Wähle deine AI-Engine

Flat-to-Model verwandelt Produktfotos von Flatlays in fotorealistische On-Model-Bilder, und die KI-Engine, die das Rendering übernimmt, prägt das Ergebnis. Manche Engines wirken clean und editorial, andere dramatisch und kreativ. Du kannst die Engine wählen, deren Ästhetik zu deiner Marke passt, oder auf Auto bleiben und On-Model die Wahl überlassen.

Der Selektor Generation model sitzt im Review-Schritt von Flat-to-Model, neben den Kontrollen für Pose, Hintergrund und Seitenverhältnis. Dieselbe Auswahl steht in der API als optionales model-Feld im options-Objekt zur Verfügung.

Die Engines

• Auto (Standard): wählt das beste Modell für deine Bilder und Anweisungen.
• Nano Banana 2: schnelles, ausgewogenes Arbeitspferd mit sauberer, fotorealistischer Hautwiedergabe und starker Texturtreue.
• Nano Banana Pro: detailreichere Option mit der stärksten Texturwiedergabe; langsamer als Nano Banana 2.
• Seedream 4.5: dramatischere Beleuchtung und eine kreativere Interpretation des Stylings.
• Seedream 5.0 Pro: die neueste Engine von ByteDance, mit besseren Werten als 4.5 auf beiden öffentlichen Leaderboards.
• GPT Image 2: eigener Rendering-Stil mit einem etwas wärmeren Gesamtton.

Alle Engines akzeptieren Anfragen in 1K, 2K und 4K, aber was ankommt, unterscheidet sich, und es lohnt sich zu wissen, wo. GPT Image 2 begrenzt die Gesamtausgabe auf etwa 8,3 Megapixel: Ein breites 16:9-Bild erreicht damit echtes 4K, ein 3:4-Hochformat endet eher bei 2450 × 3260. Seedream 5.0 Pro liegt noch niedriger, bei etwa 4,6 Megapixeln, sodass eine 4K-Anfrage rund 2150 Pixel im Quadrat zurückliefert: Bestelle sie in 2K, außer du brauchst ausdrücklich die größere Datei. Seedream 4.5 geht den umgekehrten Weg und rendert echtes 4K, bedient dafür die 1K-Stufe gar nicht. Auch die Budgets für Referenzbilder unterscheiden sich, von sechs bei Nano Banana Pro bis vierzehn bei Nano Banana 2, mit Seedream 5.0 Pro bei zehn. Das zählt bei Jobs, die Kleidungsstück, Identität und Pose in einem Aufruf kombinieren. Vollständige Spezifikationen aller Modelle am Markt, mit Preisen und Elo-Wertungen, findest du in unserem Index der Bildgenerierungsmodelle.

Pro und Contra auf einen Blick

Engine	Bildqualität	Geschwindigkeit	Am besten für
Nano Banana 2	Hoch	Mittel	Katalogarbeit und sicherer Standard
Nano Banana Pro	Maximal	Mittel	Hero-Shots und Premium-Texturdetail
Seedream 4.5	Mittel	Schnell	Dessous und Intimate Fashion
Seedream 5.0 Pro	Hoch	Schnell	Bessere Werte als 4.5, am besten in 2K bestellt
GPT Image 2	Hoch	Langsam	Editorial-Stimmungen und eigene Farbtöne

Gleiche Eingaben, verschiedene Engines, 2K

Hier ist dasselbe Flatlay-Trio, dieselbe Identität und dieselbe Pose, gerendert in 2K. Seedream 5.0 Pro kam erst nach diesem Vergleich dazu und ist deshalb nicht unter den vier folgenden Engines.

Gleiche Kleidung, gleiche Identität, gleiche Pose: sitzend auf einem Holzhocker vor einer warmen Ecru-Putzwand. Jede Engine liest die Szene anders. Nano Banana 2 bleibt sauber und frontal, mit dem Eisblau des Hemds präzise gehalten. Nano Banana Pro schärft die Texturdetails und den Fall der Hose. Seedream 4.5 bringt das Model in eine Dreiviertel-Drehung, weicht die Töne auf und verschiebt die Kulisse wärmer. GPT Image 2 setzt eine eigene Farbpalette mit leicht wärmerem Gesamtton. Keine ist universell besser. Es sind unterschiedliche ästhetische Grundeinstellungen, und die passende für deinen Markenkatalog zu wählen ist genau der Punkt.

Welche Engine welchen Output produziert hat

Nach Abschluss eines Auftrags siehst du, welche Engine das jeweilige Ergebnis tatsächlich gerendert hat.

In der App erscheint ein kleines Engine-Icon neben der Verarbeitungszeit auf jeder Output-Karte. Fahre mit der Maus darüber, um den Engine-Namen zu sehen.

In der API enthält jedes Ergebnis in GET /jobs/<id>/results ein model_used-Feld:

{
  "job_id": "8c9f1a...",
  "status": "completed",
  "results": [
    {
      "image_index": 0,
      "group_index": 0,
      "model_used": "nano_banana_2",
      "output": { "full_size": "https://..." }
    },
    {
      "image_index": 1,
      "group_index": 0,
      "model_used": "gpt_image",
      "output": { "full_size": "https://..." }
    }
  ]
}

Nützlich sowohl für Konsistenz-Checks als auch um nachzuvollziehen, welche Engine bei welcher Art von Eingabe am besten performt.

Verwendung über die API

Setze model im options-Objekt deines Flat-to-Model-Requests:

{
  "project_id": "...",
  "images": ["uuid1", "uuid2", "uuid3"],
  "identity_code": "default-pro-...",
  "instructions": [ /* ... */ ],
  "options": {
    "model": "nano_banana_pro"
  }
}

Gültige Werte: "auto" (Standard), "nano_banana_2", "nano_banana_pro", "seedream" (4.5), "seedream_5_pro" oder "gpt_image".

In unserer öffentlichen Python-Integration ist es ein einziges CLI-Flag:

python flat_to_model.py \
  --input-folder SKU/ \
  --identity-code <your-identity-code> \
  --model gpt_image

Die komplette Referenz findest du in der Flat-to-Model API-Doku.

Create-Packshot nutzt dieselbe Engine-Auswahl

Dasselbe Sechs-Optionen-Dropdown Generation model ist auch in Create-Packshot verfügbar. Die oben beschriebenen ästhetischen Unterschiede übertragen sich direkt auf den Packshot-Output: Ghost-Mannequin, Flatlay, Marketing-ready und White-Cutout profitieren auf gleiche Weise von der Engine-Wahl. Siehe den Create-Packshot-Guide für eine vollständige Anleitung.

Auch Model-Swap bekommt ein Dropdown

Der Generation model-Selektor ist ebenfalls im Review-Schritt von Model-Swap verfügbar.

Standard ist Onda, die proprietäre Swap-Engine von PiktID. Die Alternative ist Nano Banana 2, verfügbar für Teams, die eine andere Ästhetik für ihre Swaps ausprobieren möchten. model_used funktioniert hier genauso: jedes Ergebnis in GET /jobs/<id>/results verrät dir, welche Engine es produziert hat.

Übergib swap_options.model in einem Model-Swap-Request oder --model onda | nano_banana_2 in der Python-Integration.

"Verschiedene Engines sind verschiedene Werkzeuge. Marken und Agenturen, die Hunderte SKUs pro Woche produzieren, kennen ihre Ästhetik, und verdienen die Wahl. Die Engine-Auswahl offenzulegen macht On-Model von einer Black Box zu einer kontrollierbaren Produktions-Pipeline, und model_used auf jedem Output macht die Wahl nachprüfbar."

— Nunzio Alexandro Letizia, Mitgründer von PiktID und Entwickler von On-Model

Vergleich über unsere Engines hinaus

Die Engines in diesem Dropdown haben unsere Anforderungen für die Fashion-Produktion erfüllt: eine öffentliche API, genug Referenzbilder für Kleidungsstück und Identität in einem Aufruf, eine Auflösungsgrenze, die wir ehrlich benennen können, und Inhaltsfilter, die normale Katalogarbeit zulassen.

Viele starke Modelle erfüllen das nicht. Wir pflegen einen laufenden Vergleich aller relevanten Bildgenerierungsmodelle, mit Elo-Wertungen aus zwei unabhängigen Leaderboards, veröffentlichten Preisen pro tausend Bildern, Auflösungs- und Referenzbildgrenzen und der Angabe, welche in On-Model verfügbar sind. Monatlich aktualisiert.

Jetzt ausprobieren

Öffne einen beliebigen Flat-to-Model- oder Model-Swap-Auftrag und such im Review-Schritt nach dem Dropdown Generation model. Wähle eine Engine, generiere und vergleiche das Ergebnis mit Auto.

Neu bei On-Model? Starte mit dem Flat-to-Model-Guide, sieh dir Presets an, oder lerne Create-Packshot kennen.