Alphabet推出Gemini 2.5新模型 冲击创意工具市场布局全模态

Nano Banana爆火背后，深聊谷歌多模态五大主线布局【硅谷101】 — 硅谷101

硅谷101

谷歌通过分兵突破不同模态并向Gemini深度融合的策略，试图用完整的矩阵式产品线重新定义生成式AI的边界，夺回行业领跑地位。

AI-assisted summary of Nano Banana爆火背后，深聊谷歌多模态五大主线布局【硅谷101】 — original source. Check the original for full context.

Source published:

Detailed notes

## Background 该内容由 Bilibili 频道的“硅谷101”于 2026 年（发布时间为 2025 年 9 月 6 日）发布。视频简介指出，当前最火爆的 AI 文生图模型 Nano Banana 凭借惊艳的图像质量与角色一致性迅速成为全网焦点，它颠覆了传统“一次出图”的限制，更像是一个随时待命的智能设计助手，同时该内容也将深入探讨谷歌如何通过 Imagen、Veo 到 Genie 等矩阵式产品线重新定义 AI 创作的边界。

## TL;DR 节目深入揭秘了在 LMSYS 榜单上悄然登顶的神秘模型 Nano Banana，其真实身份为谷歌的 Gemini 2.5 Flash Image。该模型凭借“交替生成”新范式，在角色一致性、多图融合以及自然语言精准驱动的局部修改上实现了三大核心突破，单张生成成本仅需 0.039 美元。主持人通过多轮趣味实测展现了其在跨时空合影和专业广告设计中的商业潜力，并横向对比了其与 GPT-4o、Flux 的优劣，最后梳理了谷歌涵盖文生图、文生视频、交互世界模型等庞大的五大主线多模态产品矩阵与 Any-to-Any 的智能体战略布局。

## Atmosphere & style 节目的整体基调既具专业科技感又充满趣味性与探究欲。主持人陈倩以轻松、接地气的方式进行现场实测，从最初对神秘模型的全网热议切入，营造出一种解密悬疑事件的兴奋感，随后在“玩梗”式的逗趣实测（如给马斯克穿香蕉服、调侃模型不认识自家老板）中展现出极具感染力的互动氛围。观众在聆听时能清晰感受到科技迭代带来的震撼与惊艳，同时在后半段深入的产品矩阵与战略分析中，语调转为冷静、宏大的行业透视，整体呈现出一种马拉松式科技竞赛的紧迫感与前沿感。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1dHaizdEVs?t=0s) 2025年8月中旬，神秘模型Nano Banana因登顶LMSYS Chatbot Arena文生图和图片编辑榜首引发热议，后被证实为谷歌最新发布的Gemini 2.5 Flash Image模型。 - [02:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=135s) Nano Banana的核心突破在于实现了极强的人物和物体一致性、无缝的多图融合，以及由自然语言驱动的精准局部修改。 - [02:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=135s) 该模型通过多轮对话式编辑和风格混配，大幅降低了精细修图与图片编辑的门槛，引发网友关于“Photoshop时代终结”的讨论。 - [05:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=359s) 研发团队在Nano Banana中采用了“交替生成（Alternate Generation）”的新范式，将复杂指令拆分为带有上下文记忆的渐进式微调，从而完美锁定了主体特征。 - [05:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=359s) Nano Banana的诞生得益于Gemini团队（提供语言理解与世界知识）与Imagen团队（提供高质量图像生成与风格控制）的强强联合。 - [05:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=359s) 该模型具备极高的商业和实用价值，其单张图片生成成本仅需0.039美元且速度极快，已被Adobe、Canva等平台宣布集成，并在广告设计、品牌样衣试穿等领域展现出替代专业设计的潜力。 - [10:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=659s) 虽然Nano Banana在实测中表现出惊艳的细节处理和长序列修改能力，但在极复杂的合影多轮修改中仍存在小Bug，且在中文乱码、分辨率及艺术审美上较Midjourney等仍有差距。 - [13:45](https://www.bilibili.com/video/BV1dHaizdEVs?t=825s) 创作者通过将Nano Banana的静态图生成能力与第三方视频生成工具结合，展现了“名画复活”、快速动画制作和3D产品展示等跨平台联动的全新玩法。 - [16:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=1019s) 谷歌在多模态领域并非偶然爆发，而是构建了包含Imagen（文生图）、VEO（文生视频）、Genie（交互世界生成/世界模型）、创作者工具集以及Gemini底座在内的五大产品主线矩阵。 - [21:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=1319s) 谷歌在AI领域的整体战略是“分兵突破”后渐进式地走向“Any-to-Any”的通用多模态智能体（Agent），通过完整的产品矩阵重新定义生成式AI的边界。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1dHaizdEVs?t=0s) 榜首神秘模型 Nano Banana 揭秘

在 2025 年 8 月中旬左右，全球最火、最权威的大模型匿名竞技平台 LMSYS Chatbot Arena 的文生图和图片编辑榜单上，突然出现了一个代号为 "Nano Banana" 的神秘模型。它在没有任何官方公告和文档的情况下，凭借极其惊人的图像质量、超强的一致性以及稳定的输出，在短短几天内迅速攀升至榜单首位，稳坐第一。一时间，AI 社区彻底沸腾，大家纷纷猜测这到底是 OpenAI 的秘密武器，还是某家独立研究团队的黑马。

悬念在 8 月 25 日前后逐渐揭晓。包括 Google DeepMind CEO Demis Hassabis 在内的多位谷歌工程高管，开始在社交平台上发布带有香蕉元素的帖子。随后，谷歌 CEO Sundar Pichai 更是连发三根香蕉的表情宣示主权。谜底正式曝光：这个横扫榜单的 Nano Banana，正是谷歌最新发布的文生图模型 **Gemini 2.5 Flash Image**。

作为 Gemini 2.0 Flash 的升级版，Nano Banana 不仅仅是一个单张图生成工具，而是一个更贴近真实工作流的 AI 编辑器。它让用户只需通过自然语言，就能完成精细的局部修改和多图合成，在多次编辑中保持角色和画面高度一致。许多网友在测试后惊呼，这或许意味着 "Photoshop 时代的终结"。

- **匿名对战机制**：LMSYS Arena 采用社区投票主导的盲测机制，由用户在不知道模型名称的情况下对两张生成图进行投票，基于算法进行排名。 - **上一次行业热潮**：上一次文生图领域如此轰动的场面，还要追溯到几个月前 GPT-4o 引发的“吉卜力热潮”。

---

[02:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=135s) Nano Banana 的三大核心突破

接受采访的开发者们指出，Nano Banana 带来最震撼的突破在于其“一致性能力”、“多图融合”以及“自然语言驱动的精准修改”。

1. **角色与物体的一致性**：过去的大多数模型在进行多轮修改时，经常出现“换了衣服人也变了脸”的尴尬情况。比如想给照片中的人换个外套颜色，系统却顺手把五官也拉歪了。而 Nano Banana 能够在多轮编辑中牢牢锁住人物或物体的核心特征，无论是调整姿势、换服装，还是把宠物狗放进新背景，主体特征始终保持不变。 2. **多图融合**：以往将两张完全不同的照片合在一起，经常会出现空间扭曲、细节丢失、边缘不协调等问题，人放进场景里像被生硬贴上去的。Nano Banana 能够自动处理不同图片间的风格和逻辑一致性，让融合后的画面浑然一体。 3. **自然语言驱动的精准修改**：用户不再需要用专业工具去反复擦拭或绘制蒙版（Mask），只需用简单的语言描述“换个背景”或“移除某个人物”，模型就能在保持其他部分完全不变的前提下，精准执行指令，将图片编辑的门槛降到了零。

此外，它还支持多轮对话式编辑和风格混配。用户可以先让它把房间刷成薄荷绿，再补上书架、换个地毯，模型会一步步记住上下文，不会推翻之前的成果。用户甚至可以提出极具创意的要求，比如“把花瓣的纹理应用在鞋子上”或“把蝴蝶翅膀的图案变成一条裙子”。

- **安全机制**：谷歌为所有 Nano Banana 生成的图片加上了可见水印，同时嵌入了肉眼不可见的数字水印 SynthID，以便未来对 AI 作品进行识别和追溯。

---

[05:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=359s) 研发背后的故事与超低生成成本

在 Nano Banana 正式发布后，背后的 DeepMind 研发团队也首次走到台前。他们透露，该模型最核心的突破在于采用了一种名为**“交替生成”（Alternate Generation）**的图像生成新范式。这种范式将用户的复杂指令拆分成多个步骤，每一步只做一个小调整（例如：先换衣服，再加背景，最后加宠物）。通过这种方式，AI 在编辑时不再是“一次性妄改”，而是带着每一轮修改的记忆，从而完美保持主体一致性。

此外，Nano Banana 在创意场景中表现得如此自然，得益于 Gemini 团队与 Imagen 团队的强强联合。Gemini 团队带来了强大的语言理解与“世界知识”（World Knowledge），让模型能听懂复杂的指令；Imagen 团队则提供了高质量图像生成和风格控制的丰富经验。两者结合，让模型在“理解-创造-理解”的循环中表现全面。DeepMind 研究员表示，他们的目标是让 Nano Banana 成为一个能够陪伴用户思考和创作的“智能体”（Agent）。

在成本和速度方面，Nano Banana 的表现同样令人惊叹。根据测试，其**单张图像的生成成本仅需 0.039 美元（折合人民币不到三毛钱）**，且出图和修改速度极快，输入指令后只需几秒钟即可完成。目前，普通用户已可在 Google Gemini 应用、Google AI Studio 中直接调用，或通过 Gemini API 和 Vertex AI 平台进行开发。Adobe、Canva 等平台也已陆续宣布将其集成进自己的创意工具中。

---

[08:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=495s) 现场实测：从“周游世界”到“猩猩宝宝”

为了验证 Nano Banana 的真实效果，主持人陈倩亲自上手进行了多轮趣味实测。

首先是宠物测试。陈倩上传了自家萨摩耶的照片，指令“秒变黑色萨摩耶”，随后又成功将其品种换成了哈士奇，过渡非常自然。接着，她上传了一张自己在后院抱着宝宝 Benjamin 的照片，开启了“周游世界”模式。Nano Banana 轻松将母子二人“瞬移”到了马尔代夫、巴黎和北京故宫，背景融合度极高。

随后，陈倩加大了测试难度，要求把怀里的宝宝变成一只“猩猩宝宝”。生成的结果令人惊叹：在妈妈（陈倩）完全保持不变的前提下，猩猩宝宝的墨镜、表情和动作都完美保留了原片的姿态。她继续追加指令，要求“把我的表情从微笑变成惊讶”，并“把姿态从看向镜头转为惊讶地看向宝宝”。模型不仅完美保持了人物一致性，甚至连侧头后**墨镜镜片中的反光都细致地变成了沙滩的景象**，逻辑和细节堪称完美。

---

[10:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=659s) 社交合影与专业替代能力

除了娱乐玩梗，Nano Banana 的多图融合功能在处理“跨时空会面”时也达到了以假乱真的地步。陈倩尝试给“老冤家”马斯克和奥特曼（Sam Altman）攒个局，让两人坐在一起聊天，随后又让他们穿上可爱的香蕉服。接着，她尝试把路人 Sundar Pichai 和扎克伯格也拉进合影。

在这个过程中，模型出现了一些有趣的 Bug：马斯克一度变成了扎克伯格，Pichai 也不见了。当人像重新生成后，陈倩指着最右边的人问模型“这位是 Pichai 吗？”，模型居然斩钉截铁地回答“是”，但画面上其实并不是 Pichai 本人。陈倩调侃道：“连自家老板都不认识，这可是要扣工资的呀！”虽然在极复杂的合影多轮修改中存在一些 Bug，但整体而言，普通的合影需求已经做得非常丝滑。

更重要的是，这种多图融合能力已经展现出替代专业设计的商业潜力： - **广告设计替代**：有网友一次性输入了包括模特照片、产品、背景元素在内的十几张图片，让 Nano Banana 进行融合设计，最终效果媲美甚至超越了专业广告设计公司。 - **服装品牌样衣试穿**：品牌方无需再花大笔经费进行棚拍置景。例如想让泰勒·斯威夫特（Taylor Swift）换身西装，只需上传一张衣服的平面照片，模型就能自动调整各种姿势、光影，连续生成各种角度的模特上身效果。 - **抽象指令理解**：有网友随手画了一幅简笔画，结合上传的人物图片，模型就能准确理解并改变姿势，比如让奥特曼表演鞍马。在平面地图上随便画一根线，它就能展示出从该线条视角看过去的实际风景。

---

[13:45](https://www.bilibili.com/video/BV1dHaizdEVs?t=825s) 跨平台联动与竞品横向对比

在发布后的几天里，网友们开发出了各种新玩法。其中最火爆的趋势是制作“手办模型”（Toy Figurine），陈倩也亲自制作了一个，效果极其可爱。此外，将 Nano Banana 的静态图片生成能力与其他视频生成平台（如 Luma Dream Machine、Runway 等）相结合，创作出了许多惊艳的视频： - **名画复活**：有人将 Nano Banana 与视频工具结合，让梵高和蒙娜丽莎从油画里走出来，变成真人坐在中央公园聊天。 - **快速动画制作**：有创作者利用 Nano Banana 和视频生成工具，在不到两小时内就做出了一部细节满满的动画短片。 - **3D 产品展示**：结合 3D 渲染工具，制作出高精度的 3D 产品介绍视频。

为了对比 Nano Banana 与其他主流模型的差距，陈倩进行了横向测试： - **改变照片背景**：使用相同的指令，GPT-4o 生成的人物几乎变了样；Flux 虽然把人抠了出来，但头发少了一块，且人像有明显的“贴纸感”；而 Nano Banana 融合得最自然。 - **多图融合合影**：GPT-4o 不仅无法一次性理解指令，生成的照片也完全不可用，人脸甚至发生了变形。 - **生成速度与稳定性**：在生成速度上，其他模型比 Nano Banana 慢了数倍，且输出的稳定性也逊色不少。

不过，Nano Banana 目前也并非完美无缺。它的主要短板包括：在中文能力上仍未有质的突破，生成的图片中依然存在文字乱码；在面对极其复杂的指令时，多轮对话容易“凌乱”（如前述马斯克、扎克伯格与猩猩宝宝的复杂合影测试中，人物比例失调，连主体人物也变了）；此外，部分网友反映其图片分辨率不够高、提示词审查过于严格，且在艺术性和审美上相比 Midjourney 仍有差距。

---

[16:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=1019s) 谷歌庞大的多模态产品矩阵

如果将 Nano Banana 放在更长的时间维度来看，这并非谷歌的偶然爆发。在过去一年多的时间里，谷歌以极其密集的节奏，推出并迭代了多条多模态产品线，形成了一个完整的矩阵。这个矩阵大致可以划分为以下五条主线：

#### 1. 文生图：Imagen 系列 - **Imagen 1**：最早可追溯至 2022 年 5 月，由 Google Research 首次提出，结合大语言模型与扩散模型，当时被认为超越了 DALL-E 2。因安全和版权风险，初期未向公众开放。 - **Imagen 3**：在 2024 年 I/O 大会上正式推出，真正走向产品化。 - **Imagen 4**：2025 年 5 月发布，进一步强化了光影表现和细节质量，逼近真实摄影。

#### 2. 文生视频：VEO 系列 - **Lumiere**：2024 年 1 月首次发布，采用时空一致性扩散方式直接生成整段视频。 - **VEO 1**：2024 年 5 月 I/O 大会亮相，可生成 1080p 高清视频。 - **VEO 2**：2024 年 12 月升级至 4K，并首次接入 Vertex AI 平台。 - **VEO 3**：2025 年 5 月 I/O 大会亮相，不仅能生成视频，还能同步生成音乐和旁白，推进至影视级创作。

#### 3. 交互世界生成：Genie 系列（世界模型） - **Genie 1**：2024 年初亮相，是第一个能根据图像生成可玩 2D 游戏环境的模型。 - **Genie 2**：2024 年底发布，升级至生成更长、更复杂的 3D 互动世界。 - **Genie 3**：2025 年 8 月 5 日推出，支持从文本或图像生成动态、可导航的 3D 世界，并首次支持实时交互，允许用户在生成环境中实时修改物体或天气。

#### 4. 创作者工具集 - **ImagenFX & VideoFX**：2024 年 5 月推出，让用户直接在 Google Labs 中体验文生图与文生视频。 - **Flow**：2025 年 5 月发布，专为影视叙事设计，将 VEO 和 Imagen 的能力整合进分镜、镜头和叙事风格的工作流中。

#### 5. 多模态底座：Gemini 系列 - **Gemini 1.0**：2023 年底发布，确立了 Ultra、Pro、Nano 三个尺寸的模型家族。 - **Gemini 1.5**：2024 年 2 月发布，带来革命性的长上下文窗口（Long Context Window），可一次性处理海量文本、代码、图像及视频。 - **Gemini 2.0**：2025 年 2 月登场，推出 Flash 和 Flash Light，主打低延迟和大规模部署。 - **Gemini 2.5 Flash Image（Nano Banana）**：2025 年 8 月现身，将 AI 精细修图变成了人人可用的极速体验。

---

[21:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=1319s) 谷歌的战略：从单一模型到 Any-to-Any 智能体

行业专家 Nathan 在采访中指出，谷歌拥有顶尖的人才、基建和数据底座，这是它在激烈竞争中的核心优势。在看似庞杂的产品线背后，谷歌有着清晰的产品路线：每一个模型的发布都针对特定的消费场景（User Case）和用户画像（User Profile），而非盲目开发。

同时，谷歌正在渐进式地朝着“大而全”的智能体（Agent）方向推进。目前，各大科技巨头都希望打造一个“Any-to-Any”的通用生成模型，统一支持语音、图片、视频、文字和代码。由于这是一个极其宏大的框架，谷歌采取了“分兵突破”的策略——不同团队先在各自的领域（如图片生成、视频生成）取得突破并发布产品，未来再将其深度融合。

业内普遍猜测，谷歌未来可能会将更多专业模型的能力向 Gemini 融合，为普通用户打造一个多模态的“超级流量入口”；而像 Imagen、VEO、Genie 等专业模型，则将继续向纵深发展，主要为专业级开发者和企业提供服务。在这场生成式 AI 的马拉松里，谷歌曾被质疑掉队，但如今它已补齐了所有环节，试图用一个完整的矩阵重新定义生成式 AI 的边界。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1dHaizdEVs?t=0s) Photoshop 时代的终结

> [02:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=135s) 换了衣服人也变了脸

> [02:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=135s) 把花瓣的纹理应用在鞋子上

> [02:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=135s) 把蝴蝶翅膀的图案变成一条裙子

> [05:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=359s) 一次性妄改

> [05:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=359s) 理解-创造-理解

> [08:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=495s) 周游世界 — 陈倩

> [08:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=495s) 把我的表情从微笑变成惊讶 — 陈倩

> [08:15](https://www.bilibili.com/video/BV1dHaizdEVs?t=495s) 把姿态从看向镜头转为惊讶地看向宝宝 — 陈倩

> [10:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=659s) 连自家老板都不认识，这可是要扣工资的呀！ — 陈倩

> [13:45](https://www.bilibili.com/video/BV1dHaizdEVs?t=825s) 名画复活

> [13:45](https://www.bilibili.com/video/BV1dHaizdEVs?t=825s) 贴纸感

> [21:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=1319s) 大而全 — Nathan

> [21:59](https://www.bilibili.com/video/BV1dHaizdEVs?t=1319s) 超级流量入口

## Mentioned Nano Banana, LMSYS Chatbot Arena, OpenAI, Google DeepMind, Demis Hassabis, Sundar Pichai, Gemini 2.5 Flash Image, Gemini 2.0 Flash, Photoshop, GPT-4o, SynthID, Gemini, Imagen, Google Gemini, Google AI Studio, Gemini API, Vertex AI, Adobe, Canva, 陈倩, Benjamin, 马斯克, 奥特曼, Sam Altman, 扎克伯格, 泰勒·斯威夫特, Taylor Swift, Luma Dream Machine, Runway, 梵高, 蒙娜丽莎, Flux, Midjourney, Imagen 1, DALL-E 2, Imagen 3, Imagen 4, VEO, Lumiere, VEO 1, VEO 2, VEO 3, Genie, Genie 1, Genie 2, Genie 3, ImagenFX, VideoFX, Google Labs, Flow, Gemini 1.0, Gemini 1.5, Gemini 2.0, Nathan

[Source](https://www.bilibili.com/video/BV1dHaizdEVs)

中文简报

Alphabet推出Gemini 2.5新模型 冲击创意工具市场布局全模态 谷歌通过分兵突破不同模态并向Gemini深度融合的策略，试图用完整的矩阵式产品线重新定义生成式AI的边界，夺回行业领跑地位。 节目深入揭秘了在 LMSYS 榜单上悄然登顶的神秘模型 Nano Banana，其真实身份为谷歌的 Gemini 2.5 Flash Image。该模型凭借“交替生成”新范式，在角色一致性、多图融合以及自然语言精准驱动的局部修改上实现了三大核心突破，单张生成成本仅需 0.039 美元。主持人通过多轮趣味实测展现了其在跨时空合影和专业广告设计中的商业潜力，并横向对比了其与 GPT-4o、Flux 的优劣，最后梳理了谷歌涵盖文生图、文生视频、交互世界模型等庞大的五大主线多模态产品矩阵与 Any-to-Any 的智能体战略布局。 2025年8月中旬在 LMSYS 竞技场登顶文生图榜首的神秘模型 Nano Banana，被证实为谷歌最新发布的 Gemini 2.5 Flash Image。 (0:00) 该模型实现了惊艳的人物与物体一致性，支持无缝多图融合，用户仅凭自然语言描述即可完成精细的局部编辑。 (2:15) 模型结合了 Gemini 的语义理解与 Imagen 的生图能力，依托“交替生成”范式将单张图生成成本压低至 0.039 美元，并已获 Adobe 与 Canva 集成。 (5:59) 实测显示其在人像修改与多图合成上显著超越 GPT-4o 等竞品，但在中文文字渲染、图像分辨率以及艺术审美上仍有提升空间。 (13:45) 从 Imagen、VEO、Genie 到 Gemini 底座，谷歌正以五大多模态主线矩阵式推进，加速布局“Any-to-Any”通用生成智能体。 (16:59)

Reading summary

谷歌代号为“Nano Banana”的文生图模型 Gemini 2.5 Flash Image 凭借多轮编辑的一致性与低成本引发热议，展现出替代传统图像设计工作流的潜力。该模型的爆发并非孤立事件，而是植根于谷歌由 Imagen、VEO、Genie 与 Gemini 等交织而成的多模态全矩阵布局。 技术突破与低成本工作流 (0:00) 在 2025 年 8 月 LMSYS Chatbot Arena 盲测登顶后，谷歌证实 Nano Banana 即为 Gemini 2.5 Flash Image。该模型由 Gemini 与 Imagen 团队联合研发，采用“交替生成”（Alternate Generation）新范式，将复杂修改拆解为多个步骤，并在保留上下文记忆的同时锁住核心特征，解决了多轮编辑中“换衣即变脸”的失真痛点。用户无需绘制蒙版，直接通过自然语言即可实现角色一致性编辑与多图融合。此外，其单张生成成本仅为 0.039 美元（折合人民币不到三毛钱），出图仅需数秒，已被 Adobe 和 Canva 集成，并配备了可见水印与 SynthID 隐形数字水印以确保溯源。 多场景实测表现与局限性 (8:15) 实测显示，Nano Banana 在宠物跨品种变换、复杂背景替换（如人物瞬移至沙滩后墨镜反光随之变化）以及姿态保留上表现出色。在多图融合方面，它支持输入多张素材生成商业级广告、让模特试穿平面服装照片，或将简笔画转化为鞍马动作等抽象理解。在与 GPT-4o 和 Flux 的横向对比中，Nano Banana 在背景替换融合度与生成速度上均表现出优势，并被创作者用于制作手办模型及联动 Luma、Runway 等工具生成动画视频。不过模型仍存在短板：中文生成偶有乱码、极复杂多人指令下易出现身份错乱（如将马斯克生成为扎克伯格且误认 Pichai）、分辨率和艺术审美被指不如 Midjourney，且提示词审查较为严格。 谷歌多模态五大主线产品矩阵 (16:59) Nano Banana 的落地背后是谷歌过去一年多来高频迭代的五大多模态产品主线：一是文生图 Imagen 系列，从 2022 年的 Imagen 1 迭代至逼近摄影质量的 Imagen 4；二是文生视频 VEO 系列，从支持 1080p 的 VEO 1 发展到可同步生成音乐与旁白的 VEO 3；三是交互世界生成模型 Genie 系列，从 2D 游戏环境演进到支持实时导航与天气修改的 3D 世界模型 Genie 3；四是创作者工具集，包含 Labs 中的 ImagenFX、VideoFX 以及专为影视分镜设计的 Flow；五是底座大模型 Gemini 系列，通过 1.5 版本的长上下文和 2.0 版本的低延迟部署能力，支撑前沿多模态应用。 Any-to-Any 终局与分兵突破 (21:59) 行业专家 Nathan 分析指出，谷歌依托人才、算力基建和数据底座，采取了针对具体消费场景与用户画像的清晰路线。面对“Any-to-Any”统一多模态生成模型的行业终局，谷歌目前选择“分兵突破”策略，由不同团队先在图像、视频等单一模态取得技术成果，未来再深度整合进统一智能体架构。业内普遍推测，谷歌未来或将把各类专业能力汇聚至面向大众的超级入口 Gemini，而 Imagen、VEO、Genie 等专项模型则继续向企业与专业开发者纵深发展。 Nano Banana 表明谷歌在文生图与编辑工作流上已补齐短板，但其在极复杂多轮指令下的逻辑稳定性、中文排版能力与审美表现仍有待检验；未来各独立模态能否顺利融合为真正的“Any-to-Any”通用智能体，依然是其面临的长期课题。

Source quotes

[0:00] Photoshop 时代的终结 [2:15] 换了衣服人也变了脸 [2:15] 把花瓣的纹理应用在鞋子上 [2:15] 把蝴蝶翅膀的图案变成一条裙子 [5:59] 一次性妄改 [5:59] 理解-创造-理解 [8:15] 陈倩: 周游世界 [8:15] 陈倩: 把我的表情从微笑变成惊讶 [8:15] 陈倩: 把姿态从看向镜头转为惊讶地看向宝宝 [10:59] 陈倩: 连自家老板都不认识，这可是要扣工资的呀！ [13:45] 名画复活 [13:45] 贴纸感 [21:59] Nathan: 大而全 [21:59] 超级流量入口

Original transcript

[0:00] 这可能是目前为止最炸裂的纹身图模型了Nano Banana几周前这个顶着神秘香蕉代号的模型在评测平台上悄然登场没有任何公告没有官方文档但却凭着惊人的图像质量和角色一致性凭实力吊打了一票老牌模型在AI社区里发轰动当时有人猜它是OpenAI的秘密实验品也有人认为可能是独立研究团队的黑马之作而几天之后谜底终于揭晓Google亲自下场认领Nano Banana就是Google最新发布的文身图模型Gemina 2.5 Flash Image作为Gemina 2.0 Flash的升级版Nano Banana是一个更加贴近真实工作流的AI编辑器它不仅能在多次编辑中保持角色和画面的高度一致还让用户只需要自然语言就能完成精细的局部修改和多图合成相比过去大部分模型生成一张好图的目标Nano Banana则更像是一个随时待命的设计助手能够帮你不断去迭代调整优化创造大量网友们在测试完之后都表示这可能是Rotoshop时代的终结那么在已经严重内卷的文身图模型赛道Nano Banana凭什么能够再次掀起一阵狂潮呢相比OpenAI Flux这些强劲对手他有什么特别之处真实的效果到底如何谷歌的多模态能力如今又究竟发展到什么程度了呢大家好欢迎来到硅谷101我是陈倩那么接下来让我们一起走进Nano Banana来一探究竟在Nano Banana还没被Google正式的认领之前它命名登场于目前全球最火最权威的大模型测评平台LM Arena这是一个以社区投票为主导的AI模型竞技场主要形式就是让两个模型匿名对战用户蒙选出自己更满意的结果网站在根据社区用户的投票基于一系列算法来对各家模型进行排名大约在8月中旬左右大家开始注意到在LM Arena的纹身图和图片编辑榜单上突然出现了一个陌生而神秘的模型代号Nano Banana并且在之后几天内凭借着超级稳定和惊艳的输出在排行榜上迅速参生最后稳坐榜首那么一时间Nano Banana的名字是迅速的传开并且引发了大量的关注与讨论大家都在猜测这个神秘的模型究竟是谁的手笔呢就在关于Nano Banana的讨论进入白热化的时候8月25号前后包括DeepMind CEO Demis Hassabis等在内的谷歌工程高管就开始在社交平台上按车车的发带有香蕉元素的帖子让悬念逐渐落地而就在Gemini 2.5 Flash Image被正式官宣发布之前谷歌CEO Pichai更是连发了三根香蕉宣示了对Nano Banana的主权上一次纹身图模型如此热闹的场面还要追溯到几个月前GPT4O的吉卜力热潮那么这次的Nano Banana究竟好在哪里我们采访了一些开发者大家都首先表示Nano Banana此次最大的一个突破就是它的一致性能力我觉得最惊艳就是它在这个角色的一致性上面做的效果非常好比之前的模型我觉得效果上应该是这应该是做的最好的一个Nano Banana让我比较震撼的一个地方就是它的一次生成成功然后保持这种一致性包括它的可编辑性是让我感到很惊讶的一个地方过去很多模型在对图片进行反复修改的时候最常见的问题就是换了衣服人也变了脸比如说你想把照片里面的外套换个颜色结果系统顺手把五官也是给拉歪了那么这种不够像的小偏差让人很难把AI当作可靠的创作工具而Nano Banana的改进之处就在于它能够在多轮编辑中牢牢的锁住人物或者物体的核心特征无论是调整姿势换服装还是把狗狗放进新的背景里面主体能够始终的保持不变那么第二个大的突破就在于多图融合那过去把两张完全不同的照片合在一起常见的问题就包括不同图像间的不协调空间扭曲细节丢失或者变形等等人在场景里往往看起来都像被贴上去的而Nino Banana能够在多图合成的时候自动处理风格和逻辑一致性让画面看上去浑然一体那么第三个亮点是自然语言驱动的精准修改以前想要改动一张照片往往要自己画萌版或者用专业的工具去反复的擦拭现在你只需要简单的描述换个背景或者从照片中移除整个人物改变人物的姿势等等Nano Banana就能够在其他部分保持不变的前提下精准的执行用户的要求将图片编辑的操作门槛几乎降到了零甚至你都可以 [4:59] 使用语言跟他交流随手能画个简笔画都可以此外他还加入了多轮对话式编辑和风格混配你可以先让他把房间刷成薄荷绿再补上树架换个地毯模型会一步步记住上下文不会把之前的成果推翻甚至你还可以要求他把花瓣的纹理应用在鞋子上蝴蝶翅膀的图案变成一条裙子生成一种全新的创意风格当然安全性也被摆在了前面Google给所有nano banana生成的图片是加上了可见水印同时还有肉眼不可见的数字水印Sense ID以保证未来能识别和追溯AI作品那么在nano banana正式发布之后背后的DeepMind团队也是首次走到了台前讲述了这款模型背后的研发故事团队介绍说nano banana最核心的突破是使用了一种叫做交替生成的图像生成的新范式它会把用户的复杂指令拆分成多个步骤每一步只做一个小调整比如说先换衣服再加背景然后再加宠物那以这样的方式就可以让AI编辑不再失忆性的一次性妄改而是带着每一轮修改的记忆从而保持主体的一致性演发人员还透露Nano Banana之所以能够在创意场景里表现得更自然是因为它充分利用了Gemini的世界知识Gemini团队和Imagine强强联合Gemini团队是带来了语言理解和世界知识的能力让模型能够听懂复杂的指令而Imagine团队则是提供了高质量图像生成和风格控制的经验两者结合让Nano Banana不仅能化还能理解逻辑和语义让模型在理解创造理解的循环中表现全面对于Nano Banana的未来发展方向DeepMind的研究员就表示他们希望Nano Banana并不只是一个深层图片的模型而是能够成为一个可靠的能够陪伴用户进行思考和创作的智能体那根据LM Arena的匿名测评结果以及谷歌公布的测试数据来看此次的Gemini 2.5 Flash Image基本上是全方位的碾压了XGBT 4O Flux ContactsQuin Image Edit等竞争对手而在生成成本上更是让人惊掉下巴单张图像的生成成本仅需要0.039美元也就就是不到三毛人民币。那么Nano Banana的真实效果真的有这么好吗?目前,普通用户都可以在Google Gemini应用程序,Google AI Studio中直接调用Nano Banana,也可以使用Gemini API和Vertex AI平台,而Adobe Love Art等平台也陆续宣布已经将其集成进创意工具中这些渠道的开放使得普通用户专业设计人士和开发者都能够轻松的访问尤其值得注意的是用户不仅可以免费用跟之前很多模型的归宿出图不同这次Nano Banana的生成速度也是非常的快输入指令之后大约几秒钟就能够完成出图或者修改也正因为这样便捷高效的操作朋友们可以说已经是玩疯了首先大家几乎都对Nano Banana的人物一致性效果感到惊艳给一张普通的游客照换个背景换个衣服假装自己在球赛现场动动手指几秒就能搞定影棚里的侧面照变成正脸正见照发型造型换一换更是轻轻松松就能完成以前品牌方需要花大量经费的棚拍至景造型现在也就只需打几行字零成本就能出片此外还能用一张卡通人物的图片生成各式各样的人物表情和动作自家宠物也能随意换个毛色或者品种那看到网友们发的效果这么好我自己当然也是忍不住上手试了一下嗯先把我们家的三磨叶小弟换个颜色整个三磨叶秒变造再换个品种试试这个哈士奇好像也不错好 再来玩玩我家的儿子Benjamin我又上传了一张我在后院抱着宝宝的照片首先让Nano Banana把我们省间移动去莫尔代夫去巴黎 然后去北京故宫看起来周游世界是毫无难度接着我让他把我怀里的宝宝变成一只星星宝宝Sorry Benjamin 妈妈玩上头了大家看到这个效果也非常自然在我完全能够保持不变的情况下猩猩宝宝的墨镜表情动作都保留了原片我决定再给他加点难度首先让他把我的表情从微笑变成惊讶接着把我的姿态从看向镜头转为惊讶的看向宝宝大家可以看到人物的一致性依然保持得非常好而且大家注意看 [9:59] 侧头之后我默信中的反光竟然变成了沙滩的景象整个逻辑和细节真的是太赞了虽然目前谷歌还没有发布Nano Banana相关的技术报告但是亚马逊AGI部门Applied Scientist张宋阳就猜测这次Nano Banana的一致性控制能力之所以能够得到很大的提升可能是在数据上花了很多功夫他们有自己的一个数据然后他需要做一些数据的一些清洗因为并不是所有的数据你直接拿过来用就能做到你想要的效果你需要针对比如说有些数据你需要进行一些拆选那些把牙膏高质量的数据包括一些我觉得比较重要比如像人脸这种比较难做的这种你可能需要增加它的比例什么的数据清理是一个很大的一个工作是需要去做的一个是数据来源一个就是数据的一些清理我觉得主要是软化除了超稳定的人物一致性之外它的多图融合功能看起来也已经是到了出神入化的一个程度想让人物跨时空会面他生成的照片几乎能够到以假乱真的程度从人物表情到光线对焦都毫无违和感甚至上传几个食材就能帮你做出一道色香味俱全的菜这么厉害吗让我再来试试首先让我给老冤家马斯克和奥特曼来攒个局感觉大家聊得还不错接着让我们都穿上一个香蕉服装试试哈哈有点可爱在家的难度让他把路人皮柴和扎克伯克来跟我们来着合影Wait马斯克怎么变成小扎了还有皮柴去哪里了好的人总算回来了不过这不是马斯克好吧这个好像也不是Pichai好 跟他确认一下最右边这位是Pichai吗你猜怎么着他居然斩钉截铁地告诉我他是你看连自家老板都不认识这可是要扣工资的呀那我决定再帮他一把看一下他到底能不能纠正过来呢好吧 我输了看来呢就只能扣工资了那大家可以看出来Nano Banana还是有很多有bug的地方这个我们稍后来说但是一般的合影需求其实还是做的非常的丝滑的非常的出神入化了那比起娱乐玩梗其实更重要的是多图融合的能力现在已经显现出一种专业化替代的能力了比如说有网友一次性输入了包括模特照片产品不仅元素在内的十几图片,让Nano Banana进行融合设计。最后的效果令人惊艳,几乎可以媲美甚至超过广告设计公司。而对于服装品牌们来说,Nano Banana几乎可以帮忙省据他们以后找模特拍产品图的工作,比如说让Taylor Swift换身西装,只需要上传一张衣服的平面照片就能搞定。甚至还可以调整各种姿势、光影,连续生成各种角度各种姿势的模特上升效果此外拥有了世界知识的Nano Banana对抽象指令的理解能力也迎来了大幅度的跃升比如说网友们随手画的一个简笔画它就能准确的结合上传的人物图片进行姿势的改变与创意设计让Sam Ultimate给你表演鞍马一张图就能搞定再比如在平面地图上随便画一根线他就能给你展示从这根线的视角能看到什么样的实际风景此外官方介绍中的多轮对话式编辑和风格混配能力也并没有扩大其词比如说把它用于室内设计和绘图渲染让它用不同的花朵纹理给我设计一个新衣服等等这个样式有点土我们再换一个这个稍微好点了那么针对目前Nano Banana所展现出来的能力Nathan就表示在某种程度上来说我们对图片的编辑能力已经开始达到了文字的类似水平它现在实现的功能相当于什么相当于我们在文字的阶段你把其中一段画给画出来你帮我把这一段给改一下或者这段语意不对你帮我把它给重新描述一下现在其实它能够在图片做到相同文字编辑那样的效果你可以看到说把某一个比如说创年的颜色换成成红色换成蓝色或者说你能够把这个物件给去掉或者从一个图片中加这个物件其实你看就是有点像我们在编辑文字似的可以去在很细微细枝末节这个地方进行一定程度的这种优化和改编我觉得这个是他真正在多摩泰这个模型中已经做到了就是说单一的语言模型可以达到的那样的效果我觉得这一点的话是他一个很好的一个突破但其实我们以上的展示呢都还只是Nano Banana能力的冰山一角自发布这几天来网友们还正在不断挖掘出Nano Banana的各种新鲜的玩法比如说已经火爆全网的手办模型我也忍不住上手制作了一个效果真的是非常的可爱那除了手办等静态操作之外另外一个爆火的趋势是将Nano Banana的能力跟 [14:59] 它平台相结合创作出效果惊艳的视频比如说有人把Nano Banana和Sea Dance Clean结合使用实现了让梵高梅娜丽莎从油画里走出来变成真人坐在中央公园聊天有人使用Nano Banana和Sea Dance仅用不到两小时就做出一个动画短片也有人使用Nano Banana和Wifi制作出细节满满的3D产品介绍等等那么跟其他模型相比Nano Banana的能力是不是真的要强大很多呢那我们自己也是进行了几个简单的测试哈同样改变照片背景的指令这是GPT5的人物几乎是变了样这是Flux的人物倒是抠出来了但是头发少了一块人像是被贴上去的而到了让照片融合进行合影的指令GPT不仅不能一次性理解并完成我的指令生成出来的照片也完全不可用不仅像贴上去的甚至我这个人都变样子了那我们用同样的prompt在GPT上试了一下创建手办人物比例、物观、背景等细节也都出现了不同程度的瑕疵对比使用下来最大的一个感受是目前在生成速度上其他的模型不仅要比nano banana要慢了几倍效果和输出的稳定性方面也是迅速不少当然nano banana目前也并非没有翻车的时候首先在中文能力方面nano banana依然没有出现质的突破生成的图片依然存在文字乱码乱读的现象对编辑指令的理解和执行也会出现偏差比如说我在要求对这个手办加上一双腿的时候它直接加到了盒子上顺带背景里的图片也不翼而飞了而在多轮对话编辑中他在面对复杂指令的时候可能就突然凌乱了比如说我在前文对话中想继续让他尝试多图融合申请一张马斯克扎克伯格匹柴一起围观我怀里星星宝宝的照片不仅人物比例和表情极其的不协调就连我这个照片的主体都变了一个人除此之外网友对他不满意的地方还有图片分辨率不高对提示词的审查太严格艺术性和审美比不上Me Journey还有Imagine等等但是总体来说大家对Nano Banana的评价主要还是以积极正面为主几乎都认为这是纹身图的右翼里程碑如果把Nano Banana放在更长的时间上来看你会发现这并不是谷歌的一次偶然爆发事实上在过去一年多的时间中谷歌几乎用一种密集轰炸的节奏把多模态产品一口气给推到了前台各种模型各种迭代甚至可以用眼花缭乱来形容那么目前谷歌到底有哪些多模态产品线呢我们来一起理一理那么谷歌的多模态产品目前已经形成一个完整的矩阵了它们大致可以分成五条主线第一条主线是文身图Imagine系列Imagine系列最早可以追溯到2022年5月当时Google Research首次提出了这一文身图模型它的特点是结合大语言模型理解提示再用扩散模型生成图像在当时就被认为是超越Dolly2的新一代方案不过因为安全和版权风险Imagine一开始并没有开放给公众使用直到2024年的IO大会谷歌才正式的推出了Imagine3真正的走向产品化到2025年5月Imagine4发布进一步的强化了光影表现和细节质量朝着接近真实摄影的方向漫进第二条主线是文生视频的VIO系列2024年1月谷歌研究院首次发布了Lumere用时空一致性扩散的方式直接生成诊断视频让动作和背景更加的连贯自然随后在2024年5月IO大会上正式亮相了VIO1可以生成1080p的高清视频到了同年的12月VIO2升级到4K并且首次接入了Vortex AI平台而在2025年5月的IO大会上谷歌再次亮相了Vio3不仅能够生成视频还能够同步生成音乐和旁白把纹身视频真正的推进到了影视级创作的阶段第三条主线是Genie系列也就是交互世界生成也被称为世界模型和纹身视频模型不同Genie的目标不是做一段看的视频而是直接生成一个能玩的虚拟世界Genie One于2024年初首次亮相作为第一个能够根据图像生成可玩的2D游戏环境的模型它展示了AI创造互动世界的潜力紧随其后Genia 2在2024年年底发布在一代的基础上取得了巨大进步它能够生成更长更复杂的3D互动世界将AI生成的虚拟环境从二维平面扩展到了三维空间而最新的Genia 3在 [19:59] 今年的8月5号推出能力再次提升到了一个新的高度能够从文本或者图像提示生成动态和导航的3D世界并首次支持实时交互和提示性世界世界允许用户在生成环境中实时修改物体或天气使其成为一个真正意义上的世界模型那么换句话说它不仅能够帮你生成一段画面还能够让你真正的走进去去玩去体验那么这让Gini成为了谷歌多模态矩阵里面一个特别的分支它不是单纯的视频生成而是文生视频和虚拟交互的一个结合预示着谷歌的多模态探索正在触碰沉浸式体验和虚拟世界构建的边界第四条主线是面向创作者的工具集2024年5月谷歌在Io上同时推出了ImagineFX和VideoFX让用户可以直接在Labs中体验文生图与文生视频到了2025年5月,谷歌又发布了Flow,这是一个专为影视叙事设计的工具把View和Imagine的能力整合到分镜、镜头、叙事风格的工作流离最后一条主线就是Gemini多模态底座Gemini是谷歌的通用多模态基础模型是整个系统的大脑它的核心能力在于理解、推理和处理各种信息包括文本、图像、音频、视频等等Gemini扮演着一个通用智能体的角色为其他更专业的模型提供强大的基础支持和世界知识2023年年底Gemini 1.0发布确立了Ultra、Pro、Nano三个不同尺寸的模型家族形态2024年2月Gemini 1.5发布带来了革命性的进步尤其是其突破性的长上下文窗口让它能够一次性处理海量的文本代码图像甚至是视频这让模型在理解复杂冗长的文档或者视频方面有了前所未有的能力2025年2月Gemini 2.0系列登场推出了Flash和Flashlight能够更好的应对需要低延迟和大规模部署的应用场景到了2025年8月Gemini 2.5 Flash Image也就是大家熟知的Nano Banana正式的现身把AI修图直接变成了人人可用的体验那么盘点下来呢你会发现啊谷歌的多模态战略呢已经逐渐的清晰成型了文身图的Imagine文身视频的View探索交互世界的Geni,在通过Flow,Image,FX,Video,FX,把这些能力牵进创作工作流,而背后的支持是快速迭代的多模态底座,Gemini。那么在采访中Natham谈到,谷歌所拥有的非常顶级的人才,基建和数据底座,是他在当前激烈的大模型竞争中的优势所在。在看似复杂,庞大的产品线的背后,谷歌其实也有着比较清晰的产品路线他每次发不同的模型他其实背后是有一个消费场景或者是一定的user case他其实是针对一定的user profile因为大家在做产品上第一件事就是了解你的客户人群是谁你才会去做这样的产品而不是说我做了产品再去找客户人群所以我觉得在我看来的话谷歌这样的一个产品的主线根据客户的人群应用的场景再去开发或者是去迭代他这个模型我觉得这个思路其实是比较清晰的那与此同时我们看到谷歌也正在渐进式的朝着大而全的智能体方向推进就现在很多大公司都希望做一个大而全的这么一个模型它能够支持不同的模态是一个叫any to any的一个Generation的一个model包括语音包括图片包括视频包括文字甚至包括代码这样的都希望做一个大而全的一种这应该更符合一个大家对一个智能的一个认知但是呢因为这是一个很大的一个框架然后在这框架下面我们可能需要针对每一种任务然后来去去去进行研究比如说我们就先就是先研究一些图片怎么生成图片再研究怎么怎么生成视频所以说你会看他们在这个模型因为它是不同的团队在做他们的比如说他们先得把某一个任务他先突破了然后他发一个产品然后在另外一个任务可能也通过了发来一个产品但我相信作为一个用户来说我是肯定也是希望他能把这些模型融合在一起这样的话使用界面也更简洁对于未来谷歌多模态的发展大家目前普遍猜测谷歌或许会把更多的模型能力向Gimini融合进而面对普通用户打造一个多模态的超级流量入口而比如说像Imagine Vio Genie的模型未来则将继续向纵深发展主要为专业级的开发提供服务从nano banana到一整套多模态矩阵我们看到了谷歌过去一年多的加速爆发在这场渗车式AI的竞赛里面谷歌曾经被质疑掉队但是现在无论是图像视频还是虚拟世界和创作工作流谷歌几乎是把所有的环节都重新的补齐了这种连环诠释的产品发布似乎在向外界释放出一种 [24:59] 谷歌不只是在追赶而是在试图用一个完整的矩阵去重新定义生成式AI的边界但问题是这样的爆发能不能真正的转化为市场优势而在这场速度与创新的较量中Nano Banana又能够领先多久呢那欢迎在评论区告诉我们你们觉得谷歌的这波多魔态大爆发如何以及Nano Banana到底好不好用你们的关注点赞留言和转发是支持我们硅谷101做好深度科技和商业内容的最佳动力我是陈倩那我们就下期视频再见了bye