文 | 硅谷101 張珺玥
編輯 | 陳茜
幾周前，這個頂著神秘“香蕉”代號的模型在評測平臺上悄然登場，沒有任何公告、沒有官方文檔，但卻憑借著驚人的圖像質(zhì)量和角色一致性，憑實力吊打了一票老牌模型，在AI社區(qū)里引發(fā)轟動。
當(dāng)時，有人猜它是OpenAI的秘密實驗品，也有人認(rèn)為可能是獨(dú)立研究團(tuán)隊的“黑馬之作”。而8月底，謎底終于揭曉，Google親自下場認(rèn)領(lǐng)：Nano Banana，就是Google最新發(fā)布的文生圖模型——Gemini 2.5 Flash Image。
作為Gemini 2.0 Flash的升級版，Nano Banana是一個更加貼近真實工作流的AI編輯器。它不僅能在多次編輯中保持角色和畫面的高度一致，還讓用戶只需用自然語言就能完成精細(xì)的局部修改和多圖合成。
相比過去大部分模型“生成一張好圖”的目標(biāo)，Nano Banana則更像是一個隨時待命的設(shè)計助手，能夠幫你不斷去迭代、調(diào)整、優(yōu)化、創(chuàng)造。
大量網(wǎng)友們在測試完后之后都表示，這可能是Photoshop時代的終結(jié)。
那么，在已經(jīng)嚴(yán)重內(nèi)卷的文生圖模型賽道，Nano Banana憑什么能再次掀起一陣狂潮？ 相比OpenAI、Flux這些強(qiáng)勁對手，它有什么特別之處，真實的效果到底如何？Google的多模態(tài)能力如今又究竟發(fā)展到什么程度了呢？
01 “橫空出世”的Nano Banana
在Nano Banana還沒被Google正式認(rèn)領(lǐng)之前，它匿名登場于目前全球最火、最權(quán)威的大模型測評平臺LMArena。這是一個以社區(qū)投票為主導(dǎo)的AI模型競技場，主要形式就是讓兩個模型匿名對戰(zhàn)，用戶“盲選”出自己更滿意的結(jié)果，網(wǎng)站再根據(jù)社區(qū)用戶的投票基于一系列算法來對各家模型進(jìn)行排名。
大約在8月中旬左右，大家開始注意到，在LMArena的文生圖和圖片編輯榜單上突然出現(xiàn)了一個陌生而神秘的模型代號——Nano Banana，并且在之后幾天內(nèi)憑借著超極穩(wěn)定和驚艷的輸出在排行榜上迅速躥升，最后穩(wěn)坐榜首。
一時間，Nano Banana的名字迅速傳開，并引發(fā)了大量的關(guān)注與討論。大家都在猜測，這個神秘的模型，究竟是誰的手筆？
就在關(guān)于Nano Banana的討論進(jìn)入白熱化的時候，8月25日前后，包括DeepMind CEO Demis Hassabis等在內(nèi)的谷歌工程高管開始在社交平臺上“暗戳戳”地發(fā)帶有香蕉元素的帖子，讓懸念逐漸落地。
而就在Gemini 2.5 Flash Image被正式官宣發(fā)布前，谷歌CEO Pichai更是連發(fā)了3根香蕉宣誓了對Nano Banana的“主權(quán)”。
上一次文生圖模型如此熱鬧的場面，還要追溯到幾個月前GPT-4o的吉卜力熱潮，這次的Nano Banana究竟好在哪里？
我們采訪了一些開發(fā)者，大家都首先表示，Nano Banana此次最大的一個突破就是它的“一致性”能力。
張宋揚(yáng)
亞馬遜AGI部門Applied Scientist：
我覺得最驚艷的就是它在角色的一致性上做得效果非常好，相比之前的模型，這應(yīng)該是做得最好的一個。
Nathan Wang
硅谷101特邀研究員
Agent資深開發(fā)者：
我覺得Nano Banana讓我覺得比較震撼的地方，就是它的一次生成成功，保持這種一致性，包括它的可編輯性是讓我很驚訝的地方。
過去，很多模型在對圖片進(jìn)行反復(fù)修改時，最常見的問題就是“換了衣服，人也變了臉”。比如你想把照片里的外套換個顏色，結(jié)果系統(tǒng)順手把五官也拉歪了。這種“不夠像”的小偏差，讓人很難把AI當(dāng)作可靠的創(chuàng)作工具。
而Nano Banana的改進(jìn)之處就在于，它能在多輪編輯中牢牢鎖住人物或物體的核心特征，不論是調(diào)整姿勢、換服裝，還是把狗狗放進(jìn)新的背景里，主體能夠始終保持不變。
第二個大的突破在于多圖融合。過去把兩張完全不同的照片合成在一起，常見問題包括不同圖像間的不協(xié)調(diào)、空間扭曲、細(xì)節(jié)丟失或變形等等，人在場景里往往看起來都像是被“貼上去的”。而Nano Banana能夠在多圖合成時自動處理風(fēng)格和邏輯一致性，讓畫面看上去渾然一體。
第三個亮點是自然語言驅(qū)動的精準(zhǔn)修改。以前想要改動一張照片，往往要自己畫蒙版、或者用專業(yè)工具反復(fù)擦拭?，F(xiàn)在，你只需要簡單的描述：“換一個背景”、“從照片中移除整個人物”、“改變?nèi)宋锏淖藙荨薄璑ano Banana 就能在其他部分保持不變的前提下，精準(zhǔn)執(zhí)行用戶的要求，將圖片編輯的操作門檻幾乎降到零。甚至，你都可以不使用語言跟它交流，隨手畫個簡筆畫都可以。
此外，它還加入了多輪對話式編輯和風(fēng)格混配。你可以先讓它把房間刷成薄荷綠，再補(bǔ)上書架、換個地毯，模型會一步步記住上下文，不會把之前的成果推翻。甚至，你還可以要求它把花瓣的紋理應(yīng)用到鞋子上，蝴蝶翅膀的圖案變成一條裙子，生成一種全新的創(chuàng)意風(fēng)格。
當(dāng)然，安全性也被擺在了前面。Google給所有Nano Banana生成的圖片加上了可見水印，同時還有肉眼不可見的數(shù)字水印SynthID，以保證未來能識別和追溯AI作品。
在Nano Banana正式發(fā)布之后，背后的DeepMind團(tuán)隊也首次走到臺前，講述了這款模型背后的研發(fā)故事。
團(tuán)隊介紹說，Nano Banana最核心的突破，是使用了一種叫做“交替生成” 的圖像生成的新范式。它會把用戶的復(fù)雜指令拆分成多個步驟，每一步只做一個小調(diào)整，比如先換衣服，再改背景，然后再加寵物。
這樣的方式，可以讓AI編輯不再“失憶“性的一次性亂改，而是帶著每一輪修改的”記憶“，從而保持主體的一致性。
研發(fā)人員還透露，Nano Banana之所以能在創(chuàng)意場景里表現(xiàn)得更自然，是因為它充分利用了Gemini的世界知識。此次，Gemini團(tuán)隊和Imagen強(qiáng)強(qiáng)聯(lián)合，Gemini團(tuán)隊帶來了語言理解和世界知識的能力，讓模型能聽懂復(fù)雜的指令；而Imagen團(tuán)隊則提供了高質(zhì)量圖像生成和風(fēng)格控制的經(jīng)驗。
兩者結(jié)合，讓Nano Banana不僅能畫，還能理解邏輯和語義，讓模型在“理解—創(chuàng)造—理解”的循環(huán)中表現(xiàn)全面。
對于Nano Banana未來發(fā)展方向，DeepMind的研究員表示，他們希望Nano Banana并不只是一個“生成圖片”的模型，而是能夠成為一個可靠的、能夠陪伴用戶進(jìn)行思考和創(chuàng)作的智能體。
根據(jù)LMArena的匿名測評結(jié)果以及谷歌公布的測試數(shù)據(jù)來看，此次的Gemini 2.5 Flash Image基本上全方位碾壓了ChatGPT 4o、FLUX Kontext、QWEN Image Edit等競爭對手。而且其生成成本更是讓人驚掉下巴，單張圖像的生成成本僅需0.039美元，也就是不到3毛人民幣。
Nano Banana的真實效果真的有這么好嗎？
02 Nano Banana的實力與反饋
目前，普通用戶都可以在Google Gemini應(yīng)用程序、Google AI Studio中直接調(diào)用Nano Banana，也可以使用Gemini API和Vertex AI平臺，而Adobe、Lovart等平臺也陸續(xù)宣布已經(jīng)將其集成進(jìn)創(chuàng)意工具中。
這些渠道的開放，使得普通用戶、專業(yè)設(shè)計人士和開發(fā)者都能輕松訪問。
尤其值得注意的是，用戶不僅可以免費(fèi)用，跟之前很多模型的龜速出圖不同，這次Nano Banana的生成速度也非常得快，輸入指令后，大約幾秒鐘就能完成出圖或者修改。也因為這樣便捷、高效的操作，網(wǎng)友們可以說是已經(jīng)“玩瘋了”。
首先，大家?guī)缀醵紝ano Banana的“人物一致性效果”感到驚艷。給一張普通的游客照換個背景、換個衣服，假裝自己在球賽現(xiàn)場，動動手指，幾秒搞定。影棚里的側(cè)面照變成正臉證件照，發(fā)型、造型換一換，更是輕輕松松就能完成。
以前品牌方需要花大量經(jīng)費(fèi)的棚拍、置景、造型，現(xiàn)在也就只需打幾行字，0成本就能出片。
此外，還能用一張卡通人物的圖片生成各式各樣的人物表情和動作。自家的寵物也能隨意地?fù)Q個毛色或品種。
看到網(wǎng)友們發(fā)的效果這么好，我自己當(dāng)然也忍不住上手試了一下。先把我們家的薩摩耶小D換個顏色，薩摩耶秒變藏獒；再換個品種試試，哈士奇也不錯。
再來玩玩我家兒子Benjamin，我上傳了一張我在后院抱著寶寶的照片。首先讓Nano Banana把我們瞬移去馬爾代夫、去巴黎、去北京故宮，看起來周游世界毫無難度。
接著，我讓它把我懷里的寶寶變成一只猩猩寶寶。大家可以看到，效果也非常自然，在我完全能夠保持不變的情況下，猩猩寶寶的墨鏡、表情、動作都保留了原片。
我決定再給它加點難度。首先讓它把我的表情從微笑變成驚訝，接著把我的姿態(tài)從看向鏡頭轉(zhuǎn)為驚訝地看向?qū)殞?。人物的一致性依然保持得非常好?/p>
而且大家注意看，我側(cè)頭之后，我的墨鏡中的反光竟然變成了沙灘的鏡像，整個邏輯和細(xì)節(jié)真的太贊了。
雖然目前谷歌還沒有發(fā)布Nano Banana相關(guān)的技術(shù)報告， 但亞馬遜AGI部門Applied Scientis張宋揚(yáng)猜測，這次Nano Bnanan的一致性控制能力之所以得到了很大提升，可能是在數(shù)據(jù)上花了很多功夫。
張宋揚(yáng)
亞馬遜AGI部門Applied Scientist：
他們有一些自己的用戶數(shù)據(jù)，也需要做一些數(shù)據(jù)的清洗。因為并不是所有的數(shù)據(jù)，直接拿過來用就能做到想要的效果。比如說有些數(shù)據(jù)你需要進(jìn)行一些篩選，把一些高質(zhì)量數(shù)據(jù)，包括一些我覺得比較重要，比如像人臉這種比較難做的（數(shù)據(jù)），這種你需要增加它的比例。數(shù)據(jù)的清理是一個很大的工作要做。一個是數(shù)據(jù)來源，一個是數(shù)據(jù)清理，主要是這兩點。
除了超穩(wěn)定的人物一致性之外，它的“多圖融合”功能看起來也已經(jīng)到了出神入化的程度。
想讓人物跨時空會面？它生成的照片幾乎能到以假亂真的程度，從人物表情到光線對焦都毫無違和感。甚至上傳幾個食材，就能幫你“做”出一道色香味俱全的菜。
首先，讓我給“老冤家”馬斯克和Altman來攢個局。
感覺大家聊得還不錯。接著讓我們都穿上一個香蕉服裝試試。
挺可愛的，再加點難度，讓它把“路人”Pichai和扎克伯克來跟我們合影：可是馬斯克怎么變成小扎了？還有，Pichai去哪了？
再次對話調(diào)整后，人是回來了，不過不是馬斯克，好像也不是Pichai？
跟它確認(rèn)一下，最右這位是Pichai嗎？它居然斬釘截鐵的告訴我他是！自家老板都不認(rèn)識，這可是要扣工資的呀。我決定再幫它一把，把Pichai的照片給它，看看它能不能糾正過來，結(jié)果還是不行，看來只能扣工資了。
大家可以看出來，Nano Banana還是有很多bug的地方，這個我們稍后來說，但一般的合影需求，其實做得還是非常絲滑，非常出神入化。
比起娛樂、玩梗，其實更重要的是，多圖融合能力現(xiàn)在已經(jīng)顯現(xiàn)出一種專業(yè)化替代的能力。
比如，有網(wǎng)友一次性輸入了包括模特照片、產(chǎn)品、布景元素在內(nèi)的十幾張圖片，讓Nano Banana進(jìn)行融合設(shè)計。最后的效果令人驚艷，幾乎可以媲美、甚至超越廣告設(shè)計公司。
而對于服裝品牌們來說，Nano Banana幾乎可以幫忙省去他們以后找模特拍產(chǎn)品圖的工作。比如讓Tylor Swift換身西裝，只需上傳一張衣服的平面照片就能搞定。
甚至還可以調(diào)整各種姿勢、光影，連續(xù)生成各種角度、各種姿勢的模特上身效果。
此外，擁有了“世界知識”的Nano Banana對抽象指令的理解能力也迎來了大幅躍升。
比如網(wǎng)友們隨手畫的一個簡筆畫，它就能準(zhǔn)確地結(jié)合上傳的人物圖片進(jìn)行姿勢改變與創(chuàng)意設(shè)計。讓奧特曼給你表演鞍馬，一張圖就能搞定。
再比如，在平面地圖上隨便畫一根線，它就能給你展示從這根線的視角能看到什么樣的實際風(fēng)景。
此外，官方介紹中的多輪對話式編輯和風(fēng)格混配能力也并沒有夸大其詞。
比如把它用于室內(nèi)設(shè)計和繪圖渲染，或者讓它用不同的花朵紋理給我設(shè)計一個新衣服等等。
針對目前Nano Banana所展現(xiàn)出來的能力，Nathan表示，在某種程度上來說我們對圖片的編輯能力已經(jīng)開始達(dá)到了文字的類似水平。
Nathan Wang
硅谷101特邀研究員
Agent資深開發(fā)者：
它現(xiàn)在實現(xiàn)的功能相當(dāng)我們在文字的這個階段，你把其中一段話劃出來，說你幫我改一下，或者這段話的語義不對，你幫我重新描述一下?，F(xiàn)在它能夠在圖片上做到和文字編輯一樣的效果，比如說把某個窗簾的顏色換成紅色、換成藍(lán)色，或者把物件給去掉，從一個圖片中加這個物件，就很像我們在編輯文字式的，去在很細(xì)微、細(xì)枝末節(jié)的地方進(jìn)行一定程度的優(yōu)化和改變。
我覺得它是真正地在多模態(tài)的模型中做到了單一的語言模型可以達(dá)到的效果，這一點是很大的一個突破。
但其實，我們以上展示都還只是Nano Banana能力的冰山一角。自發(fā)布這幾天來，網(wǎng)友們還正在不斷挖出Nano Banana的各種玩法。
比如已經(jīng)火爆全網(wǎng)的”手辦模型”，我也忍不住上手制作了一個，效果真的是非?？蓯?。
除了“手辦”等靜態(tài)操作之外，另外一個爆火的趨勢是將Nano Banana的能力跟其他平臺結(jié)合，創(chuàng)作出效果驚艷的視頻。
比如有人把Nano Banana和Seedance、 Kling結(jié)合使用，實現(xiàn)了讓梵高、蒙娜麗莎從油畫里走出來變成真人坐在中央公園聊天，有人使用Nano Banana和Seedance僅用不到兩小時就做出一個動畫短片，有人使用Nano Banana跟Weavy制作出細(xì)節(jié)滿滿的3D產(chǎn)品介紹等等。
那么，跟其他模型相比，Nano Banana的能力是不是真的要強(qiáng)大很多呢？我們自己也進(jìn)行了幾個簡單的測試。
同樣改變照片背景的指令。這是GPT-5的，人物幾乎變了樣。
這是FLUX的。人物倒是摳出來了，但是頭發(fā)少了一塊，人像是被貼上去的。
而到了讓照片融合進(jìn)行合影的指令，GPT不僅不能一次性理解并完成我的指令，生成出來的照片也完全不可用。不僅像貼上去的，甚至我這個人都變樣了。
同樣的Prompt在GPT上試了一下創(chuàng)建手辦，人物比例、五官、背景等細(xì)節(jié)也都出現(xiàn)了不同程度的瑕疵。
對比使用下來最大的感受是，目前在生成速度上其他模型不僅比Nano Banana慢了幾倍，效果和輸出穩(wěn)定性方面也遜色不少。
當(dāng)然，Nano Banana目前也并非沒有翻車的時候。首先，在中文能力方面，Nano Banana依然沒有出現(xiàn)質(zhì)的突破。生成的圖片依然存在文字亂碼、亂讀的現(xiàn)象。
對編輯指令的理解和執(zhí)行也會出現(xiàn)偏差，比如我在要求對這個“手辦”加上一雙腿時它直接加到了盒子上，順帶著背景里的圖片也不翼而飛。
還在多輪對話編輯中，它在面對復(fù)雜指令時可能突然就凌亂了。比如我在前文對話中想繼續(xù)讓它嘗試多圖融合，生成一張馬斯克、扎克伯格、皮柴一起圍觀我懷里猩猩寶寶的照片。不僅人物比例和表情及其不協(xié)調(diào)，就連我這個照片主體變了一個人。
除此之外，網(wǎng)友對它不滿意的地方還有圖片分辨率不高、對提示詞的審查太嚴(yán)格、藝術(shù)性和審美上比不上Midjourney、Imagen等等。
但總體來說，大家對于Nano Banana評價主要還是以積極、正面為主，幾乎都認(rèn)為這是文生圖的又一里程碑。
03 五條主線谷歌的多模態(tài)生態(tài)大爆發(fā)
如果把Nano Banana放在更長的時間線上來看，你會發(fā)現(xiàn)，這并不是谷歌的一次“偶然爆發(fā)”。
事實上，在過去的一年多時間里，谷歌幾乎用一種“密集轟炸”的節(jié)奏，把多模態(tài)產(chǎn)品一口氣推到了前臺。各種模型、各種迭代甚至可以用眼花繚亂來形容。
目前谷歌到底有哪些多模態(tài)產(chǎn)品線呢？我們來跟你一起理一理。
谷歌的多模態(tài)產(chǎn)品目前已經(jīng)基本形成了一個完整的矩陣，它們大致可以分成五條主線。
第一條主線，是文生圖Imagen系列。
Imagen系列最早可以追溯到2022年5月，當(dāng)時Google Research首次提出這一文生圖模型。它的特點是結(jié)合大語言模型理解提示，再用擴(kuò)散模型生成圖像，在當(dāng)時就被認(rèn)為是超越DALL·E 2的新一代方案。不過因為安全和版權(quán)風(fēng)險，Imagen一開始并沒有開放給公眾使用。直到2024年I/O大會，谷歌才正式推出Imagen 3，真正走向產(chǎn)品化。到2025年5月，Imagen 4發(fā)布，進(jìn)一步強(qiáng)化了光影表現(xiàn)和細(xì)節(jié)質(zhì)量，朝著“接近真實攝影”的方向邁進(jìn)。
第二條主線，是文生視頻的Veo系列。
2024年1月，谷歌研究院首次發(fā)布了Lumiere，用“時空一致性擴(kuò)散”的方式直接生成整段視頻，讓動作和背景更加連貫自然。隨后在2024年5月，I/O大會上正式亮相Veo 1，可以生成1080p高清視頻。到了同年12月，Veo 2升級至4K，并首次接入Vertex AI平臺。而在2025年5月I/O，谷歌再次亮相 Veo 3，不僅能生成視頻，還能同步生成音樂和旁白，把文生視頻真正推進(jìn)到影視級創(chuàng)作的階段。
第三條主線，是Genie系列，也就是“交互世界生成”，也被稱為“世界模型”。
和文生視頻的模型不同，Genie的目標(biāo)不是做一段“看”的視頻，而是直接生成一個“能玩”的虛擬世界。
Genie 1于2024年初首次亮相，作為第一個能夠根據(jù)圖像生成可玩2D游戲環(huán)境的模型，它展示了AI創(chuàng)造互動世界的潛力。緊隨其后，Genie 2在2024年底發(fā)布，在一代基礎(chǔ)上取得了巨大進(jìn)步，它能生成更長、更復(fù)雜的3D互動世界，將AI生成的虛擬環(huán)境從二維平面擴(kuò)展到了三維空間。
而最新的Genie 3在今年的8月5日推出，能力再次提升到了一個新高度，能夠從文本或圖像提示生成動態(tài)、可導(dǎo)航的3D世界，并首次支持實時交互和“提示性世界事件”，允許用戶在生成環(huán)境中實時修改物體或天氣，使其成為了一個真正意義上的“世界模型”。
換句話說，它不僅能幫你生成一段畫面，還能讓你能真正地“走進(jìn)去”，去玩、去體驗。
這讓Genie成為了谷歌多模態(tài)矩陣?yán)镆粋€特別的分支：它不是單純的視頻生成，而是文生視頻和虛擬交互的結(jié)合，預(yù)示著谷歌的多模態(tài)探索正在觸碰“沉浸式體驗”和“虛擬世界構(gòu)建”的邊界。
第四條主線，是面向創(chuàng)作者的工具集。
2024年5月，谷歌在I/O上同時推出了ImageFX和VideoFX，讓用戶可以直接在Labs中體驗文生圖與文生視頻。到了2025年5月，谷歌又發(fā)布了Flow，這是一個專為影視敘事設(shè)計的工具，把Veo和Imagen的能力整合到分鏡、鏡頭、敘事風(fēng)格的工作流里。
最后一條主線，就是Gemini多模態(tài)底座。
Gemini是谷歌的通用多模態(tài)基礎(chǔ)模型，是整個系統(tǒng)的“大腦”。它的核心能力在于理解、推理和處理各種信息，包括文本、圖像、音頻、視頻等。Gemini扮演著一個通用智能體的角色，為其他更專業(yè)的模型提供強(qiáng)大的基礎(chǔ)支持和世界知識。
2023年底，Gemini 1.0發(fā)布，確立了Ultra、Pro、Nano三個不同尺寸的模型家族形態(tài)。
2024年2月，Gemini 1.5發(fā)布，帶來了革命性的進(jìn)步，尤其是其突破性的長上下文窗口，讓它能一次性處理海量的文本、代碼、圖像甚至視頻，這讓模型在理解復(fù)雜、冗長的文檔或視頻方面有了前所未有的能力。
2025年2月，Gemini 2.0系列登場，推出了Flash和Flash-Lite，能夠更好地應(yīng)對需要低延遲和大規(guī)模部署的應(yīng)用場景。
2025年8月，Gemini 2.5 Flash Image也就是大家熟知的Nano Banana正式現(xiàn)身，把“AI修圖”直接變成了人人可用的體驗。
盤點下來你會發(fā)現(xiàn)，谷歌的多模態(tài)戰(zhàn)略已經(jīng)逐漸清晰成型：文生圖的Imagen ，文生視頻的Veo，探索交互世界的Genie，再通過Flow、ImageFX、VideoFX把這些能力嵌進(jìn)創(chuàng)作工作流，而背后的支撐，是快速迭代的多模態(tài)底座Gemini。
在采訪中Nathan談到，谷歌所擁有的非常好的人才、基建和數(shù)據(jù)底座，是它在當(dāng)前激烈的大模型競爭中的優(yōu)勢所在。在這看似復(fù)雜、龐大的產(chǎn)品線背后，谷歌其實也有著比較清晰的產(chǎn)品路線。
Nathan Wang
硅谷101特邀研究員
Agent資深開發(fā)者：
它每一次發(fā)不同的模型背后還是有著消費(fèi)場景，或者是一定的用戶案例，其實是針對不同的用戶畫像，因為大家在產(chǎn)品第一件事就是要去了解你的客戶人群是誰，你才會去做產(chǎn)品，而不是說做了產(chǎn)品再去找客戶人群。
所以在我看來谷歌的產(chǎn)品主線，還是根據(jù)客戶人群、應(yīng)用場景去開發(fā)和迭代它的模型和產(chǎn)品，思路其實是比較清晰的。
與此同時，谷歌也正在漸進(jìn)式地朝著“大而全”的智能體方向推進(jìn)。
張宋揚(yáng)
亞馬遜AGI部門Applied Sci：
現(xiàn)在很多大公司都希望做一個大而全的模型，能夠支持不同的模態(tài)，是一個端到端的生成模型，包括語音、包括圖片、包括視頻、包括文字甚至包括代碼，都希望做一個大而全的，因為這應(yīng)該更符合大家對智能的認(rèn)知。
但這是一個很大的框架，但在這個框架之下，我們可能需要針對每一種任務(wù)去進(jìn)行研究，比如先研究怎么去生成圖片，再怎么生成視頻。所以你會發(fā)現(xiàn)，它們的模型是不同的團(tuán)隊在做，它們得先把某一個任務(wù)先突破了然后發(fā)布了一個產(chǎn)品，然后另外一個突破了再發(fā)一個產(chǎn)品。但我相信或者作為用戶的角度，我們肯定也是希望它能夠把這些模型融合在一起，這樣使用界面也更簡潔。
對于未來谷歌多模態(tài)的發(fā)展，大家目前普遍猜測，谷歌或許會把更多的模型能力向Gemini融合，進(jìn)而面向普通用戶打造一個的多模態(tài)的超級流量入口。
而如Imagen、Veo、Genie等模型未來則將繼續(xù)向縱深發(fā)展，主要為專業(yè)級的開發(fā)提供服務(wù)。
圖源：ai.google
從Nano Banana，到一整套多模態(tài)矩陣，我們看到了谷歌過去一年多的加速爆發(fā)。在這場生成式AI的競賽里，谷歌曾被質(zhì)疑掉隊。但現(xiàn)在，無論是圖像、視頻，還是虛擬世界和創(chuàng)作工作流，谷歌幾乎把所有環(huán)節(jié)都重新補(bǔ)齊。
這種“連環(huán)拳”式的產(chǎn)品發(fā)布，似乎在向外界釋放出一個信號：谷歌不只是在追趕，而是在試圖用一個完整矩陣去重新定義生成式AI的邊界。
但問題是，這樣的爆發(fā)能不能真正轉(zhuǎn)化為市場優(yōu)勢？在這場速度與創(chuàng)新的較量中，Nano Banana又能領(lǐng)先多久呢？
歡迎在評論區(qū)告訴我們，你覺得谷歌的這波多模態(tài)大爆發(fā)如何，Nano Banana到底好不好用？