文 | 硅基星芒

若論當前最火的AI應用，非谷歌的“香蕉”——Nano Banana莫屬。

Nano Banana原名是Gemini 2.5 Flash Image，但自從它“驗明真身”，大家普遍反映還是Banana好記。

而“聽勸”的谷歌，也馬上把模型名換了回去。

不論是文本生成還是圖像編輯，Nano Banana都展現(xiàn)出了斷檔領先的實力。

首先來看看評分：

圖：LMarena文生圖模型排行榜

圖：LMarena圖像編輯模型排行榜

可以看到，文生圖能力屬于最優(yōu)一檔，而圖像編輯能力更是碾壓級別，幾乎砸穿了Photoshop的鍋。

我們可以篤定，Nano Banana之后，全球軟件業(yè)徹底變天了。

01 用戶體驗：“驚艷”兩個字已不足以形容

事實上，“驚艷”這兩個字，已經(jīng)不足以形容Nano Banana的強大。

先前的文生圖評測中，我們已經(jīng)見識過它的本事。

但根據(jù)Gemini API文檔中的描述，它還有幾個其他的“拿手好活”：

在Nano Banana被發(fā)現(xiàn)出現(xiàn)于LMarena之前，各家大模型對于文生圖中的文字幾乎都“束手無策”。

哪怕不提漢字，只是英文單詞，生成出來的基本都是亂碼，令人難以理解。

Nano Banana輕而易舉地攻克了這一難關。

而最近讓Nano Banana在網(wǎng)絡上爆火的原因，則是有網(wǎng)友發(fā)現(xiàn)它可以制作精度極高的手辦圖。

圖片中的手辦完全能夠以假亂真，圈外人可能完全無法分辨這到底是不是真的手辦。

除此之外，Google還明確介紹了Nano Banana的其他生圖優(yōu)勢：

例如逼真的場景、風格化的插圖和貼紙、產(chǎn)品模型和商業(yè)攝影、極簡風格和負空間設計等。

而在圖像編輯方面，Nano Banana也能夠出色的完成以下任務：例如添加和移除元素、局部重繪、風格遷移、組合多張圖片、高保真細節(jié)保留等……有效解決了以往模型“牽一發(fā)而動全身”的問題。

這么說可能有些抽象，我們用Nano Banana團隊在采訪中談到的例子來解釋。

①像素級的修圖編輯

最常見的需求之一：只想修改一張圖像中的一處細節(jié)，但又希望其他部分保持原樣。

旅游照片P掉路過的游客、自拍照去掉熬夜的黑眼圈，這些對于以往的多模態(tài)模型來說，并不是一項很簡單的挑戰(zhàn)。

微小的修改往往會導致圖像整體風格或結構的不協(xié)調(diào)，而觀感則會遭到嚴重的破壞。

Robert Riachi在采訪中提到，團隊在模型2.0版本時期遇到的一個主要挑戰(zhàn)，就是編輯時往往無法保證與圖像其他部分的一致性。

但通過持續(xù)的“爬坡訓練”和用戶反饋收集，Nano Banana才取得了明顯的進步。

無論是給小貓戴上一頂帽子，還是調(diào)整一件家具的方向，它都能做到保持場景的整體姿態(tài)和結構不變，讓編輯的部分與圖像其余部分無縫融合。

而這種精準的控制力，對于需要高度一致性的創(chuàng)作場景至關重要。

②不同角度的渲染

圖像雖然是2D的，但它反映的內(nèi)容卻是3D的。

因此，想要完成對現(xiàn)實世界中物體的精確編輯，還需要AI對三維空間具備一定的理解能力。

NanoBanana能夠從不同的角度渲染角色和物體，創(chuàng)造出全新的場景。

比如，上傳一件家具的圖像，讓它從側面或是背面重新生成，生成的結果仍然能保持高度一致性。

這種能力不僅是像素的復制，而是通過理解對象的外觀和深層結構，對原始圖像進行實質(zhì)性變換，而創(chuàng)作自由度也是由此而來。

③交錯式生成

相比于文本，圖像中包含的信息往往更多。

對于較為復雜的圖像生成任務，Nano Banana引入了“交錯式生成”的新范式。

傳統(tǒng)的文生圖模型需要一次性處理所有細節(jié)，如果指令中包含大量修改或元素的提示，模型就很容易發(fā)生“飽和”現(xiàn)象。

Nano Banana采取的解決方案是“化整為零”。

將復雜的提示分解為多個步驟，逐步進行編輯或生成。

這種增量生成的方式，能夠讓模型處理細節(jié)時更加精準。

同時，它還可以積累上下文信息，從而生成高度復雜且高質(zhì)量的圖像。

創(chuàng)作流程因此變得更加靈活可控，模型處理復雜任務的能力也得以顯著提升。

④超越用戶的預期

Mostafa Dehghani在訪談中提到了一個詞——“智能感”。

他給出了一個有趣的例子：在要求模型執(zhí)行某項操作時，模型并未原封不動地遵循并執(zhí)行他的指令。

但最終生成的結果卻比他實際描述的要更好，這使得他感到十分驚喜。

可以看出，Nano Banana已經(jīng)打破“執(zhí)行命令的工具”這一格局。

它具備一定的真實世界的相關知識和常識，能夠在一些特定情境下對用戶的模糊或錯誤指令進行修正和優(yōu)化。

這種“智能”帶來的影響可好可壞，或許它無法達成用戶的預期效果，但也可能生成更符合用戶潛在需求甚至更具創(chuàng)意的圖像。

對于大部分人來說，這種“智能”還是會明顯提升用戶體驗，畢竟“創(chuàng)意”總是可遇而不可求的。

02 商業(yè)化前景：文生圖盈虧平衡出現(xiàn)曙光

任何先進的技術，其商業(yè)化落地都離不開成本效益的考量。

而Nano Banana在圖像領域的應用，自然也涉及到成本和潛在的盈利模式。

Robert Riachi在采訪中，明確提出多模態(tài)數(shù)據(jù)（圖像和視頻等）的“爬坡訓練”非常困難。

這需要大量的人類偏好信號，因此訓練就需要投入巨大的時間成本和資源。

機器學習的過程中，需要錨定一個指標用于評估訓練結果的好壞。

以往的指標往往需要幾個小時才能獲取到有效反饋，而Google的研究團隊則始終在努力尋找更為高效的訓練指標。

另一方面，圖像的極度主觀性，使得收集并處理用戶反饋成為一個同樣耗時且昂貴的過程。

Kaushik Shivakumar強調(diào)了“人工評分”在圖像生成評估中的成本效益問題。

先前我們的AI競技場一文中曾經(jīng)介紹過，LMarena就采用了這種“人工評分”的方式。

我們看到的排行榜上的Votes正是由該網(wǎng)站的使用者進行投票得出的。

即便是效果如此出色的Nano Banana，目前的投票數(shù)量也只有22萬左右。

因此，讓足夠多的用戶進行圖像質(zhì)量評分固然能提供良好的信號，但這種方式的成本恐怕令Google團隊都難以承受。

這條路走不通，就必須尋找更加高效且經(jīng)濟的評估指標，也就是Nano Banana目前使用的“文本渲染度量”，這項技術我們后面再介紹。

除了訓練成本，模型部署上線后的推理成本也要考慮。

目前，Nano Banana的API定價為：

• 文字輸入：＄0.30/M tokens
• 文字輸出：＄2.50/M tokens
• 圖像輸入：＄0.30/張
• 圖像輸出：＄0.039/張

在Google AI Studio上可以免費使用，但近期已經(jīng)設置免費額度。

如此低的定價再加上高質(zhì)量的生成效果，Nano Banana的性價比可以說是直接拉滿。

與此同時，本周網(wǎng)上已經(jīng)開始出現(xiàn)第三方平臺以更低的價格提供Nano Banana的API服務。

以AI領域現(xiàn)有的產(chǎn)品迭代速度，其他廠商推出水平相近的模型恐怕也只是時間問題。

僅僅依靠Nano Banana的使用費用，極難覆蓋Google在如此先進的模型上投入的巨大成本。

因此，這一重新定義AI圖像領域的模型的誕生，更多還是為了應對市場份額和生態(tài)系統(tǒng)的競爭。

AIGC作為科技巨頭公司競爭的焦點，Google必須不斷推出有競爭力的產(chǎn)品以對抗OpenAI或是Midjourney等公司。

而Nano Banana和Gemini 2.5 Pro兩款高用戶評分產(chǎn)品的存在，有效保持了Google在AI領域的領導地位。

從技術角度來看，模型的迭代和優(yōu)化是一個幾乎永不間斷的過程。

平民級別的價格能夠帶來的，是所有廠商都急需的大量真實用戶數(shù)據(jù)。

Google這樣的科技公司，更多是通過平臺上提供的各種服務實現(xiàn)盈利。

即使Nano Banana現(xiàn)在可能虧本，但低成本的圖像生成和編輯能力，不僅可以用來吸引用戶進入Google的生態(tài)系統(tǒng)，鼓勵用戶使用Google提供的相關服務；未來，還可能成為某些更大利潤業(yè)務的核心組件。

03 技術邏輯：跨時代的強大

Nano Banana能夠在AI圖像領域實現(xiàn)如此強大的能力，歸功于Google團隊在多模態(tài)學習、用戶反饋機制和創(chuàng)新架構設計等方面的長期投入和努力。

在觀看完Google官方發(fā)布的約30分鐘的采訪后，不得不對其技術能力感到驚訝。

①文本渲染度量

這是Kaushik Shivakumar始終堅持的一項指標，起初誰也沒能想到它就是成功的關鍵。

前面我們說過，Google團隊需要找到一個無需依靠用戶主觀評價的指標來判斷模型是否在“越變越好”。

在Nano Banana正式發(fā)布之前，無論是國內(nèi)還是國外的多模態(tài)模型，生圖水平參差不齊。

但在圖片中加入文字這件事上，所有的模型都無法準確完成。

看起來，文字生成只是AI圖像領域的一個分支，但Google團隊堅持以此為優(yōu)化目標。

最終結果也證明了這是一個無比正確的決定。

在對文本渲染的不斷優(yōu)化過程中，研究團隊發(fā)現(xiàn)圖像生成質(zhì)量也在不斷提高。

天才般的想法，加上持之以恒的努力，成就了Nano Banana的強大。

②多模態(tài)統(tǒng)一模型與正向遷移

Mostafa Dehghani提出了Nano Banana的核心理念之一：實現(xiàn)原生的圖像生成和多模態(tài)理解與生成。

這意味著模型會在同一個訓練運行中學習所有模態(tài)和不同的能力，而最終目標則是實現(xiàn)跨不同維度的正遷移。

簡單地說，就是要讓模型不僅能理解和生成單一模態(tài)（比如文本或圖像），還能利用從一種模態(tài)中學到的知識，幫助理解和生成另一種模態(tài)。

例如，模型可以從圖像、音頻和視頻中學到真實世界的相關知識，從而更好地理解和生成文本。

就像Robert Riachi提到的一種名為“報告偏差”的現(xiàn)象：

人們在日常對話中通常不會提及哪些顯而易見、習以為常的事物，比如朋友家的普通沙發(fā)。

但如果展示一張房間的圖片，沙發(fā)就會自然呈現(xiàn)在眼前。

說實話，這個例子舉得有點莫名其妙，但確實有一定道理：

圖像和視頻等視覺信號里，包含著大量關于真實世界的隱性信息，而這些信息無需明確請求即可獲取。

對于一個多模態(tài)模型來說，視覺信號是了解世界難得的“捷徑”。

這種統(tǒng)一的多模態(tài)學習方式，幫助Google團隊建立了更全面和深入的“世界模型”。

Gemini系列產(chǎn)品也在各種模態(tài)任務中表現(xiàn)出了更高的智能化程度，LMarena的數(shù)據(jù)已經(jīng)驗證了這一點。

因此，采訪中提及圖像理解和圖像生成被視為“姐妹”，在交錯生成中互相促進。

③從錯誤中學習：用戶反饋驅動“爬坡訓練”

Robert Riachi著重強調(diào)了利用人類偏好進行“爬坡訓練”的重要性。

但前面已經(jīng)說過，不可能模型每次生成圖片都讓人類來判斷孰優(yōu)孰劣。

因此，Google團隊收集了大量來自Twitter等平臺的真實用戶反饋，將失敗案例轉化為評估基準，而這些恰恰是用于改進模型的寶貴信號。

在模型的2.0版本發(fā)布時，團隊成員敏銳地注意到一個常見的失敗案

例：

編輯時無法保持圖像其余部分的一致性。

于是，以此為基礎，團隊開始針對于具體問題進行“爬坡訓練”和迭代。

這種以用戶為中心、從錯誤中學習的機制，正是Nano Banana能夠解決這一挑戰(zhàn)的關鍵。

④團隊協(xié)作：Gemini與Imagen的融合

采訪的最后，Robert Riachi也談到了Nano Banana的成功離不開Gemini和Imagen兩個團隊的緊密協(xié)作。

Gemini團隊專注于指令遵循和世界知識等方面，確保模型能夠理解用戶的意圖并生成符合邏輯的內(nèi)容。

Imagen團隊專注于圖像的視覺質(zhì)量，確保生成的圖像自然美觀，且不出現(xiàn)明顯問題。

Gemini 2.5 Pro之前的長期霸榜已經(jīng)說明其功能的強大，而融合兩個團隊的視角和專業(yè)知識，Nano Banana做到了兼顧圖像的“智能性”和“美觀性”。

Nano Banana在Google AI Studio上線后，我們也可以發(fā)現(xiàn)，它和Gemini 2.5 Pro是融為一體的，在原先的聊天界面就可以直接使用，而非兩個獨立的模型。

這種跨團隊的深度合作，使得Google的產(chǎn)品體系上升到了一個新的高度。

04 結語

就像很多標題所說，Nano Banana的出現(xiàn)毫無疑問給AI圖像領域帶來了革命性的變化。

從像素級的完美編輯，到交錯式的復雜圖像構建；

從對用戶意圖的智能理解，到超越預期的創(chuàng)意發(fā)散；

人工智能在視覺藝術上的創(chuàng)作潛力正在被逐步發(fā)掘。

但與此同時，以假亂真的高質(zhì)量圖像也在改變很多行業(yè)的現(xiàn)狀。

盡管Nano Banana生成的圖像目前也已經(jīng)明確帶有AI生成標識，但它的作品已經(jīng)足以滿足大多數(shù)人的需求。

未來的創(chuàng)作者和藝術家又該何去何從？

唯一可以確定的，是AI圖像領域的未來將會更加智能、更加高效、更具創(chuàng)意。

而人機之間的協(xié)作，也即將開始書寫全新的篇章，全球軟件業(yè)正因此重塑。