Nano Banana 2.1 vs Nano Banana Pro：不動産写真の編集におけるブラインドテスト

結論から言うと

Nano Banana 2.1はNano Banana Proよりも大幅に低コストですが、今回の物件写真のテストではどちらのモデルもミスが皆無ではありませんでした。 Googleの定価では、2K解像度の出力画像はNano Banana 2.1がUS$0.0504、Nano Banana ProがUS$0.134で、62%安価です。入力写真とThinkingトークンを含めると、2026年10月10日のテスト実行における編集画像1枚あたりのコスト中央値はそれぞれUS$0.0572とUS$0.1392となり、約59%安価でした。

Googleは2026年10月6日にNano Banana 2.1（gemini-nano-banana-2.1）をリリースし、Nano Banana Pro（gemini-3-pro-image）に対する「より効率的な対応モデル」と呼んでいます。本記事では、「2.1」はNano Banana 2.1を、「Pro」はNano Banana Proを指します。今回のNano Banana 2.1のレビューでは、両モデルにライセンス取得済みの物件写真を使用した同じ9件の編集を2K解像度で指示しました。チーム内の審査員1名が、モデルや順序を伏せたブラインドテストで、両モデルとも画像を返した7組のペアを比較しました。この小規模なテストにおいて、審査員は7組中5組でNano Banana 2.1を支持し（1組では明確に支持）、1組ではProをわずかに支持し、1組を同等と評価しました。審査員1名かつ各写真につきモデルあたり1枚の画像のみであるため、これはスコアではなく、ファーストルックとしての評価です。

Geminiアプリ、Google AIプラン、クライアントのプライバシーについては、Nano Banana 2.1 不動産ガイドをご覧ください。

Nano Banana 2.1とProの概要：スペックと価格

2026年10月12日に確認したGoogleのドキュメントには、以下の違いが記載されています。

情報元：Googleの料金ページ（2026年10月9日更新）、画像生成ガイド、Nano Banana 2.1 モデルページ。

Nano Banana 2.1 vs Nano Banana 2

Googleは2.1をNano Banana 2（gemini-3.1-flash-image）のアップデートと位置づけており、Nano Banana 2はシャットダウン日未定のまま2026年10月6日に非推奨となりました。2K画像は2.1でUS$0.0504、Nano Banana 2でUS$0.101ですが、入力およびThinkingトークンは2.1のほうが高価です。弊社の不動産ガイドでは、ここで使用した写真のうち2枚を使い、1K解像度で両モデルを比較しています。

テストの実施方法

テストは2026年10月10日の19:05から19:13（UTC）の間に、Gemini APIを通じて、同時に2リクエストを実行する形で実施しました。9枚の写真に対して合計18件のリクエスト（オブジェクト削除4件、空室のステージング3件、キッチンの片付け1件、HDR風の補正1件）を両モデルに送信しました。Nano Banana 2.1は8枚の画像を返し、Proは7枚を返しました。

• 写真： ライセンス取得済みのPexels写真9枚（住宅8枚、ホテル客室1枚）。Pexelsライセンスは改変を許可しています。これらはクライアントの写真ではなく、人物は写っていません。ストックフォトはプロによって撮影されることが多いため、スマートフォンの写真よりも仕上がりが良く見える場合があります（撮影チェックリストを参照）。
• 入力チェック： 各写真のPexelsページでカメラ情報（EXIF）を確認し、ダウンロードしたファイルにはC2PAやAI生成のメタデータが含まれていないことを確認しました。
• 設定： 2K出力、すべて写真の比率である3:2、各モデルのデフォルトThinking設定、TemperatureやSeed値の指定なし、1リクエストにつき画像1枚、再試行なし。
• プロンプト： 実行前に作成し、両モデルに変更なく送信しました（後述）。削除タスクでは、写真のコピー上でオブジェクトの周囲に赤い輪郭線を描きました。
• 審査： チーム内の審査員1名が、モデルや順序を伏せた状態で、テスト実行後の2026年10月に7組のペアを比較しました。審査員には、ファイル名やメタデータを排除し、長辺最大1,280ピクセルでランダムな順序の「A」と「B」として、元画像、削除用のマーク付きコピー、2つの生成結果が提示されました。各ペアには事前に用意された質問（例：どちらの結果がマークされたオブジェクトをより良く削除し、それ以外の部分をより良く維持できているか）が添えられました。プロンプトに基づき、維持すべき要素のリストも示されました。審査員は、「Aが明らかに優れている」「Aがわずかに優れている」「同等」「Bがわずかに優れている」「Bが明らかに優れている」の5つの回答から1つを選択しました。また、気づいた問題点（部屋の構造の変化、マークされていないオブジェクトの削除や変更、赤色のマークの残留、構図の変化、不自然な光やスケール、ドアや窓の遮断、その他）にチェックを入れることもできました。
• 投票の限界： 確実な結論を出すには審査員1名では不十分であり、2名以上の独立した審査員による評価のほうが信頼性は高くなります。
• 客観的チェック： 輪郭線帯の内側にある赤色ピクセルのカウント、および各出力結果を元画像と位置合わせするフレーミング（構図）チェックを実施しました。
• 目視レビュー： すべてのペアをフルサイズで並べて比較するレビューも実施しました。このレビューはブラインドテストではありません。
• コスト： 使用量データにGoogleの定価を掛け合わせたものです。これは見積もりであり、実際の請求書ではありません。
• 独立性： Googleはこのテストのスポンサーではなく、内容の確認も行っていません。

使用した正確なプロンプト：

REMOVAL (4 photos):
Using the provided photo, remove only the object outlined in red,
and remove the red outline as well. Fill the area with what would
naturally be behind the object, matching the surrounding surfaces
and light. Keep everything else in the image exactly the same,
preserving the original style, lighting, and composition.

STAGING (3 rooms; {room}, {style} and {items} listed below):
Using the provided photo of an empty room, furnish it as a {room}
in a {style} style: {items}. Arrange the furniture so that every
door and window stays clear. Keep the walls, windows, doors, floor,
ceiling, light fixtures and camera framing exactly the same; only
add furniture and decor.
- living room, warm modern: a sofa, a coffee table, an armchair,
  a rug, a floor lamp and two plants
- bedroom, calm Scandinavian: a double bed with bedding, two
  nightstands with lamps, a rug and a plant
- dining room, modern: a dining table with six chairs, a sideboard,
  a rug and a vase of flowers

DECLUTTER (1 kitchen):
Using the provided photo, remove the loose clutter: items lying on
the floor, on tables and on counters, plus any loose cables and
bags. Keep all furniture, appliances, built-ins, artwork, curtains,
walls, windows, doors and lighting exactly as they are, preserving
the original style, lighting, and composition.

HDR (1 hotel room):
Using the provided photo, edit it like a professional real estate
HDR photo: brighten the dark areas, bring back detail in the bright
windows, make the white balance neutral and keep vertical lines
straight. Do not add, remove or move anything, and keep the framing
exactly the same.

今回のサンプル数は小規模です（写真9枚、1リクエストにつき画像1枚、1回のテスト実行、審査員1名）。これは、これらの写真でどのようなことが起こり得るかを示すものであり、その発生頻度を示すものではありません。

タスク別の結果

各「投票」の行は審査員の回答を示しています。それ以外の所見は弊社自身の目視レビューによるものです。

Nano Banana 2.1とProによるオブジェクト削除

両モデルとも、画像が返された3件のマークされたオブジェクトをすべて削除しました。4枚目の写真（キッチンのカウンターにあるケトル）については、両モデルとも画像を返しませんでした（「処理速度と信頼性」を参照）。

• リビングルームのテーブルランプ： 両モデルともランプ、コード、レースの敷物を削除し、ソファの反対側にある対のランプは維持しました。Proはランプの光と本体の影を壁に残しました。Nano Banana 2.1は光も除去したためソファの端が暗くなり、ランプがあった場所に黒ずんだ汚れを残しました。投票：審査員はNano Banana 2.1を明確に支持しました。Proに対してチェックされた問題点：「不自然な光やスケール」、「その他」。
• バスルームの2つの洗面台の間にある蘭： 両モデルとも植物と鉢を削除し、両方の鏡枠の下端を再構築してカウンターを埋めました。蛇口、タオルリング、コンセント、芳香剤は維持されました。投票：審査員はNano Banana 2.1をわずかに支持しました。チェックされた問題点はありません。
• ベッドルームのサイドチェア： 両モデルとも椅子を削除し、フリンジ付きのラグの角、幅木、その背後の壁を再構築しました。投票：審査員は両者を同等と評価しました。チェックされた問題点はありません。

何を削除し、何を残すべきかについては、オブジェクトや散らかった物の削除ガイドで解説しています。

空室のステージング

プロンプトでは、すべてのドアや窓を塞がず、照明器具をそのまま維持するよう両モデルに指示しました。

• リビングルーム： どちらのモデルも2つの室内ドアを塞ぎませんでした。Proは既存のシャンデリアを点灯させ、新しく配置したアームチェアがバルコニードアの下の角の前に重なりました。Nano Banana 2.1はシャンデリアを消灯したままにし、バルコニードアも塞ぎませんでした。投票：審査員はNano Banana 2.1をわずかに支持しました。チェックされた問題点はありません。
• 幅の狭いベッドルーム： Proはクローゼットのドアの前に背の高い鉢植えを置き、窓の下にナイトスタンドを配置したため、そのランプが窓ガラスの下部にかかりました。Nano Banana 2.1は窓をクリアに保ちましたが、奥のナイトスタンドが開いた部屋のドアのすぐ隣に配置され、ベッドがその出入り口の敷居を隠してしまいました。カメラ位置から見ると、両モデルのベッドともクローゼットのドアの足元を隠しています。投票：審査員はNano Banana 2.1をわずかに支持しました。チェックされた問題点はありません。
• ダイニングルーム： 両モデルとも窓の下にサイドボードを配置しました。Nano Banana 2.1はその上に植物と本を置き、Proはグリーンの入った小さな花瓶を置きました。どちらの画像でも、この装飾が窓ガラスの下部にかかっています。カメラ位置から見ると、両モデルのテーブル上の花も奥の窓の一部を覆っています。出入り口はどちらも塞ぎませんでした。投票：審査員はNano Banana Proをわずかに支持しました。チェックされた問題点はありません。

家具リストによって結果がどう変わるかはNano Banana 2.1 不動産ガイドでテストしており、一連のワークフロー全体は空室のバーチャルステージング手順ガイドで網羅しています。

キッチンの片付け

両モデルとも、テーブルの上、椅子に掛けられたバッグ、床の上の物を片付け、家電製品、オープンシェルフ、食器棚を維持しました。Proはカウンターの片付けをより徹底して行い、2.1が残したスプレーボトル、食器用洗剤のボトル、グラス、白い桶、ボウルを削除しました。Nano Banana 2.1は椅子にかかっていたストライプのタオルを削除し、タオルで覆われていた背もたれを描き足しました。Proはタオルを残しました。投票：審査員はNano Banana 2.1をわずかに支持しました。チェックされた問題点はありません。

完全な片付けルーティンについては、弊社の写真クリーンアップワークフローをご覧ください。

HDR風の露出補正

この暗いホテルの客室写真に対し、Proは画像を返さなかったため、投票対象のペアが成立しませんでした。Nano Banana 2.1は壁、天井、デスクを明るくし、カーテンの青みを抑え、家具、窓、外の景色はそのまま維持されました。ホテルの写真更新については、リノベーション後のホテル写真撮影ガイドをご覧ください。

間取り図

同じテスト実行において、密度の高い間取り図で両モデルとも寸法のエラーを起こし、両モデルとも小数点をカンマとして記載しました。別の図面の3D表示では、図面で窓となっている場所に両モデルともドアを描画しました。図面に特化したツールについては、間取り図API比較で取り上げています。

両モデルに共通する欠点：編集のたびに画像全体が再描画される

Googleの画像ガイドでは、インペインティング（セマンティックマスキング）について「画像内の特定の領域を編集しながら、他の部分には手を加えない」方法であると説明されています。今回の削除プロンプトは、他のすべてをまったく同じ状態に保つことを求めるGoogleの編集テンプレートの最後の一文で締めくくられていました。それにもかかわらず、すべての編集結果は新規に生成された画像として返され、そのうちのいくつかでは、編集箇所から遠く離れた詳細部分が変化していました。

Nano Banana 2.1のモデルカードには、既知の制限事項として「マスク/落書きベースの編集における指示への部分的な従属、およびインクの残留」が挙げられています。AIモデルプロバイダーであるAtlas Cloudも同様の挙動について触れており、モデルは「編集のたびにフレーム全体を再生成する」と述べています。

今回のテスト実行において、指示していないにもかかわらず変化した点：

• ラベルや小さな文字： キッチンにおいて、両モデルとも保存瓶の印刷および手書きのラベルを架空の文字に書き換えました。また、小さくぶら下がった計量カップの目盛り線も、両モデルとも架空の手書き文字に変えてしまいました。
• 壁の絵： 削除対象となった椅子やランプから遠く離れているにもかかわらず、両モデルともベッドルームの額装プリントとソファの上の小さな絵画を再描画しました。プリントの変化は2.1の画像のほうが顕著でした。
• 照明器具： プロンプトで照明器具を完全に同じ状態に保つよう指示したにもかかわらず、Proはリビングルームのシャンデリアを点灯させました。

• 不要な削除： Nano Banana 2.1は、プロンプトで片付ける物としてリストされていなかった椅子にかかったタオルを取り除いてしまいました。
• 変わっていないように見える領域： フルサイズで確認すると、ダイニングルームの窓の外の木々やバスルームの鏡の反射は、コピーされたのではなく再描画されていました。

確認されなかった点：モデルカードで警告されている「インクの残留」（輪郭線の赤色インクが残ること）は見られず、0.02度を超えて回転した画像もありませんでした。各画像は左右それぞれで幅の約0.3%が失われていましたが、これは2,528×1,696ピクセルという、わずかに幅の狭い出力形状と一致します。目視レビューにおいて、壁、窓、ドアが追加されたり削除されたりしたケースはありませんでした。

編集した画像を使用する前のチェック手順：

1. 維持すべきものを指定する： 編集箇所の近くも遠くも含めて指定し、照明が点灯しているか消灯しているかも明記します。ただし、詳細を指定しても常に保護されるとは限りません。今回のステージングのプロンプトでは照明器具を指定していましたが、Proはシャンデリアを点灯させてしまいました。弊社の不動産ガイドでは、Nano Banana 2.1を使用して家具付きの2部屋でこれをテストしましたが、残すものを指定したプロンプトが短いプロンプトよりも良い結果をもたらすわけではありませんでした。
2. 1リクエストにつき変更は1つにする： 編集作業を増やすごとに、細部が意図せず変更されるリスクが高まります。
3. フルサイズで比較する： 編集した領域、光源、編集箇所の隣にあるオブジェクト、ラベルや小さな文字、そして写真の端を確認します。
4. 元画像を保持し、編集内容を表示する： ご利用の市場で義務付けられている場合は表示を行ってください。MLSの写真要件ガイドおよびAB 723ガイドをご覧ください。

商品やカタログの写真でも、ロゴから小さな部品に至るまで同様の変化が起こり得ます。家具ECカタログ向けAI背景生成ガイドでそのワークフローを取り上げています。

画像1枚あたりおよび実用可能な画像1枚あたりのコスト

定価で計算されるのは出力画像のみです。実際の編集では、入力写真やThinkingトークン、テキストトークンにも費用が発生します。Googleの定価に基づくと、今回の2K編集のコストは以下のようになりました。

• Nano Banana 2.1： 8枚の画像全体での中央値は1枚あたりUS$0.0572（US$0.0555〜US$0.0666）で、定価のUS$0.0504を13%上回りました。中央値の内訳は、画像がUS$0.0504、入力写真とプロンプトが約US$0.0018、Thinkingおよびテキストが約US$0.0050でした。
• Nano Banana Pro： 7枚の画像全体での中央値は1枚あたりUS$0.1392（US$0.1387〜US$0.1398）で、定価のUS$0.134を4%上回りました。Googleの料金ページではProの入力画像1枚あたり560トークンと設定されていますが、使用量データでは258トークンと報告されていました。560トークンの場合、Proの中央値はUS$0.1398になります。
• 価格差： 画像1枚あたり約US$0.08の差があり、2.1は約59%低コストでした。この中央値に基づくと、再試行を除いた100件の編集コストは2.1で約US$5.72、ProでUS$13.92となります。

Thinking機能があるため、2.1のコストはタスクによって変動します。3件の削除タスクでは142〜168のThinkingトークンが消費されたのに対し、ステージングと片付けでは291〜1,421トークンが消費されました。Thinkingトークンは1,000トークンごとにUS$0.0075が加算されます。Proが消費したThinkingトークンは画像1枚あたり164〜237でした。これらのカウントは画像を返したリクエストのみを対象としています。

両モデルのコスト列には、画像が返されなかったリクエストの費用も含まれています。実用可能な画像1枚あたりのコストは、タスクに費やされた総費用を実際に使用できた画像数で割ったものです。審査員が問題点にチェックを入れず、弊社のフルサイズ目視レビューでもそれらの問題が見つからなかった画像を「実用可能」と判定しています。この基準に基づくと、投票された7組（計14枚）のうち実用可能だったのは5枚でした。両モデルの蘭の削除とダイニングルーム、そして2.1のリビングルームです。残りの9枚には、光や汚れの残留、プリントの再描画、シャンデリアの点灯、ドアやクローゼットの遮断、瓶のラベルの書き換えなど、上述した何らかの問題がありました。ダイニングルームの花のように窓の一部に装飾が重なる程度は遮断とはみなしていませんが、ドアやクローゼットの前に家具や植物が置かれた場合は遮断とみなしました。バスルームの鏡の反射やコンセントの小さなラベルのように、拡大しない限り同じに見える再描画された細部については、変更とはみなしませんでした。判断基準は用途によって異なる場合があります。物件写真では瓶のラベルの書き換えは問題にならないかもしれませんが、商品写真では問題となります。

Nano Banana 2.1のAPIコストと完成されたステージングサービスを比較するには、バーチャルステージングAPI料金ガイドおよびバーチャルステージングAPIの価格別ランキングをご覧ください。

処理速度と信頼性

処理速度。 弊社側で、同時に2リクエストを実行した状態で、写真を送信してから画像を受信するまでの時間を計測しました。

• 今回の比較では、中央値は2.1が19.4秒（8枚、17.4〜24.9秒）、Proが22.2秒（7枚、21.1〜24.3秒）でした。7組中4組で、2.1のリクエストのほうが短い時間で完了しました。
• 他の記事向けのテストも含めた同テスト実行全体のすべての2K画像において、中央値は2.1が22.4秒（21枚）、Proが21.8秒（11枚）でした。

どちらかのモデルが明確に高速であるとは言えず、タスクの組み合わせによって順位が入れ替わりました。モデルカードでは2.1について「散発的な速度低下やタイムアウトの問題」が警告されているため、ご自身のワークロードで計測することをおすすめします。

画像が生成されなかったリクエスト。 他の記事のテストも含め、テスト実行全体で39件のリクエストを送信し、36件で画像が返されました。返されなかった3件はすべて今回の比較テスト内のものでした。

GoogleのAPIリファレンスでは、IMAGE_RECITATIONを「Image generation stopped due to recitation.」（引用のため画像生成が停止しました）と定義しています。これ以上の説明は記載されておらず、推測は控えます。いずれの結果も画像やテキストを含まない通常のHTTP 200レスポンスとして返されましたが、使用量データには入力およびThinkingトークンが記録されていました。Googleの請求に関するFAQには、400または500番台のエラーで失敗したリクエストには課金されない旨のみが記載されているため、弊社の見積もりではこれらのトークンを計算に含めています。テスト実行前に定めたルールに従い、再試行は行いませんでした。

APIワークフローへのアドバイス：HTTPステータスだけでなく終了理由（Finish reason）も確認し、画像が生成されなかったすべてのリクエストの使用量をログに記録してください。再試行するか、プロンプトを変更するか、別のモデルに切り替えるかを事前に決めておきましょう。再試行やクレジットの予算管理についてはバーチャルステージングAPI導入チュートリアルで、失敗したジョブの処理方法についてはバーチャルステージングAPIの比較で解説しています。

なお、2026年10月7日にGoogleのデベロッパーフォーラムにおいて、2.1で画像が返されずにMAX_TOKENSとなる現象が開発者から報告されていましたが、今回のテストでは発生しませんでした（確認時点でスレッドへの返信はありませんでした）。

Proが依然として優位な点とリーダーボードの評価

Proは仕様面において確固たる優位性を維持しています。GoogleはProを「最も複雑な視覚タスク向けのプレミアムな選択肢であり、最高レベルの世界知識、高度なローカライゼーション、正確なブランドの一貫性、精密なクリエイティブコントロールを提供する」と位置づけています。また、スタイルの参照画像や5枚目のキャラクター画像も受け付けます。

2名のレビュアーが、Proのほうが優れていた点を挙げています。The Decoderは2026年10月6日に、「実際には、Nano Banana Proのほうが依然として著しく優れた画像を生成することが多い」と記しました。同メディアの比較テストにおいて、Proの画像は「特に色合いとプロポーションにおいて、よりリアルで自然」に見えたとしています。クリエイティブAIツールのベンダーであるFuserは、各タスクにつき両モデルを1回ずつ実行しました。Fuserの5つのタスクのうち、Nano Banana 2.1が2つで勝利し2つで引き分け、照明の指示に従った唯一のモデルでした。Proは参照した顔との一致度が最も高く、5つ目のタスクで勝利しました。今回の弊社のテストには顔写真や照明の指示は含まれていなかったため、いずれの結果も検証できていません。弊社のブラインドテストでは、審査員は7組中1組（ステージングされたダイニングルーム）でProをわずかに支持しました。

Google自身の評価や公開リーダーボードでは、2.1がProを上回る順位につけています。総合リーダーボードは一般的なプロンプトを使用しており物件写真に特化したものではなく、日々順位が変動します。2026年10月12日時点で確認された順位は以下の通りです。

建築や不動産を対象としているのはArtificial Analysisのカテゴリのみですが、同リーダーボードのページには使用された画像についての記載がありません。公開されている両方の編集リーダーボードではOpenAIのGPT Image 2.5モデルが首位に立っています。OpenAIの画像モデルがステージングにどのように適しているかについては、GPT-6 Astraに関する記事で解説しています。

どちらのモデルを使うべきか？ 判断チェックリスト

• コスト重視の場合： 大量に処理する場合は2.1から始め、24時間以内の納期で問題ない場合は一括処理を活用してください。
• オブジェクト削除： 両モデルとも、画像が返されたすべてのマークされたオブジェクトを削除しました。オブジェクトがあった場所の光と影、およびその周囲のオブジェクトを確認してください。
• ステージング： 今回の3部屋のテストでは、どちらのモデルも配置のミスが皆無ではありませんでした。家具リストはご自身で作成し、すべてのドア、クローゼット、窓、照明器具をチェックしてください。
• 参照画像とフォーマット： スタイルの参照画像や5枚のキャラクター画像を使用する場合はProを、10枚のオブジェクト画像、動画やPDFの入力、あるいは1:4、4:1、1:8、8:1のフォーマットを扱う場合は2.1を使用してください。
• APIパイプライン： 終了理由（Finish reason）を確認し、再試行の予算を確保し、フォールバックとして2つ目のモデルを用意しておきましょう。
• 古いモデルコード： Googleの非推奨一覧表では、gemini-3-pro-image-previewはすでに停止済み（シャットダウン日：2026年6月25日）とされており、Nano Banana 2は非推奨となっています。代わりにgemini-3-pro-imageまたはgemini-nano-banana-2.1を呼び出してください。
• ご自身の写真でのテスト： 本格導入する前に、ご自身の写真5〜10枚を両モデルで処理し、実用可能な結果の数を確認してください。

開示事項：本テストを公開しているRoomagenは、GoogleのGemini画像モデルをベースにした写真編集ツールを開発しています。プロンプト入力ではなく定型のステップで作業したい場合、弊社の写真からAIで不要な物・オブジェクトを削除、バーチャルステージング、バーチャル片付けサービス、HDR フォトエディターの各ツールは、モデルを使いやすいワークフローに組み込んでおり、確認すべきチェックポイントも同様に適用されます。

まとめ

Nano Banana 2.1はより低コストな選択肢です。今回のテストでは、同等の処理速度でありながら、2K画像1枚あたりのコストがNano Banana Proより約59%安価でした。この小規模なテストにおいて、審査員1名による評価でも7組中5組で2.1が支持され（特にオブジェクト削除で顕著）、Proが支持されたのは1組でした。一方でProは、スタイルの参照画像や5枚目のキャラクター画像に対応し、Googleが言うところの「最高レベルの世界知識」を備えており、あるレビュアー（The Decoder）は、その画像のほうが依然としてリアルであると評価しています。

どちらのモデルも画像全体を再描画するため、プロンプトで言及したかどうかにかかわらず、瓶のラベルから照明器具に至るまで細部が変化する可能性があります。どちらのモデルを選択する場合でも、公開前にすべての編集結果を元画像とフルサイズで比較確認してください。

価格、モデルのステータス、終了理由の定義、リーダーボードの順位は、2026年10月12日に以下の情報源と照合して確認したものです。テスト結果は、「テストの実施方法」に記載されている通り、2026年10月10日にライセンス取得済み写真9枚と審査員1名によって実施された1回のテスト実行に基づくものです。