Nano Banana 2發(fā)布：圖像生成下半場，“世界知識”成核心競爭力
國際調(diào)研機(jī)構(gòu)Fundamental Business Insights在《AI圖像生成器市場規(guī)模和份額預(yù)測》中指出，2024年全球市場規(guī)模為4.1024億美元，2025年達(dá)4.785億美元，2026年預(yù)計為5.4136億美元。可見，圖像生成模型市場已趨于成熟穩(wěn)定，增長空間有限。
就在此時，谷歌推出了Nano Banana 2。通過相同提示詞生成的圖片對比顯示，Nano Banana 2與Nano Banana Pro在呈現(xiàn)方式上存在顯著差異。
這并非簡單的版本迭代。谷歌發(fā)布當(dāng)天便宣布，Nano Banana 2將立即取代所有舊版本，成為Gemini、谷歌搜索、AI Studio等產(chǎn)品的默認(rèn)圖像生成模型，甚至谷歌的AI編程工具Antigravity也完成了接入。
谷歌為何突然“全面押注”？過去，用戶常面臨兩難：生成4K分辨率圖片需等待較長時間，快速生成則只能選擇低分辨率模型。而Nano Banana 2實(shí)現(xiàn)了“又快又好”。谷歌認(rèn)為，在agent時代，圖像生成仍是值得重點(diǎn)投入的領(lǐng)域。
01 Nano Banana 2的核心特點(diǎn)
Nano Banana 2最突出的特點(diǎn)是速度快，能在4-6秒內(nèi)生成4K分辨率圖像。谷歌Gemini系列一直保持兩條產(chǎn)品線：Pro追求性能，F(xiàn)lash注重效率。但將該架構(gòu)遷移到圖像生成領(lǐng)域并非簡單的模型壓縮，圖像生成的計算密集度遠(yuǎn)高于文本生成，一張2K分辨率圖像的信息量相當(dāng)于數(shù)千個文本token。如何在不犧牲視覺質(zhì)量的前提下提升推理速度，是一大工程難題。
Nano Banana 2采用分層生成策略解決這一問題。
模型先在低分辨率下完成場景理解、構(gòu)圖規(guī)劃和物理關(guān)系推理，再通過高效的上采樣管道將圖像提升至2K甚至4K分辨率。這種“先思考，后渲染”的流程，使模型在保持Pro級別一致性和細(xì)節(jié)質(zhì)量的同時，降低了計算成本。
除速度外，Nano Banana 2還引入了“世界知識”概念。
傳統(tǒng)圖像生成模型本質(zhì)是強(qiáng)大的視覺模式匹配器，通過海量圖像數(shù)據(jù)訓(xùn)練學(xué)會“什么樣的畫面真實(shí)”，但并不真正理解畫面中的物理規(guī)律、地理特征或文化背景。例如，生成“巴黎鐵塔雨天景象”時，可能出現(xiàn)鐵塔結(jié)構(gòu)細(xì)節(jié)模糊、巴黎建筑風(fēng)格不準(zhǔn)確、雨天光線特征錯誤等問題。
Nano Banana 2的不同之處在于，它直接繼承了Gemini大語言模型的世界知識庫，并能實(shí)時調(diào)用谷歌圖像搜索作為“視覺參考庫”。當(dāng)生成真實(shí)地點(diǎn)場景時，模型不僅知曉該地點(diǎn)的地理位置、氣候特征、建筑風(fēng)格，還能檢索相關(guān)真實(shí)照片作為視覺基準(zhǔn)，從而生成更準(zhǔn)確的圖像。
在谷歌的“Window Seat”演示中，模型可根據(jù)用戶指定的地點(diǎn)和實(shí)時天氣數(shù)據(jù)，生成該地點(diǎn)窗外的逼真景觀。
例如，《哈利波特》中通往霍格沃茨的9?站臺位于英國國王十字車站（King's Cross station）。在Window Seat中輸入該車站，窗戶樣式設(shè)為溫馨咖啡館，天氣指定為瓢潑大雨，Nano Banana 2就能生成相應(yīng)場景。
將“世界知識”注入Nano Banana 2，是大語言模型推理能力與圖像生成渲染能力結(jié)合的產(chǎn)物。模型生成圖像前會先進(jìn)行“語義推理”，理解提示詞中的真實(shí)世界概念，再轉(zhuǎn)化為視覺元素。
文字渲染一直是圖像生成領(lǐng)域的難題，Stable Diffusion、Midjourney、早期DALL-E生成的含文字圖像常出現(xiàn)字母錯位、拼寫錯誤、字體混亂等問題，根源在于傳統(tǒng)擴(kuò)散模型將文字視為視覺紋理而非語義符號系統(tǒng)。
Nano Banana 2在文字渲染上進(jìn)步顯著，官方稱其能“更可靠地渲染文字”，支持多語言文本，保持字體清晰度和風(fēng)格一致性。這得益于模型對文字的“雙重理解”：既通過Gemini語言模型理解文字語義，又通過圖像生成渲染能力掌握文字視覺呈現(xiàn)規(guī)律。例如，讓Nano Banana 2設(shè)計“字母AI”Logo，它能清晰展示每個字，并以電路板元素強(qiáng)化AI概念。
02 Nano Banana 2背后的技術(shù)支撐
Nano Banana 2的另一重要特性是“對話式編輯”能力。雖然這不是新概念，但實(shí)際效果遠(yuǎn)超以往。它能完全通過對話進(jìn)行圖片編輯，如“把背景換成日落”“把衣服改成藍(lán)色”“去掉左邊的樹”等。
這種交互方式的關(guān)鍵在于模型能在多輪對話中保持對圖像的“記憶”。當(dāng)?shù)谌唽υ捯蟆鞍褎偛诺乃{(lán)色衣服改回紅色”時，模型需知道“剛才的藍(lán)色衣服”指第二輪編輯中修改的那件。
這種上下文追蹤能力被稱為“思維簽名”(Thought Signatures）。
簡單來說，模型生成圖像時會進(jìn)行一系列思考，思維簽名是每一步思考的標(biāo)簽。多輪對話編輯圖像時，將上一輪思維簽名傳回模型，它就能記住之前的構(gòu)圖邏輯、光影關(guān)系和設(shè)計意圖，實(shí)現(xiàn)連貫的局部修改。對已有圖片修改時，模型通過思維簽名理解原始圖像整體結(jié)構(gòu)，做出合理調(diào)整而不破壞畫面一致性。
一致性是當(dāng)前圖像生成模型的最大難題之一。Nano Banana 2支持最多14張參考圖像混合使用，包括5張人物角色圖像和6張物體圖像。模型能從參考圖像中提取視覺特征，并在新生成圖像中保持這些特征的一致性。例如，官方示例中將香蕉和恐龍玩偶結(jié)合，生成了以香蕉為身體的恐龍玩偶。
對比Nano Banana 2和GPT生成的圖片，相同提示詞下GPT帶有明顯AI生成感，而Nano Banana 2生成的圖片更真實(shí)。
GPT：
Nano Banana 2：
此外，Nano Banana官方還展示了由Nano Banana 2生成的超長圖片。
03 Nano Banana 2的競爭優(yōu)勢
Nano Banana 2是一款均衡的圖片生成模型，兼具速度、質(zhì)量與性價比。
根據(jù)谷歌官方信息，Nano Banana 2生成1k圖價格約0.067美元（不到5毛錢），2K圖0.1美元（約7毛錢），4K圖0.15美元（約1塊錢），遠(yuǎn)低于Nano Banana Pro。
Pro版本的優(yōu)勢在于復(fù)雜場景把控、超寫實(shí)光影渲染和小眾藝術(shù)風(fēng)格還原，適合專業(yè)視覺設(shè)計師、影視概念設(shè)計師等對畫質(zhì)有極致要求的用戶。Nano Banana 2以畫質(zhì)上限的輕微讓步，換取了效率的顯著提升，定價更符合普通創(chuàng)作者及快速迭代、大批量生成的業(yè)務(wù)需求。
Midjourney仍是藝術(shù)創(chuàng)作的天花板，審美上限和風(fēng)格化能力行業(yè)領(lǐng)先，尤其在生成電影質(zhì)感、繪畫筆觸的藝術(shù)作品方面表現(xiàn)出色。但其V7版本生成速度約20秒/張，復(fù)雜場景下更長，且無對話式編輯功能，無法精準(zhǔn)控制真實(shí)世界元素（如特定地點(diǎn)建筑風(fēng)格、實(shí)時天氣），API開放度低，主要通過Discord界面操作，不適合企業(yè)級集成。此前對比測試顯示，Nano Banana Pro生成速度是Midjourney的10倍以上，Nano Banana 2更快。
Stable Diffusion 3的優(yōu)勢是開源、可本地部署、自定義程度高，適合有技術(shù)能力和數(shù)據(jù)隱私需求的開發(fā)者，支持LoRA微調(diào)、ControlNet等高級控制功能，可深度定制。但它需要配置本地環(huán)境、理解復(fù)雜參數(shù)、自行優(yōu)化提示詞，原生文字渲染準(zhǔn)確度在學(xué)術(shù)評測中僅1.25-1.95分（滿分5分），遠(yuǎn)低于Nano Banana 2，生成速度、事實(shí)準(zhǔn)確性、對話式編輯能力也全面落后。
當(dāng)然，Nano Banana 2并非完美。在極致藝術(shù)風(fēng)格化創(chuàng)作、超復(fù)雜場景光影渲染上，與Nano Banana Pro和Midjourney仍有差距；多輪對話編輯中，雖支持最多5個角色的一致性維護(hù)，但特定場景仍可能出現(xiàn)細(xì)微變化，多輪后變化會累積；對小眾冷門地點(diǎn)、物體，“世界知識”效果也會折扣。
但不可否認(rèn)，Nano Banana 2為文生圖行業(yè)帶來新啟示：未來AI圖像生成不再是單純“紋理匹配”，而是“大語言模型推理能力+視覺渲染能力+檢索增強(qiáng)事實(shí)準(zhǔn)確性”的深度融合。文生圖工具終將從“畫畫的機(jī)器”，變成真正懂需求、懂世界的視覺創(chuàng)作助手。
本文來自微信公眾號“字母AI”，作者：苗正，36氪經(jīng)授權(quán)發(fā)布。
本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請?jiān)谖闹凶⒚鱽碓醇白髡呙帧?/p>
免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com