谷歌发布香蕉模型，超越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，支持多图融合与自然语言修改，广泛应用于广告、视频创作等领域，排名全球第一，已在AI Studio上线。

谷歌于8月27日推出Gemini 2.5 Flash Image，这是该公司最先进的图像生成和编辑模型。该模型的主要亮点在于强大的图像编辑能力，能够将多个图像混合成单一图像，同时保持高度的角色一致性。此外，它支持通过自然语言进行有针对性的修改，并能利用Gemini的世界知识。

这些功能带来了许多有趣的应用场景，例如根据特定视觉模板创建类似“球星卡”的设计，使普通用户也能体验到顶级运动员的待遇。该模型与谷歌的Veo 3等视频生成模型配合使用，可以创造出丰富多彩的视频效果。海外AI创意平台Kera AI已经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 Demis Hassabis专门在推特上用个人照片宣传新模型，展示了Gemini 2.5 Flash Image的角色一致性。他将照片背景改为古典风格，但人物面部特征保持不变。

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，获得了超过200万票的支持。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，在图像编辑榜单上得分1362，比第二名高出近15%。

根据谷歌公布的基准测试，Gemini 2.5 Flash Image在用户综合喜好度、人物、创造力、信息图、物体和环境的生成方面均优于GPT-4图像生成、Flux.1 Kontext(max)、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，目前可在Gemini API、Google AI Studio及面向企业的Vertex AI中获取。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，每张图像约0.039美元（约合人民币0.28元）。所有其他输入和输出模态均遵循Gemini 2.5 Flash定价。

为了简化使用Gemini 2.5 Flash Image构建AI应用的过程，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，并在准备发布应用时直接从谷歌AI Studio部署，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Altman一键穿越。

谷歌的Gemini 2.5 Flash Image允许用户将同一角色置于不同环境中，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。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，每张都有当时的年代风格，但用户的面貌没有明显变化。智东西上传了一张OpenAI联合创始人兼首席执行官Sam Altman的照片，新模型直接让Altman一键穿越回过去，画面质感超真实，每个年代的服饰、发型都准确还原。

此外，该模型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。智东西上传了一张扎克伯格的照片，要求模型微调，让牙齿看起来更白。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。

该模型还具备大量世界知识，能够理解手绘插图。谷歌为此打造了一个模板应用，将简单的画布变成互动式教育导师。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。这种世界知识还使模型能够预测图像的未来变化，具备一定的图像推理能力。例如，当看到气球飞向仙人掌时，模型可以根据用户“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能够理解和合并多个输入图像，这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，或向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，相同的提示词在Midjourney中需要10倍的调整和微调才能达到类似效果。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，最终效果十分惊艳。然而，也有用户指出，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。

总之，准确的图像编辑能力是图像生成进入实际生产场景的关键。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，它为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关注。

(以上内容均由Ai生成)