谷歌发布Nano Banana 2.1:对话式图像编辑,蒙版得分提升84分

流云 2026-10-09 2392 0条评论
摘要: 10月8日,谷歌推出Nano Banana 2.1,一款图像生成与对话式编辑模型。它基于Gemini 3.6 Flash构建,输入上下文最高1M token,图像输出最高4K,支持...

10月8日,谷歌推出Nano Banana 2.1,一款图像生成与对话式编辑模型。它基于Gemini 3.6 Flash构建,输入上下文最高1M token,图像输出最高4K,支持文本与图像同时输入,并按对话方式连续修改同一张成品。接入渠道覆盖Gemini App、AI Studio与Gemini API。

对话式编辑:从生成到修改共用一套输入

模型沿用Gemini系列的语言理解能力,可执行包含多个条件的指令,例如同时指定主体、风格与画面比例。生成与编辑共用同一套输入形式:上传图像并附上文字说明,模型在保留原图结构的前提下输出修改结果,也可在多轮对话中逐步调整细节。在AI工具导航的图像生成分类中,这种“对话式连续修改”的交互形态,与圈选、掩码类工具形成明确区隔——前者更适合按指令反复改稿,后者更适合精确控制像素区域。

蒙版与涂鸦编辑:1049分

官方模型卡显示,蒙版与涂鸦编辑在Mask/Ink-Based Editing评测中得1049分,上一代Gemini 3.1 Flash Image为965分,上一代旗舰Gemini 3 Pro Image为927分。官方同时列出已知局限:局部编辑下偶发保留输入图像中的主体姿态,涂鸦区域的指令跟随也并非始终完整。这意味着涂鸦编辑的精度在提升,但距离“指哪改哪、绝不越界”仍有距离,正式生产前建议对结果做人工复核。

多角色一致性:1106分

在角色一致性上,Multi-Character Consistency评测由上一代978分提升到1106分,Single-Character Consistency为1028分。Multi-Reference Editing得1066分,支持把人物、产品与场景等多张参考图合并进同一张画面,适合需要固定形象的连续出图。对于电商与广告设计人员,多角色一致性直接决定系列物料能否保持统一视觉语言——这是批量生产场景中比单张画质更关键的指标。

信息图与4K输出

输出为图像,官方标注最高4K。文本密集型画面是该版本的另一重点:Infographic Design得1048分,Infographic Factuality为0.521,均高于同家族上一代;Overall Preference综合偏好得1050分。官方同时提示,小字号文本在1K输出下仍可能模糊,长段落与整页排版的效果有限。含文字的版面建议放大后核对小字号是否清晰。

与同类模型的路线差异

对比维度Nano Banana 2.1Qwen-Image-2.1FLUX 3 Image
出品方谷歌阿里通义千问Black Forest Labs
参考图支持多图参考融合上限10张上限10张
局部编辑蒙版与涂鸦编辑圈选、涂抹、掩码像素级多轮编辑
获取方式闭源、Gemini全线开放权重、研究许可官方接口按张计费

四款产品的路线分歧集中在两点:交付形式上,Nano Banana 2.1与ChatGPT Images 2.5走闭源入口,Qwen-Image-2.1与FLUX 3 Image把开放权重作为主打;编辑方式上,前者偏向对话式连续修改,后者偏向圈选与像素级的多轮调整。对于关注AI办公软件推荐的团队,如果工作流以“快速出图+反复改稿”为主,入口型和对话式更顺手;如果需要把模型放进自有环境,权重开放的路线更合适。

使用与获取

模型通过Gemini App、Google AI Studio与Gemini API提供。Gemini App提供免费使用额度,付费订阅与API调用按各自套餐计费,谷歌未针对Nano Banana 2.1单独公布价格。模型权重不对外开放,不提供本地部署。首次接入建议先用单张图与简单指令验证局部编辑的保留范围,再扩展到多图参考。

编辑判断

Nano Banana 2.1的升级集中在编辑精度和角色一致性两项,这正是图像生成从“出图”走向“生产”的关键瓶颈。蒙版编辑84分的提升和多角色一致性128分的提升,指向的是同一个方向:让AI生成的图片在系列化、批量化的商业场景中真正可用。但官方自己列出的局限也值得注意——小字号模糊、局部编辑偶发保留姿态、涂鸦指令跟随不完整,这些细节决定了它目前更适合做初稿和快速迭代,最终成品仍需人工把关。


文章版权及转载声明:

作者:流云本文地址:https://sanwenge.com/post/1485.html发布于 2026-10-09
文章转载或复制请以超链接形式并注明出处三文阁