e tipografia.

Tensões e limites da avaliação

O artigo identifica três tensões recorrentes no julgamento humano: precisão versus atratividade; perfeição local versus coerência de imagem inteira (um único defeito visível pode dominar a percepção); e qualidade de imagem isolada versus confiabilidade em produção.

A própria avaliação humana mostrou-se instável: em um estudo separado sobre upscaling, três revisores concordaram por unanimidade em apenas 48% das comparações, e o melhor painel de IA como juiz errou 18% das vezes mesmo quando os humanos concordavam.

A metodologia do benchmark principal também passou por auditoria: os prompts derivados das fotografias de referência deram aos modelos alvos textuais muito limpos, a interface preselecionava "empate", e as fotos foram exibidas em dimensões semelhantes às dos outputs - problemas concentrados no topo da escala, enquanto os três níveis inferiores preservaram a ordem esperada.

Conclusão

Os problemas remanescentes incluem multidões, relações espaciais precisas, layout gráfico não determinístico e continuidade entre múltiplas imagens. Um novo modo de falha também emerge: imagens tecnicamente impecáveis que ainda "parecem geradas" - deslocando o gargalo para direção criativa.

A conclusão prática é que fluxos de produção profissionais usam cada vez mais vários modelos por estágio - exploração rápida, refinamento controlado, acabamento detalhado. A pergunta útil não é mais se um modelo pode gerar uma boa imagem (a resposta é geralmente sim), mas que tipo de boa imagem se precisa e que tipo de falha o fluxo de trabalho pode tolerar.