走进 Nanobanana 图像模型的技术幕后

Nanobanana 由 Gemini 2.5 Flash 驱动，让 AI 图像生成迈出了重要一步。在 Logan Kilpatrick 主持的一场深度技术交流中，核心开发团队详细介绍了支撑这套下一代系统的工程设计。

产品负责人 Nicole Brichtova、研究负责人 Kaushik Shivakumar 与 Mostafa Dehghani，以及 Robert Riachi，从各自的视角解读了正在改变 AI 创作的技术。这次进展涉及多模态 AI 架构的根本重构，远超常规版本迭代的范围。

原生图像生成

原生图像生成是 Nanobanana 的关键。传统方式将每张图片作为独立任务处理，而这套模型会依次生成图像，让此前的输出成为后续创作的上下文依据。

Kaushik Shivakumar 用这段话概括了这一方法的突破：“通过序列化生成图像并利用先前的输出作为上下文，模型在多次生成中实现了前所未有的一致性和上下文感知能力。”

架构的变化，进一步带来了以下几项关键突破：

坚如磐石的角色一致性

从不同角度呈现角色时，模型依然能够完整保留其身份特征，这是最突出的成果之一。2.5 版本将能力从基础的特征保留推进到真正的多角度渲染，让每一帧中的角色都保持一致的品牌形象。

团队用一次 1980 年代风格转换展示了这一能力。Nicole Brichtova 提到，整组图像延续的不只是人物的面部特征，还有完整一致的氛围与细腻的风格表达。

复杂编辑的交错生成

Mostafa Dehghani 分享的交错生成，让用户用自然语言提示词就能同时完成多项复杂修改。创作过程由此可以兼顾多个维度，不必再把编辑拆成一个个孤立的步骤。

“模型有效解读复杂提示词的能力，让用户能够在一次生成中无缝请求多项编辑，”Dehghani 如此说明。从细节微调到整幅场景的转换，创作者都能更轻松地完成。

先进的多模态能力

跨模态学习

图像理解与生成之间的跨模态学习，是团队着重讨论的另一项潜力。在同一架构中让两种能力双向迁移，为 AI 系统设计树立了一个重要里程碑。

Robert Riachi 介绍了多模态训练面临的复杂挑战。他指出，最终方向是让单一模型同时具备原生理解与生成能力，进而提升不同创意任务的整体表现。

以人为本的评估体系

团队把自动化指标与人工评估一同纳入训练，以持续改善视觉质量。人工评估虽需要投入大量资源，却是让系统理解用户期待、并交付超出期待结果的重要环节。

如何更好地衡量人的偏好？Logan Kilpatrick 提出的这个问题，将讨论引向模型训练：怎样让模型读懂提示词，并给出超越指令字面含义的结果。

技术演进：从 2.0 到 2.5

解决“元素叠加”难题

早期版本加入的新元素，有时会显得像“贴上去”一样，与画面不够融合。2.5 版本通过无缝转换解决了这个问题，让对象既保留原本的形态，又自然融入所在场景。

2.0 版本已经能够在编辑时有效保持角色身份；到了 2.5 版本，这种一致性进一步覆盖多个视角，且不会发生身份漂移。背后依靠的是底层架构的根本改进，也体现了这一成果的技术难度。

智能创意解读

当前模型能够在理解用户初始指令的基础上，直观地完善最终效果。这种“创意直觉”来自对视觉上下文的深入理解，而非事先编写好的固定程序。

Nicole Brichtova 特别指出，创作方向始终由用户决定。创作者可以逐轮调整提示词，一边发挥模型的计算能力，一边把艺术表达引向自己想要的方向。

行业影响与未来路径

专业创意工作流

团队展示了大型广告牌和富有表现力的社交媒体素材：模型在完成复杂文字渲染的同时，也能维持顶尖的视觉质量。这些实际案例说明，Nanobanana 已能够承担专业级制作任务。

文字渲染依旧是开发工作的重点。团队持续打磨这项能力，以适应商业项目与专业创作对质量的严格要求。

Gemini 与 Imagen：战略分工

关于 Google 的 AI 系统，团队也解释了它们如何各展所长、互为补充：

• Imagen：面向需要专门模型来完成特定任务的开发者进行优化。
• Gemini：作为多面手式的多模态创意伙伴，能够更灵活地响应各种指令。

这种清晰的分工，让用户可以按照实际业务需求和创意目标，找到更适合自己的工具。

协作的未来

团队对在研工作的投入，展现了持续快速创新的前景。对视觉还原与直观交互的重视，也让我们看到 AI 作为高水平创作伙伴的发展方向。

从 Nanobanana 这项技术进展中，可以看到人机共同创作的未来。深入理解与原生生成能力相结合，让过去无法实现的创意有了新的空间。

随着团队持续拓展技术能力，图像如何生成、如何编辑，以及我们如何用画面讲述故事，都在发生根本性的变化。