谷歌香蕉模型击败GPT-4o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，用于设计球星卡、广告大片等，已在AI Studio上线，收费0.039美元/图，领先GPT-4等模型。

8月27日，谷歌推出Gemini 2.5 Flash Image，这是该公司最先进的图像生成和编辑模型。该模型的核心亮点在于强大的图像编辑能力，能够将多个图像混合成单个图像，并保持高度的角色一致性。此外，它还支持使用自然语言进行针对性修改，并充分运用Gemini的世界知识。

这一功能解锁了多种有趣的用例，例如，按照特定视觉模板设计“球星卡”风格的作品，使普通用户也能体验顶级运动员的待遇。该模型与谷歌的Veo 3视频生成模型配合使用，可以创造出丰富的视频效果。海外AI创意平台Kera AI已经利用类似的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，但人物容貌未变。

这款模型此前以“nano-banana（小香蕉）”为代号出现在大模型竞技场中，获得了超过200万票的支持。正式发布后，Gemini 2.5 Flash Image在全球文生图和图像编辑领域均排名首位，在图像编辑榜单上获得1362的高分，领先第二名约15%。

谷歌公布的基准测试显示，Gemini 2.5 Flash Image在用户综合喜好度、人物、创造力、信息图、物体和环境生成等方面均优于GPT-4图像生成、Flux.1 Kontext(max)、Qwen Image Edit等模型，但在风格化能力方面仍存在差距。

Gemini 2.5 Flash Image主要面向开发者，现已在Gemini API、Google AI Studio及面向企业的Vertex AI中上线。Gemini API地址为：https://ai.google.dev/gemini-api/docs/image-generation。该模型的收费标准为30美元/100万个输出token，每张图像1290个输出token，约合0.039美元（折合人民币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一键穿越不同年代，画面质感真实，每个年代的服饰、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，如模糊背景、去除污渍、删除人物、改变姿势、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Gemini 2.5 Flash Image的多图融合能力，适用于电子商务等场景。例如，商家可以在同一场景中生成不同产品的宣传照，或向客户提供家具等产品在真实场景中的摆放效果。该模型还可以融合不同图片，创造具有视觉冲击力的效果。

Gemini 2.5 Flash Image发布后，海外网友迅速尝试。有人利用它为客户制作月饼广告宣传照，称同样的提示词在Midjourney中需要10倍的调整才能达到类似效果。还有网友分享了使用Gemini 2.5 Flash Image结合Veo 3制作的视频，效果十分惊艳。不过，也有用户指出，该模型的审查较为严格，无法生成某些特定画面。

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。在电商等领域，这一能力满足了企业对精确控制的需求；在娱乐场景中，它为用户提供了丰富的体验和玩法。当前，国内外多家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)