谷歌香蕉模型击败GPT-4和FLUX，称霸AI图像领域
快速阅读: 谷歌推出Gemini 2.5 Flash Image，具备强大图像编辑能力，可混合多图保持角色一致性，通过自然语言修改，广泛应用于创意设计、视频制作等领域。模型在图像编辑榜单上得分1362，领先第二名15%。
8月27日，谷歌推出Gemini 2.5 Flash Image，这是谷歌最先进的图像生成和编辑模型。该模型的核心亮点在于强大的图像编辑能力，可以将多个图像混合成单个图像，保持高度角色一致性，并通过自然语言进行有针对性的修改，充分利用Gemini的世界知识。
这一能力解锁了多种有趣的应用场景，例如，用户可以根据特定视觉模板创建类似“球星卡”的设计，普通人也能一键体验顶级运动员的待遇。此外，该模型与谷歌Veo 3等视频生成模型搭配使用，可以创造出丰富的视频效果。海外AI创意平台Kera AI已利用类似模式制作了一部广告大片。
诺贝尔奖得主、谷歌DeepMind联合创始人兼CEO德米斯·哈萨比斯专门发推文，用自己的照片宣传新模型，展示Gemini 2.5 Flash Image的角色一致性。他将照片背景改为古典风格，但人物容貌保持不变。
这款模型上周以“nano-banana（小香蕉）”的代号出现在大模型竞技场中，获得了200多万用户的投票认可。如今正式发布后，Gemini 2.5 Flash Image在文本生成图像和图像编辑两个领域均排名全球第一，特别是在图像编辑榜单上，得分高达1362分，领先第二名近15%。
在谷歌公布的基准测试中，Gemini 2.5 Flash Image在用户综合喜好度、人物、创造力、信息图、物体和环境的生成等方面均优于GPT-4图像生成、Flux.1 Kontext(max)和Qwen Image Edit等模型，但在风格化能力上仍与GPT-4图像生成存在差距。
Gemini 2.5 Flash Image主要面向开发者，目前可通过Gemini API、Google AI Studio和面向企业的Vertex AI获取。Gemini API地址为：https://ai.google.dev/gemini-api/docs/image-generation。该模型的价格为30美元/100万个输出token，每张图像为1290个输出token，每张图像的价格约为0.039美元（约合人民币0.28元）。其他输入和输出模态均遵循Gemini 2.5 Flash的定价。
为了方便开发者使用Gemini 2.5 Flash Image创建AI应用，谷歌对AI Studio的“构建模式”进行了重大更新。开发者可以利用AI快速测试新模型的功能，并直接从谷歌AI Studio部署应用或将代码保存到GitHub。谷歌还在博客中展示了几个案例，如超强角色一致性，帮助用户一键穿越到不同年代。
在多轮对话和编辑中保持角色和对象外观的一致性是图像生成与编辑的一大挑战。谷歌的Gemini 2.5 Flash Image允许用户将同一个角色放置在不同环境中，从多个角度展示单个产品，或生成一致的品牌资产，同时保留主题。
在示例应用中，用户只需上传一张自拍照，即可生成从50年代到00年代的六张写真，每张都具有当时的年代风格，用户的面貌保持一致。智东西上传了一张OpenAI联合创始人兼首席执行官萨姆·阿尔特曼的照片，谷歌的新模型让阿尔特曼一键穿越回过去，画面质感超真实，每个年代的服饰和发型都准确还原。
这种一致性也可用于专业设计场景。例如，用户可以提供一种特定的纹理，并要求模型进行替换。模型能在不改变形状和细节的前提下，完成纹理的更换。
Gemini 2.5 Flash Image支持使用自然语言进行图像转换和编辑。例如，模型可以模糊图像背景、去除T恤上的污渍、从照片中删除整个人物、改变拍摄对象的姿势、为黑白照片添加颜色等。谷歌在AI Studio中构建了一个照片编辑模板应用，支持对特定区域进行选中和修改，或进行大范围调整和滤镜处理。智东西上传了一张马克·扎克伯格的照片，并要求模型微调，使牙齿看起来更白。最终生成的结果显示，修改后扎克伯格的其他外貌特征没有明显变化。用户还可以通过预设的提示词，对图像的光线、背景等进行自定义。
过去，许多图像生成模型虽然能打造出精美的画面，但对现实世界的语义理解不足。谷歌表示，Gemini 2.5 Flash Image拥有Gemini的世界知识。为展示这一点，谷歌打造了一个模板应用，将简单的画布变成互动式教育导师。在演示中，Gemini 2.5 Flash Image能够理解手绘的各种画面，并回答用户提出的问题。这种世界知识还让模型能够预测图像未来的变化，具备一定的图像推理能力。例如，当看到气球飞向仙人掌时，模型根据用户“预测下一个可能场景”的指令，生成气球破碎的画面。
Gemini 2.5 Flash Image可以理解和合并多个输入图像，在电子商务等场景中具有很强的实用价值。例如，商家可以在同一场景中用AI生成不同产品的宣传照，或给客户提供家具等产品摆放在真实场景中的样子。谷歌提供了一个案例，只需将左侧的台灯拖拽到右侧的场景中，稍等片刻，就能看到摆放后的效果。模型不仅将台灯元素加入画面，还开启了灯光。多图融合能力还可用于创意图像的生成。例如，融合鲸鱼与高山的两张照片，打造出极具视觉冲击力的视觉效果。
Gemini 2.5 Flash Image发布后，海外网友立即开始尝试。一位网友利用该模型为客户打造了月饼广告宣传照，他表示，同样的提示词在Midjourney中需要花费10倍的时间调整才能达到类似效果。另一位网友分享了自己利用Gemini 2.5 Flash Image结合Veo 3制作的视频。在这个过程中，Gemini 2.5 Flash Image生成了许多不同角度的镜头画面，Veo 3负责将它们组合成视频，最终效果非常惊艳。不过，也有用户反映该模型的审查非常严格，例如，无法生成人们手持刀和斧头的画面。
从某种意义上说，准确的图像编辑能力是图像生成进入真实生产场景的关键之一。在电商等场景中，这一能力满足了企业用户对精确控制的需求；在娱乐场景中，这一能力可以给用户提供丰富的体验和玩法。目前，已有国内外多家大模型厂商推出图像编辑模型，这一领域的最新进展值得持续关注。
(以上内容均由Ai生成)
