AI Research 技术调研

Gemini 2.5 Flash Image（Nano Banana）

16分钟阅读

一句话定位

Nano Banana（正式名 Gemini 2.5 Flash Image，模型代码 gemini-2.5-flash-image）是 Google DeepMind 2025-08-26 发布的原生多模态图像生成/编辑模型——把图像生成直接嵌进会”理解世界”的 Gemini LLM 里，主打角色/对象一致性、多图融合、自然语言对话式局部编辑、世界知识驱动的编辑，定价仅 $0.039/图（每图 1290 输出 token、$30/百万 token）。发布即登顶 LMArena 图像编辑竞技场（盲评 Elo）第一，成为 2025 年最现象级的闭源生成图像模型，并把”AI 图像编辑”推向大众消费级出圈。

背景与定位

解决的问题：早前的 gemini-2-0-flash-image（Gemini 2.0 Flash 原生图像，2025 年初）证明了”把图像生成做进 LLM”在低延迟、低成本、易用上的价值，但用户反馈画质不够高、创意控制力不足。Nano Banana 是同一谱系的画质与可控性升级：在保持 Flash 档”快、便宜、对话式”的前提下，补齐一致性（character consistency）、多图融合、精确局部编辑、世界知识四大短板。

技术脉络上它属于 Gemini 原生多模态生成一支（gemini-2-0-flash-image → Gemini 2.5 Flash Image → gemini-3-pro-image-nano-banana-pro）。与纯扩散文生图（imagen-4、flux-2、ByteDance Seedream 系、Qwen-Image 系）的根本区别在于：图像生成与文本理解共享同一个 Gemini 多模态 backbone，因此能直接复用 LLM 的世界知识与指令遵循能力——官方反复强调的卖点不是”画质参数”，而是”模型真的懂这张图里发生了什么”（能读懂手绘草图、按真实世界常识补全、一步完成复杂编辑指令）。在编辑赛道上，它与同期的 flux-1-kontext（BFL 的指令编辑模型）、ByteDance SeedEdit、Qwen-Image-Edit 直接竞争，并在盲评中大幅领先。

定位差异化：相对后来的 Pro 档 gemini-3-pro-image-nano-banana-pro，2.5 Flash Image 是**“快、便宜、好玩”的海量低延迟档**——官方明确建议高速量产/对话式编辑用本模型，最高质量专业产线才上 Pro 档。

模型架构

重要前提：Nano Banana 是闭源产品模型，Google 未发布技术报告或论文，未披露 backbone 类型（DiT / 自回归 token / 掩码生成）、参数量、visual tokenizer / VAE、文本编码器等任何架构细节。 以下为官方博客 + Gemini API model card 可确证的事实，工程内部细节如实标注”未披露”。

  • 底座：本模型是 Gemini 2.5 Flash 多模态大模型的原生图像生成/编辑能力的产品化封装。图像生成与文本/图像理解共享同一模型，这正是它能”用 Gemini 的世界知识来生成与编辑图像”的根因（官方：“the model benefits from Gemini’s world knowledge”）。其内部生成范式（扩散 / 自回归视觉 token / 二者混合）官方未披露。
  • I/O 与上下文（来自 Gemini API model card）：模型代码 gemini-2.5-flash-image；输入=图片+文本，输出=图片+文本（原生交错多模态输出，一次响应里可同时返回文字解释与图片）；输入 token 上限 65,536，输出 token 上限 32,768；知识截止 2025 年 6 月；最后更新 2025 年 10 月（稳定版）。preview 版本 gemini-2.5-flash-image-preview 已弃用。
  • 输出图像规格：发布时每张图固定计为 1290 输出 token（发布博客确证的唯一硬数字）；官方发布材料未直接给出该 token 数对应的像素尺寸，业界普遍按 Gemini 后续文档的 “1K” 档（约 1MP / 1024px 级）反推，但这只是推断、非官方报告值。注意：2K/4K 高分辨率、512(0.5K) 小分辨率、以及 1:4/4:1/1:8/8:1 等极端宽高比，均为后续 gemini-3-pro-image-nano-banana-pro / Gemini 3.1 Flash Image 才引入的能力（落盘的 api-docs 已明确将 2K/4K/512 与新宽高比归属于 Gemini 3.1 Flash Image），不属于本模型发布形态——当前 Gemini API 文档已是 Gemini 3 时代的合并版，引用其 imageSize=4K 等参数时需注意不要误植到 2.5 Flash Image 头上。
  • 能力矩阵（model card）：支持 图片生成 / 上下文缓存（Caching）/ 结构化输出 / Batch API / Flex 推理 / Priority 推理；不支持 函数调用、代码执行、File Search、URL 上下文、Live API、搜索接地、Maps 接地、思考（Thinking）、音频生成。即本模型没有 Pro 档的”思考/想法图片”机制，也没有 Google 搜索实时接地——这两项都是后续 Gemini 3 Pro Image 才加入的。
  • 四大原生能力（官方博客明确列出）：
    1. 角色/对象一致性（character consistency）：同一人物/宠物/产品在不同环境、姿态、年代、服装下保持”还是 ta 本人”的外观——官方强调消费者对”close but not quite”的人脸高度敏感，这是本次升级的核心攻坚点。
    2. 多图融合（multi-image fusion）：理解并融合多张输入图，把一个对象放进新场景、用某图的配色/纹理重塑房间、把多张照片合成一张新场景。
    3. 自然语言局部编辑（prompt-based editing）：模糊背景、去污渍、抠掉某个人、改姿态、黑白上色等精确局部变换，且保留其余部分不变。
    4. 世界知识驱动编辑（native world knowledge）：读懂手绘示意图、按真实世界常识回答并编辑、一步完成复杂指令（demo 把画布变成交互式教学辅导）。
  • 多轮对话式编辑（multi-turn）：可在同一会话里连续编辑——空房间→刷墙→加书架→放家具，每一步只改指定部分、保留其余，本质是把 LLM 的多轮对话能力迁移到图像迭代。

数据

未披露。 Google 未公开训练数据来源、规模、图文对数量、配比、清洗过滤、re-captioning、合成数据、美学/安全过滤的任何细节（闭源产品，无技术报告）。唯一可间接确证：模型继承 Gemini 2.5 Flash 的世界知识，知识截止为 2025 年 6 月；训练语料本身的构成、规模与处理流程一律记为”未报告”，不臆测。

训练方法

未披露。 训练目标（diffusion / flow matching / next-token / masked-token）、多阶段流程（预训练→continue→SFT→偏好对齐 RLHF/DPO/reward model）、蒸馏与步数加速等均未公开。可确证的仅有两类间接信息，但都不等于本模型自身的训练配方：

  • 模型是 Gemini 2.5 Flash 的图像能力，理论上继承其后训练管线；Vertex AI 平台对 Gemini 系开放 SFT / 强化学习微调 / 偏好调优 / 蒸馏等开发者侧调优能力，但这是平台功能，不能反推 Nano Banana 内部用了哪些。
  • 官方在发布时坦承的已知短板（见”局限”）暗示其优化重点：长文本图内渲染、更可靠的角色一致性、事实性细节仍在改进中——这三项恰是 Pro 档后续重点攻克的方向。 具体 RL / reward model / 偏好数据 / 一致性训练技巧一律记为”未报告”。

Infra（训练 / 推理工程）

  • 训练算力 / 并行 / 精度 / 吞吐：未披露。 无任何 TPU/GPU 规模、分布式策略、训练时长数字。
  • 定价与成本（可确证，发布时口径）：$30.00 / 百万输出 token，每张图 1290 token = $0.039/图；输入与其它模态按 Gemini 2.5 Flash 标准计价。这是本模型最硬的差异化——把高质量图像编辑做到了约 4 美分一张的消费级单价。
  • 推理与部署形态：
    • 用量方案：支持 Batch API、Flex 推理、Priority 推理；上下文缓存（Caching）支持。
    • 部署面极广：Gemini App（消费端图像编辑，输出含可见水印 + SynthID）、Google AI Studio（含 “build mode” 一句话 vibe-code 出图像 App，官方放出 PastForward/Pixshop/Co-drawing/Home-canvas 等模板）、Gemini API、Vertex AI（企业版）。
    • 第三方分发：发布首日即上线 OpenRouter（官方称这是 OpenRouter 480+ 模型中第一个能生成图像的）与 fal.ai，触达数百万开发者。
    • 推理步数 / 缓存 / 量化 / 蒸馏等加速细节未披露（闭源）。
  • 水印 / 溯源：所有生成或编辑的图像都强制嵌入不可见 SynthID 数字水印；Gemini App 端额外叠加可见水印，以标识 AI 生成/编辑来源。

评测 benchmark（把效果讲清楚）

官方口径（定性，无可机读学术分数）：Google 博客未公布 FID、GenEval、DPG-Bench、T2I-CompBench、HPSv2、ImageReward、PickScore 等任何标准学术指标，仅以”state-of-the-art image generation and editing model""top-rated image editing model in the world”等定性表述 + 一张引用 LMArena 的柱状图（图片形式，无可抠取数字）作为依据。因此本节标准学术指标一律记为”官方未报告”，不臆造。官方主张的能力优势集中在前述四点（一致性 / 多图融合 / 局部编辑 / 世界知识）。

第三方盲评基准（LMArena Image Edit Arena，盲评 Elo，用户在不知模型名下二选一投票）——本地落盘快照（2026-06 抓取）显示其当前长期表现：

  • gemini-2.5-flash-image-preview (nano-banana)：Elo 1296±2，累计票数 10,854,084 —— 这是整个图像编辑竞技场中得票数遥遥领先的第一名（第二多的 Flux.1 Kontext Pro 约 642 万票、SeedEdit-3.0 约 495 万票，皆不及其六成），直接量化了它”现象级出圈”的真实使用规模。
  • 截至快照时点（已是 2026 年中、众多新模型上线后）该模型在 49 个模型中排名第 18；发布当时（2025-08）它是该榜单第一名的图像编辑模型（官方博客与发布期 LMArena 均如此），后被自家 gemini-3-pro-image-nano-banana-pro（nano-banana-pro，1385–1388）、Gemini 3.1 Flash Image（nano-banana-2，1387）、以及 gpt-image-2 / Seedream-4.5 / Qwen-Image-Edit 等新一代陆续超越。
  • 同框对照（同一快照）：上一代 gemini-2.0-flash-preview-image-generation 仅 1081±2（rank 47），印证 2.5 Flash Image 相对前代的巨大跃升（+215 Elo）；开源 BAGEL 1026、Step1X-Edit 998 垫底。

消融 / 机制结论：官方未提供可量化消融；定性上唯一明确的对比是相对 Gemini 2.0 Flash 原生图像的全面提升（画质 + 一致性 + 控制力），以及相对纯扩散编辑模型在”世界知识 / 复杂指令一步完成”上的优势。

创新点与影响

核心贡献：

  1. 把高质量图像编辑做到消费级单价与延迟（$0.039/图、Flash 档低延迟），并以原生多模态形态把”图像生成”嵌进会理解世界的 LLM，使对话式、世界知识驱动的编辑成为可能。
  2. 角色/对象一致性的工程突破：让”同一个人/宠物/产品跨场景保持本人外观”达到大众可用水平，直接催生了换装、换龄、合影、品牌资产批量生成等大量消费与商用玩法。
  3. 多图融合 + 多轮对话式局部编辑：把 LLM 的多轮 + 多输入能力迁移到图像迭代，重塑了”AI P 图”的交互范式。

影响：

  • 发布即登顶 LMArena 图像编辑榜并在数月内积累逾千万次盲评投票，是该竞技场史上得票最多的模型，“Nano Banana”成为破圈级网红名，把 AI 图像编辑推向主流消费市场。
  • 确立了 Google 在生成图像赛道的”原生多模态”路线优势，直接铺垫了 2025-11 的 Pro 档 gemini-3-pro-image-nano-banana-pro（继承”Nano Banana”品牌，加上思考 + 搜索接地 + 4K + 14 图融合 + 最强图内文字）。
  • 推动行业把一致性、世界知识、对话式编辑列为图像模型的一等评测维度（而不仅是 FID/美学）。

已知局限（官方主动披露）：发布时长文本图内渲染、角色一致性的稳定性、事实性细节（图中精细信息的正确性）仍在改进中——这三项正是后续 Pro 档重点攻克的方向。此外本模型无搜索接地、无思考机制、原生分辨率约 1MP（无 2K/4K），复杂排版与高保真专业产线场景受限。

原始链接

一手源存档（sources/）

关系图谱

反向链接