- "Nano Banano" estas la kaŝnomo por Gemini 2.5 Flash Image, la nova modelo de Google por generi kaj redakti bildojn.
- Ĝi permesas konversacian redaktadon, konservas koherecon inter homoj kaj objektoj, kaj kombinas bildojn kun instrukcioj en natura lingvo.
- Inkludas SynthID kiel nevideblan akvomarkon kaj filtrilojn por sentema enhavo kaj publikaj figuroj.
- Vi povas testi ĝin en la aplikaĵo Gemini kaj en Google AI Studio uzante la modelon gemini-2.5-flash-image-preview.
Post semajnoj da konjektoj, la kromnomo «Nano-Banano» ĉesas esti mistero: respondas al La nova bildmotoro de Google, oficiale prezentita kiel Ĝemeloj 2.5 Fulma BildoLa kompanio aktivigas funkcion, kiu kombinas generadon kaj redaktadon kun konversacia aliro, kiu celas redukti frikcion en la kreiva fluo.
La modelo alvenas por konkuri kun generatoroj kiel Midjourney kaj kun tradiciaj redaktiloj kiel Photoshop, plifortigita per plibonigoj en konsistenco inter pafoj, konservado de funkcioj, kaj respondrapideco, kiun Google priskribas kiel "fulmrapida". Krome, Ĝi estas integrita en la Gemini-aplikaĵon kaj haveblas per API-oj kaj en Google AI Studio..
Kio estas "Nano Banano" kaj kion ĝi provizas?
"Nano Banano" estas la interna nomo de la modelo, evoluo fokusita sur tekst-gvidata redaktado kaj tre kontrolita generado. La sistemo komprenas naturajn instrukciojn kaj aplikas ŝanĝojn al la sama bildo, sen devigi vin rekomenci de nulo ĉiufoje.
Unu el ĝiaj ŝlosiloj estas la vida konsistencoKiam vi redaktas foton, la vizaĝo, pozo aŭ lumigado de la subjekto restas koheraj inter versioj. Ĉi tio reduktas misprezentojn aŭ perspektivajn saltojn kiuj ankoraŭ aperas en aliaj motoroj en kompleksaj scenaroj.
El Fotorealismo faras paŝon antaŭen kun pli kredindaj teksturoj kaj lumigado, kaj Google asertas konkretajn progresojn en vizaĝoj kaj manoj, du tradicie delikataj areoj en bilda AI. La modelo ankaŭ elstaras pro sia rapideco, kiu faciligas pli mallongajn testajn kaj plibonigajn ciklojn.
En komunuma komparnormado, kiel tiu de LM Arena, "Nano Banano" aperas inter la plej bone taksita en redaktado de uzanto-sperto, pelita de ĝia ekvilibro inter kvalito, kontrolo kaj respondrapideco.
Ŝlosilaj redaktaj kaj generaj funkcioj
- Konversacia redaktado: dialogas kun la bildo kaj petas ripetajn alĝustigojn (ekz., intensigi la ĉielon, ŝanĝi la koloron de aŭto aŭ aldoni objekton).
- Loka selektado kaj retuŝadoElektu specifajn areojn por forigi elementojn, modifi la fonon aŭ ĝustigi lumon kaj koloron sen influi la reston.
- Komponado kaj miksadoKombinas plurajn fotojn en unu scenon kaj aplikas la stilon de unu bildo al objektoj en alia.
- Karaktero-kohereco: Konservas similecon inter versioj de la sama persono, dorlotbesto aŭ objekto tra pluraj redaktoj.
Aldone al kreiva fleksebleco, Google aldonas tavolon de sekurecoĈiuj generitaj aŭ redaktitaj bildoj inkluzivas SynthID, nerimarkebla enigita akvomarko kiu rezistas transformon kaj permesas al vi kontroli ĉu enhavo estis kreita aŭ ŝanĝita per artefarita inteligenteco.
La sistemo inkluzivas filtrilojn por malhelpi la generadon aŭ manipuladon de sentema enhavo (perforto, eksplicita nudeco) kaj blokas redaktadon de famaj homoj. Se la uzanto alŝutas realan foton por esti ŝanĝita, sekurecaj mekanismoj provas malhelpi petojn, kiuj povus konduki al profundaj falsaĵoj.
En praktiko, tio signifas malpli da tempo malŝparita por teknika testado kaj pli da fokuso sur la kreiva rezulto: Naturalingvaj komandoj fariĝas agoj sur la sceno kun pli granda semantika precizeco kaj respekto por skalo, profundo kaj stilo.
Kiel uzi Nano Bananon en la aplikaĵo Gemini kaj AI Studio
La sperto estas integrita en la Gemini-interfacon, sen bezono de aldona programaro. En multaj kazoj Vi povas profiti de ĝi eĉ en la senpaga versio, depende de la deplojo en via regiono kaj konto.
- En la aplikaĵo aŭ retejo Geminialiro al ĝemeloj.google.com/aplikaĵo (o la poŝtelefona aplikaĵo), elektu la disponeblan ŝablonon kaj iru al “Krei bildojn” sub “Iloj”.
- Generi aŭ redaktiTajpu prompton por krei de nulo aŭ alŝutu foton por redakti. Vi povas aldoni ĉenitajn instrukciojn por fajnagordi la rezulton dum pluraj rondoj.
- Utilaj ordonoj: “fari la foton nigrablanka”, “forigi la objekton de la fono”, “ŝanĝi la fonon al urbopejzaĝo” aŭ “apliki la stilon de ĉi tiu bildo al ĉi tiu robo”.
Se vi preferas validigi, ke vi uzas la ĝustan modelon el la programista medio, Google AI Studio ofertas rektan fluon por kontrolita testado kun ĝemeloj-2.5-fulmo-bildantaŭrigardo.
- Ensalutu en Google AI Studio.
- Elektu la modelon "gemini-2.5-flash-image-preview" en la elektilo.
- Enigu tekstajn promptojn kaj/aŭ alŝutu bildojn por vidi redaktojn en reala tempo., kun subteno por plurŝanĝa redaktado.
Kvankam la konduto pliboniĝis laŭ konsistenco kaj fotorealismo, indas memori, ke La reprezentado de teksto ene de bildoj aŭ certaj kompleksaj reflektoj eble ankoraŭ ne estas perfekta.Tamen, lingv-movita redaktado kaj akvomarkado provizas interesan ekvilibron inter kreiva kontrolo kaj respondeco.
Kun ĝia kombinaĵo de konversacia redaktado, karakterkonsekvenco, rapideco, kaj protektoj kiel SynthID, "Nano Banano" taŭgas kiel multflanka opcio por kreintoj, markoj kaj uzantoj, kiuj volas ĝustigi fotojn aŭ komponi scenojn sen kompliki sin per maskoj kaj tavoloj.: ĉio el Gemini mem kaj kun fluo kiu instigas ripeton ĝis trovi la version kiu plej bone konvenas al la originala ideo.
Mi estas teknologientuziasmulo, kiu transformis siajn "geek" interesojn en profesion. Mi pasigis pli ol 10 jarojn de mia vivo uzante avangardan teknologion kaj tuŝante ĉiajn programojn pro pura scivolemo. Nun mi specialiĝis pri komputila teknologio kaj videoludoj. Ĉi tio estas ĉar de pli ol 5 jaroj mi verkas por diversaj retejoj pri teknologio kaj videoludoj, kreante artikolojn, kiuj celas doni al vi la informojn, kiujn vi bezonas en lingvo komprenebla por ĉiuj.
Se vi havas demandojn, mia scio varias de ĉio rilata al la Vindoza operaciumo same kiel Android por poŝtelefonoj. Kaj mia devontigo estas al vi, mi ĉiam pretas pasigi kelkajn minutojn kaj helpi vin solvi ajnajn demandojn, kiujn vi povas havi en ĉi tiu interreta mondo.