- Google apstiprina, ka "Nano Banana" ir Gemini 2.5 Flash Image pseidonīms attēlu ģenerēšanai un rediģēšanai.
- Sarunvalodas rediģēšana ar saskaņotiem tēliem un objektiem, kā arī konsekventiem rezultātiem.
- Pieejams bez maksas lietotnē Gemini un izstrādātājiem, izmantojot API, AI Studio un Vertex AI.
- Drošības pastiprinājumi ar SynthID un filtriem sensitīvam saturam.
Pēdējās dienās nosaukums "Nano Banana" ir izplatījies kā meža ugunsgrēks tehniskajos forumos un tīklos, pateicoties tā sniegumam mākslīgā intelekta darbinātos vizuālās rediģēšanas testos. Tam, kas sākotnēji bija noslēpums, tagad ir autors: aiz tā slēpjas Google un tā jaunā attēlu dzinēja, kas integrēts Gemini tālrunī.
Uzņēmums apstiprina, ka Nano Banana ir Gemini 2.5 Flash Image pseidonīms — sistēma, kas spēj ģenerēt un retušēt fotogrāfijas, izmantojot dabisko valodu, saglabājot stilu, rakstzīmes un objektus ar konsekvenci, kas iepriekš šiem modeļiem bija sarežģīta.
Kas ir Nano Banana un kas aiz tā stāv?
Pirmajās parādīšanās reizēs modelis tika rādīts LM Arena reitingos ar iesauku "Nano Banana", izraisot spekulācijas un jokus par "banānu", līdz Google to oficiāli ieviesa kā daļu no Gemini. Pamatideja ir skaidra: apvienot attēlu ģenerēšanu un rediģēšanu vienkāršā, sarunvalodas un ātrā darbplūsmā.
Google uzsver, ka tā pieeja balstās uz Gemini zināšanām par pasauli un progresīviem mākslīgā intelekta modeļiem , kas palīdz izprast instrukciju kontekstu un piemērot precīzākas izmaiņas nekā tīri vizuāli ģeneratori.
Sarunvalodas rediģēšana: no pamudinājuma līdz precizēšanai
Modelis darbojas ar dabiskās valodas komandām un ļauj mijiedarboties ar attēlu: varat jautāt "padarīt debesis dramatiskākas", "noņemt šo zīmi" vai "mainīt automašīnas krāsu uz sarkanu" un precizēt rezultātu secīgās kārtās, nesākot no nulles.
Šī vairāku pagriezienu mijiedarbība samazina tradicionālajiem rīkiem raksturīgo berzi. Saskaņā ar Google sniegto informāciju ir iespējams atlasīt noteiktas zonas , lai pielāgotu krāsu, apgaismojumu vai tekstūru, noņemtu nevēlamus elementus, aizstātu fonus un pievienotu objektus, kas nemanāmi integrējas, vienlaikus respektējot ēnas un perspektīvu.
Papildus pamata retušēšanai platforma saprot tādus norādījumus kā "ievietot to pašu tēlu citā ainā" vai "parādīt produktu no dažādiem leņķiem", saglabājot objektu un tā izskatu ar konsekvenci starp rediģēšanas reizēm.
Konsekvence, kvalitāte un ātrums
Viens no ievērojamākajiem sasniegumiem ir vizuālās konsekvences uzlabošana secīgajos izdevumos: sejas vaibsti, rokas, mājdzīvnieki vai objekti paliek stabili ar mazāku deformāciju, kas vēsturiski radīja problēmas ģeneratīvajiem modeļiem.
Fotoreālismu uzlabo dabiskāks apgaismojums un tekstūras, un Google apgalvo, ka tā nodrošina zibensātru veiktspēju , kas paātrina radošos ciklus tādiem uzdevumiem kā produktu variācijas vai tematiskas ainas.
Kopienas testēšanā sistēma ir pakāpusies LM Arena attēlu rediģēšanas platformā, ierindojoties starp dzinējiem ar labāko lietotāja pieredzi saskaņā ar lietotāju vērtējumiem.
Galvenie rīki un lietošanas gadījumi
Gemini 2.5 Flash Image ietver funkcijas, kas paredzētas gan vispārējiem lietotājiem, gan radošām komandām. Dažas no visievērojamākajām funkcijām ļauj veidot attēlus no vairākiem avotiem un ievietot tos saskaņotā vidē.
- Kontekstuālā retušēšana: krāsas, ekspozīcijas, tekstūras vai stila korekcijas, nezaudējot oriģināla galvenos elementus.
- Noņemšana un nomaiņa: dzēst objektus, mainīt fonu vai pievienot elementus ar gaismas un ēnas integrāciju.
- Sastāvs un maisījums: apvienojiet divus fotoattēlus vienā ainā un pārsūtiet raksti vai stili no viena attēla uz otru.
- Daudzmaiņu izdevums: ķēdes izmaiņas (sienu krāsošana, mēbeļu pievienošana, skapja pārveidošana), neatsākot procesu no jauna.
Mārketingā, dekorēšanā, modē vai sociālo mediju saturā rīks tiek izmantots, lai ātri izveidotu variācijas, uzturētu konsekventus zīmola resursus un pārbaudītu vizuālās idejas, neizmantojot tradicionālo programmatūru.
Drošības un lietošanas ierobežojumi
Lai mazinātu ļaunprātīgu izmantošanu, Google piemēro filtrus, kas bloķē vardarbīgu vai seksuāli nepiedienīgu saturu un ierobežo reālu cilvēku vai publisku personu rediģēšanu. Mērķis ir samazināt dezinformācijas un dziļviltojumu risku.
Visos ģenerētajos vai rediģētajos attēlos ir iekļauts SynthID — neredzama digitālā ūdenszīme pašā failā, kas palīdz pārbaudīt tā izcelsmi. Turklāt uzņēmums min papildu signālus un proaktīvas kontroles, lai uzlabotu izsekojamību.
Lietošanas politika nepārprotami aizliedz intīma materiāla veidošanu bez piekrišanas un citu sensitīvu kategoriju materiālus, uzsverot atbildīgu mākslīgo intelektu Gemini pakalpojumos.
Kā lietot Nano Banana lietotnē Gemini
Piekļuve ir vienkārša: nav nepieciešams instalēt neko papildus vai izvēlēties konkrētu modeli. Vienkārši atveriet Gemini, augšupielādējiet fotoattēlu un aprakstiet izmaiņas . Ja vēlaties saglabāt visu, izņemot vienu pielāgojumu, varat sākt ar "Oriģinālajā fotoattēlā…", lai skaidri norādītu, ka pārējais ir jāsaglabā.
Daži noderīgi piemēri: "pārveidot uz melnbaltu", "noņemt stūra stabu", "pievienot suni uz soliņa" vai "mainīt kleitu uz zaļu". Sistēma, piemērojot izmaiņas, mēģina saglabāt objekta iezīmes un proporcijas .
Varat arī augšupielādēt divus fotoattēlus un pieprasīt, lai viena saturs tiktu parādīts otrā vai lai raksta stils (piemēram, tauriņa spārni) tiktu pārnests uz apģērbu vai priekšmetu otrajā attēlā.
Pieejamība un piekļuve izstrādātājiem
Šī funkcionalitāte ir pieejama Gemini lietotnē plašai sabiedrībai. Profesionālām integrācijām tai var piekļūt, izmantojot Gemini API, Google AI Studio un Vertex AI, paverot durvis uz darbplūsmām uzņēmumos un trešo pušu lietotnēs.
Lietošana lietotnē ir bez maksas ar saprātīgiem ierobežojumiem. Izstrādātājiem Google piedāvā cenu noteikšanu pēc principa “maksā, kad izmanto” ; API kā atsauce ir minētas izmaksas 30 ASV dolāru apmērā par miljonu žetonu, un aptuveni tiek lēsts, ka katrs attēls maksā dažus centus atkarībā no lietošanas gadījuma.
Konkurences konteksts
Šis solis ir tieši vērsts pret konkurentiem, piemēram, Midjourney un DALL·E (OpenAI). Google stratēģija koncentrējas uz sarunvalodas rediģēšanu un konsekventiem rezultātiem, ko atbalsta Gemini kontekstuālā izpratne.
Tā kā Nano Banana pseidonīms tagad ir integrēts tā ekosistēmā, uzņēmums cenšas aizpildīt plaisu jomā, kur ātrums, kvalitāte un kontrole ir izšķiroši svarīgi gala lietotājam.
Bieži uzdotie jautājumi
Vai Nano Banana ir atsevišķa lietotne?
Nē. Tas ir modelis Gemini ietvaros , tāpēc tas tiek izmantots no pašas lietotnes saskarnes.
Vai ir kādas izmaksas gala lietotājiem?
Gemini lietotne piedāvā bezmaksas lietošanu ar lietošanas ierobežojumiem. API integrācijas ir maksas.
Vai man modelis jāizvēlas manuāli?
Nē. Izvēle notiek automātiski, veicot attēlu ģenerēšanas vai rediģēšanas funkcijas programmā Gemini.
Koncentrējoties uz sarunvalodas rediģēšanu, objektu konsekvenci dažādos kadros un iebūvētiem drošības pasākumiem, Nano Banana (Gemini 2.5 Flash Image) kļūst par stabilu iespēju attēlu veidošanai un retušēšanai gan ikdienas dzīvē, gan profesionālos projektos, gan izmantojot Gemini lietotni, gan tās API.
