谷歌推出香蕉模型，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，具备强大图像编辑和自然语言修改能力，支持多图融合与角色一致性，广泛应用于创意设计、视频制作等领域，定价30美元/100万个输出token。

谷歌于8月27日宣布推出Gemini 2.5 Flash Image，这是该公司最先进的图像生成和编辑模型。该模型的核心优势在于强大的图像编辑能力，能够将多个图像融合成单一图像，同时保持高度的角色一致性。此外，用户可以通过自然语言进行有针对性的修改，并充分利用Gemini的世界知识。

这一功能解锁了许多有趣的用例，例如，根据特定视觉模板创建“球星卡”式设计，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，可以制作出丰富的视频效果。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德米斯·哈萨比斯专门发推文，用自己照片展示Gemini 2.5 Flash Image的角色一致性。他将照片背景改为古典风格，但人物面部特征保持不变。

这款模型此前以“nano-banana”为代号出现在大模型竞技场中，获得了超过200万票的支持。正式公布后，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，领先第二名近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，目前可通过Gemini API、Google AI Studio及面向企业的Vertex AI获取。该模型的费用为30美元/100万个输出token，每张图像约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）。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打造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，当准备发布应用时，可以直接从谷歌AI Studio部署或保存到GitHub。谷歌还在博客中展示了几个案例，包括超强角色一致性、多轮对话和编辑中保持角色和对象外观的一致性，以及生成一致的品牌资产等。

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，每张都具有当时的时代风格，但用户的面貌没有显著变化。智东西上传了一张OpenAI联合创始人兼CEO山姆·阿尔特曼的照片，谷歌的新模型使阿尔特曼“一键穿越”回到过去，画面质感非常真实，每个时代的服饰、发型都准确还原。

此外，Gemini 2.5 Flash Image支持使用自然语言进行图像转换和编辑，例如模糊背景、去除T恤上的污渍、删除照片中的人物、改变拍摄对象的姿势、为黑白照片上色等。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择和修改，或进行大范围调整和滤镜处理。

谷歌还展示了模型理解手绘插图的能力，能够回答用户提出的问题，并预测图像未来的变化。例如，当看到气球飞向仙人掌时，模型可以根据用户指令生成气球破碎的画面。

Gemini 2.5 Flash Image还可以理解和合并多个输入图像，适用于电子商务等场景。例如，商家可以在同一场景中用AI生成不同产品的宣传照，或为客户展示家具等产品摆放在真实场景中的效果。该模型的多图融合能力还支持创意图像的生成，例如将鲸鱼与高山的照片融合，创造出极具视觉冲击力的效果。

Gemini 2.5 Flash Image发布后，海外网友迅速尝试。一位网友利用该模型为客户制作了月饼广告宣传照，他表示，同样的提示词在Midjourney中需要花费10倍的时间进行调整才能达到类似效果。另一位网友则分享了使用Gemini 2.5 Flash Image结合Veo 3制作的视频，效果令人惊艳。

然而，也有用户指出该模型的审查较为严格，例如无法生成人们手持刀具和斧头的画面。

总之，准确的图像编辑能力是图像生成技术进入实际应用场景的关键之一。在电商等场景中，这一能力满足了企业对精确控制的需求；在娱乐场景中，则为用户提供了丰富的体验和玩法。目前，多家国内外大模型厂商已推出图像编辑模型，该领域的最新进展值得持续关注。

(以上内容均由Ai生成)