Benchmark de geração de imagem por IA: Elo e testes (2026)

Benchmark de geração de imagem por IA se divide em dois tipos: arena de preferência humana, em que pessoas comparam pares de imagens sem saber qual modelo gerou cada uma, e benchmark técnico, que mede alinhamento entre o pedido e o resultado por métrica automática. Para decisão de marketing, a arena vale mais — imagem é julgada por gente, não por detector de objeto. Na leitura de 17 de agosto de 2026, o GPT Image 2 lidera em texto para imagem com Elo 1370. Mas o número que muda a decisão é outro: o Nano Banana 2 fica em 3º com 1321 e custa três vezes menos — US$ 67 contra US$ 211 por mil imagens.

⚠️ Como ler Elo sem errar

Três cuidados que quase nenhum comparativo menciona, e que mudam a leitura da tabela acima:

• Intervalo de confiança existe. Reve 2.1 marca 1323 ± 9 e Nano Banana 2 marca 1321 ± 8 — as faixas se sobrepõem, então é empate estatístico. Dizer que um é melhor que o outro não se sustenta.
• Volume de votos importa. O Midjourney v7 Alpha tem 2.934 votos, contra mais de 14 mil dos líderes. Amostra pequena produz posição instável.
• Elo muda todo dia. Qualquer tabela publicada é um retrato datado. Esta é de 17/08/2026.

O custo muda a resposta

Cruzando qualidade e preço, o quadro fica mais claro do que olhando só o ranking:

O caso mais curioso é interno ao Google: o Nano Banana 2 tem Elo maior e preço menor que o Nano Banana Pro. Se você assumiu que “Pro” significa melhor, vale reconferir — a numeração comercial da família não segue a hierarquia dos modelos-base, como detalho no artigo do Nano Banana.

Edição de imagem é outro ranking — e ninguém domina

Editar imagem existente é tarefa diferente de gerar do zero, e tem leaderboard próprio. Aqui o quadro é de empate generalizado: os sete primeiros couberam em 19 pontos de Elo.

Duas observações práticas: o GPT Image 2 perde a liderança isolada que tem em geração, e o Midjourney simplesmente não aparece nesse ranking. Já o FLUX.2 [max] custa US$ 140 por mil em edição contra US$ 70 em geração — o dobro pela mesma família de modelo, detalhe que estoura orçamento de quem planeja fluxo de retoque.

Os benchmarks técnicos e o que cada um mede

⚠️ Duas armadilhas ao citar esses testes. A primeira: não misture HPSv2 com HPSv2.1 na mesma tabela — os scores não são comparáveis. A segunda: não existe leaderboard atualizado desses benchmarks para os modelos de 2026. Eles são úteis para entender o que se mede, não para ranquear o que está no mercado hoje.

Texto dentro da imagem: o ponto fraco que persiste

Aqui há um número verificado e ele é desconfortável. O OCRGenBench avalia justamente a capacidade de renderizar texto legível dentro da imagem gerada, com métrica que combina acurácia do texto, qualidade estética e aderência ao pedido, sobre 1.060 amostras anotadas por pessoas, em teste bilíngue.

O resultado, na formulação do próprio estudo: entre 19 modelos de ponta avaliados, a maioria fica abaixo de 60 em 100. Para quem produz peça com chamada, preço ou nome de marca embutido na imagem, isso significa que revisão humana continua obrigatória — independente do modelo escolhido.

O que não tem benchmark confiável

Sendo direto sobre os limites, porque isso vale mais que preencher a lacuna com número duvidoso:

• Geração de SVG — existe um “SVGBench” com scores altos (Claude Opus 4.6 em 75,6%), mas ele mede modelo de linguagem escrevendo código SVG, não gerador de imagem produzindo vetor. Colocá-lo ao lado de Elo de Nano Banana seria erro de categoria.
• 3D — GSO e Objaverse são conjuntos de dados, não rankings. Cada artigo usa protocolo próprio, e os números não são comparáveis entre publicações.
• Consistência de personagem — o benchmark de referência, o DreamBench++, avalia sete modelos usando um modelo multimodal como juiz, mas não divulga quais modelos compõem o conjunto, o que impede saber se as APIs atuais estão representadas.

Se qualquer um desses é requisito do seu projeto, teste você mesmo: dez prompts representativos, mesmo pedido em três modelos, avaliação cega por duas pessoas do time. É mais confiável que qualquer tabela publicada hoje.

Casos de uso mais comuns

• Peça de campanha em volume — Nano Banana 2 ou MAI-Image-2.5 pelo custo; a diferença de Elo frente ao líder é pequena e o desconto é grande.
• Imagem hero e material impresso — GPT Image 2 se o orçamento permitir, ou Nano Banana Pro pela resolução em 4K.
• Retoque e variação de peça existente — o ranking de edição, onde o empate técnico dá liberdade para escolher por preço e integração.
• Direção de arte autoral — Midjourney continua relevante pela estética, mesmo com Elo baixo e sem API pública.
• Conteúdo que exige rastreabilidade — priorize marca d’água no pixel, como o SynthID; detalhado no panorama de modelos.

Fontes

• Image Arena — texto para imagem — Artificial Analysis
• Image Arena — edição — Artificial Analysis
• GenEval · ELLA (origem do DPG-Bench)
• T2I-CompBench++ · HPSv2
• OCRGenBench — texto dentro da imagem gerada

Leia também

• Modelos de IA em 2026 — panorama com preços e versões
• Nano Banana · GPT Image · Seedream — os modelos desta comparação
• Benchmark de vídeo · de multimodal
• Benchmark de IA — a definição no glossário