机器之心编辑部

一句话：Pro 级质量，Flash 级价格。

预告了许久的Nano Banana 2，终于来了。

谷歌CEO皮查伊发帖声称：「这是我们迄今为止最好的图像模型。」

https://x.com/sundarpichai/status/2027057726170509724

目前该模型已经作为默认图像模型在 Gemini App、Google Search（覆盖 141 个国家）和 Flow 上线，同时在 Google AI Studio 和 Vertex AI 提供预览，也可以在 Google 的 Antigravity 中使用。

这一次升级，核心不只是画质再抬一档，而是能力结构发生了明显变化。

Nano Banana 2 融合了 Gemini 对世界的深度理解，同时利用实时网页搜索获取的信息和图片，因此能够以极高的保真度来反映真实世界的当前状况。

皮查伊举了个「Window Seat」（窗边座位）的例子。随便挑世界上任何一个地方的「窗户视角」，模型就能实时生成那个窗户往外看的景色，还会自动拉取当地实时天气，同时支持 2K/4K 高清。

网友使用搜索功能，模型先通过网页搜索理解鹪鹩到底长什么样，再生成精美的桌面。

提示词：使用图片搜索查找鹪鹩的精准图像。制作一张精美的壁纸（比例3:2），采用自然的上下渐变效果，并保持极简构图。来自X@fofrAI

文本能力，仍然是这一代重点补强的方向。

Nano Banana 2 被明确定位为可以在图像中生成清晰、可读、可直接商用的文字内容，无论是营销物料还是贺卡设计，拿来即用。

来自X@ZHO_ZHO_ZHO

从社区反馈看，文字、排版稳定性，相比前代确实有明显提升。

来自X@oran_ge（左图）,X@ZeroZ_JQ（右图）

来自X@karminski3

拉纳克普尔耆那教寺庙的柱子，x@tulseedoshi

模型也在更高复杂度场景下展示出一定统筹能力。

沃顿商学院教授@emollick提前体验了 Nano Banana 2。「它虽然还不完美，但却是第一个能以较高的一致性处理极其复杂的图像和图表的模型。」

他给出的指令是：

「show me a where's waldo set in ancient Venice, but instead of waldo it is an otter wearing a blue striped pilots outfit.」（给我展示一张以古代威尼斯为背景的《威利在哪里》（Where's Waldo）风格的图片；但要把威利换成一只穿着蓝色条纹飞行员制服的水獭。）

X@emollick

如此复杂多元的画面生成，我仔细瞅了半天，还真找到了，而且，只有一个水獭！当然也有毛病，比如长尾巴的小男孩：

速度，是这代最直观的体感升级之一。

用户反馈，生成 4K 图像不到一分钟。

关键还便宜！结合官方给出的价格，比 Pro 全面便宜：图片便宜 25-50%，文本 token 便宜 70-80%。

一句话：Pro 级质量，Flash 级价格。

从社区实测来看，Nano Banana 2 的主体一致性表现，也是这一代的亮点之一。

我们简单体验了一下，确实做得不错。

提示词：保持所有角色和物体与之前（左图）完全一致。重新布置场景，让五个角色围坐在一张圆桌旁，自然互动。九个物件必须全部保留，并且清晰可见。电影级光影，中景，照片级真实感。（右图是结果）

谷歌表示，在单一工作流中可保持多达 5 个角色的一致性，以及多达 14 个对象的保真度。这让你可以进行分镜创作和叙事构建，而无需改变输入对象的原型外观。

换句话说，当角色一致性不再频繁崩坏，分镜、故事板、连续广告乃至 IP 视觉资产的自动生成才真正具备可行性。

指令遵循能力同样明显收紧。Nano Banana2 能很好理解如此复杂、包含多重指令的草图输入。难怪博主直呼「设计师们，我觉得我们完蛋了！」

@hewarsaber丢给它一张草图，输入提示词：Turn this sketch into a landing page for an Al video platform.Purple and white.Clean and modern.Hero headline: 'AI Video That Speaks Your Script'.Show an Al avatar on the right. Add use case tags below the nav（将此草图转化为AI视频平台的落地页。紫色和白色，简洁现代，醒目的标题：「人工智能视频，朗读你的脚本」，在右侧显示人工智能头像，在导航栏下方添加用例标签。）

微妙的镜头语言控制，执行稳定性也有提升。

提供了3张参考图片和一个简单的提示：这里展示的是35mm、50mm和85mm焦距，光圈分别为f/1.2和f/2.0的情况。x@LinusEkenstam

网友评价，第一个轻松理解如何使用广角镜头拍摄特写的图像模型，x@aifilmmaker

在产品规格上，全面控制各种长宽比（包括1:8、 8:1 这种极端画幅），专为横幅、故事流和全景内容设计。

分辨率覆盖 512px 到 4K。加入低分辨率（512px）快速模式，更适合高频迭代与大规模流水线。

虽不及 8:1 极端，很多网友在晒的这种全景图，已经很惊艳。

还有网友让它生成一个 720 度的 vr 素材图，加入交互，就得到了一个全景网站。

X@ZeroZ_JQ

值得一提的是，在保持速度的同时，视觉保真度也有所升级。画面充满活力的光影、更丰富的纹理和更清晰的细节。

看看这张图！睫毛根根分明，眼周皮肤、眼睛里的红血丝都清晰真实，甚至能从眼睛里看到窗外的那只鸟。

https://x.com/chetaslua/status/2026961626549887069?s=20

皮肤细节清晰可见，毛孔，脸颊、鼻头因冷空气，自然泛红。X@charliejhills

网友还玩出了不少花样。

博主@fofrAI引用了别人在图书馆随手拍的一本童书《How to Hold Animals》，然后给模型下提示「Show the jellyfish page from this book」。

模型立刻生成了书里第 42 页关于水母的内容，风格、排版、插画质感，看起来就像直接从书里扫描出来的一样。

https://x.com/fofrAI/status/2027076683010851284

模仿你的笔迹，写一首诗。

X@Prathkum

居然还能生成 CAD。

当然，翻车的例子也不少。比如，这个倒立就有问题；郭德纲于谦互换脸，也失败了。

x@karminski3（左）X@ZHO_ZHO_ZHO（右边）

生成准确的时钟，似乎一直是个难题。

X@ZHO_ZHO_ZHO

据说，Google Ads 也已开始接入这一能力——这几乎等同于公开宣告：图像生成正在正式进入广告生产基础设施。

从更宏观的产品策略来看，谷歌的意图已经越来越清晰：不是单纯把图像模型做得更好看，而是把它们全面推入高频生产基础设施。

当 Pro 级能力开始系统性下沉到 Flash 档位，图像生成的使用频率，很可能会迎来下一次台阶式跃升。

参考链接

https://blog.google/innovation-and-ai/technology/ai/nano-banana-2/