La tecnología que da vida a Nanobanana
Conoce cómo Nanobanana, impulsado por Gemini 2.5 Flash, combina la consistencia de personajes, la generación intercalada y una arquitectura nativa multimodal para transformar la creación de imágenes con IA.
Impulsado oficialmente por Gemini 2.5 Flash, el modelo Nanobanana supone un avance importante en la generación de imágenes con IA. En una reciente conversación técnica dirigida por Logan Kilpatrick, el equipo central de desarrollo explicó el trabajo de ingeniería que sostiene este sistema de nueva generación.
Nicole Brichtova, directora de producto, participó junto con los responsables de investigación Kaushik Shivakumar y Mostafa Dehghani, además de Robert Riachi. Sus explicaciones muestran cómo está cambiando la creación con IA a partir de una revisión profunda de la arquitectura multimodal, más allá de una actualización habitual.
Generación Nativa de Imágenes
La base de Nanobanana es la generación nativa de imágenes. En vez de resolver cada imagen como una tarea independiente, el modelo las crea en secuencia y toma los resultados anteriores como un contexto detallado para las siguientes.
¿Qué lo hace 'nativo'?
Una misma arquitectura unificada se encarga de comprender y generar contenido multimodal. Así, las distintas fases del proceso creativo pueden desarrollarse sin recurrir a sistemas separados para cada una.
Kaushik Shivakumar resume la innovación de este planteamiento: "Al generar imágenes secuencialmente y utilizar los resultados anteriores como contexto, el modelo logra una consistencia y una conciencia contextual sin precedentes a través de múltiples generaciones".
De esta nueva arquitectura surgen varias capacidades destacadas:
Consistencia de Personajes Sólida
Una de las más notables es representar a un personaje desde distintos ángulos sin perder en absoluto su identidad. La versión 2.5 amplía la conservación de rasgos con un auténtico renderizado multiángulo, de modo que la imagen de marca del personaje se mantiene en cada cuadro.
Una transformación con estética de los años 80 sirvió para demostrarlo. Nicole Brichtova destacó que, a lo largo de la secuencia, se conservan tanto las facciones del personaje como el ambiente y los pequeños matices de estilo.
Generación Intercalada para Ediciones Complejas
Mostafa Dehghani explicó la generación intercalada, que permite realizar varias ediciones complejas a la vez mediante prompts escritos en lenguaje natural. El trabajo deja de avanzar ajuste por ajuste y pasa a abordar distintas facetas de la imagen de forma conjunta.
"La capacidad del modelo para interpretar prompts complejos de manera efectiva permite a los usuarios solicitar numerosas ediciones en una sola pasada fluida", señala Dehghani. De este modo, resulta sencillo pasar de un retoque puntual a una transformación completa de la escena.
Capacidades Multimodales Avanzadas
Aprendizaje Cruzado
El equipo también exploró el gran potencial del aprendizaje cruzado entre la comprensión y la generación de imágenes. Transferir habilidades en ambas direcciones dentro de una arquitectura común representa un avance clave en el diseño de sistemas de IA.
Robert Riachi describió los retos del entrenamiento multimodal. Explicó que la meta es reunir la comprensión y la generación nativas en un único modelo para mejorar su desempeño en una amplia variedad de tareas creativas.
Evaluación Centrada en el Humano
Durante el entrenamiento, el equipo combina métricas automáticas con valoraciones humanas para seguir elevando la calidad visual. Evaluar con personas exige una inversión considerable de recursos, pero es esencial para crear sistemas que entiendan las expectativas de los usuarios y puedan superarlas.
Logan Kilpatrick preguntó cuál sería la mejor forma de medir las preferencias humanas. A partir de ahí, la conversación abordó cómo entrenar al modelo para interpretar los prompts con inteligencia y ofrecer algo más que una ejecución literal de las instrucciones.
Evolución Técnica: de la 2.0 a la 2.5
Resolviendo el Desafío de la "Superposición"
En versiones anteriores, los elementos añadidos podían parecer "pegados" sobre la imagen. La versión 2.5 resuelve este problema mediante transformaciones fluidas que integran los objetos de manera natural en la escena sin alterar su forma original.
La versión 2.0 ya conservaba eficazmente la identidad del personaje durante la edición. La versión 2.5 lleva esa capacidad a distintas perspectivas sin cambios de identidad, un reto técnico de gran dificultad resuelto con mejoras fundamentales en la arquitectura.
Interpretación Creativa Inteligente
El modelo actual destaca por interpretar las indicaciones iniciales y enriquecer el resultado de forma intuitiva. Esa "intuición creativa" nace de su comprensión profunda del contexto visual, en lugar de responder a una función programada expresamente.
Nicole Brichtova recalcó que el control creativo sigue en manos del usuario. Al ajustar los prompts de manera sucesiva, los creadores pueden orientar la propuesta artística y, a la vez, aprovechar toda la capacidad de cálculo del modelo.
Impacto en la Industria y el Camino a Seguir
Flujos de Trabajo Creativos Profesionales
Con ejemplos que iban desde vallas publicitarias hasta piezas llamativas para redes sociales, el equipo mostró textos complejos renderizados con la máxima calidad visual. Estos usos prácticos demuestran que Nanobanana está preparado para la producción profesional.
La representación de texto continúa siendo una prioridad de desarrollo. Las mejoras constantes buscan responder a las exigencias de los proyectos comerciales y del trabajo profesional.
Gemini vs. Imagen: Roles Estratégicos
También se explicaron las funciones complementarias de los sistemas de IA de Google:
- Imagen: Optimizado para quienes desarrollan aplicaciones y necesitan modelos especializados en tareas concretas.
- Gemini: Concebido como un colaborador creativo multimodal y versátil, capaz de manejar instrucciones con flexibilidad.
Esta separación de funciones permite elegir la herramienta que mejor encaje con las necesidades técnicas y los objetivos creativos de cada usuario.
El Futuro de la Colaboración
El entusiasmo del equipo por sus proyectos actuales apunta a nuevos avances a un ritmo rápido. Su atención a la fidelidad visual y a una interacción natural dibuja un futuro en el que la IA actúa como un colaborador creativo de gran capacidad.
Nanobanana reúne un logro tecnológico y una muestra del futuro de la colaboración humana con la IA. Al unir una comprensión avanzada con la generación nativa, amplía las posibilidades de creación más allá de lo que antes era alcanzable.
Con cada nuevo avance del equipo, cambian de raíz las formas de generar imágenes, editarlas y contar historias a través de ellas.
Autor
