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: dramatischere Beleuchtung und eine kreativere Interpretation des Stylings.
• GPT Image 2: eigener Rendering-Stil mit einem etwas wärmeren Gesamtton.

Alle vier benannten Engines unterstützen Outputs in 1K, 2K und 4K.

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	Mittel	Schnell	Dessous und Intimate Fashion
GPT Image 2	Hoch	Langsam	Editorial-Stimmungen und eigene Farbtöne

Gleiche Eingaben, vier Engines, 2K

Hier ist dasselbe Flatlay-Trio, dieselbe Identität und dieselbe Pose, gerendert von jeder Engine in 2K.

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 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" 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 Fünf-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

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.