AI Research 技术调研

Gemini 3 Pro Image（Nano Banana Pro）

16分钟阅读

一句话定位

Nano Banana Pro（正式名 Gemini 3 Pro Image，模型代码 gemini-3-pro-image）是 Google DeepMind 2025-11-20 发布的旗舰原生图像生成/编辑模型，直接构建在 Gemini 3 Pro 多模态大模型之上——首次把”思考（reasoning）+ Google 搜索实时接地 + 世界知识”系统性接入图像生成管线，主打最强的图内文字渲染、可推理的信息图/构图、最多 14 张参考图融合、最高 4K 分辨率。发布时为 Artificial Analysis 文生图竞技场（盲评 Elo）的头部模型；据官方称在文生图基准上”领先”，全部输出强制嵌入 SynthID 水印。

背景与定位

解决的问题：上一代 gemini-2-5-flash-image-nano-banana（“Nano Banana”，Gemini 2.5 Flash Image，2025-08）让自然语言图像编辑、角色一致性、老照片修复”出圈”，成为当时最受欢迎的图像编辑模型，但它定位是快、便宜、好玩的 Flash 档，在复杂排版、长文本渲染、事实性信息图、专业产线高保真上仍有明显短板。Nano Banana Pro 是同一谱系的”Pro 档”升级：不追求速度而追求最高质量与可控性，把图像生成从”出好看的图”推向”出正确、可用、有事实依据的内容”。

技术脉络上，它属于 Gemini 原生多模态生成一支（gemini-2-0-flash-native-image → Gemini 2.5 Flash Image → Gemini 3 Pro Image），区别于纯扩散文生图（imagen/imagen-3、flux-2、Seedream 系）的最大特点是：图像生成共享同一个会”思考”的 LLM backbone（Gemini 3 Pro），因此能继承其推理、长上下文、工具调用（Google 搜索）能力。官方反复强调的卖点不是”画质参数”，而是 “用 Gemini 3 的推理和真实世界知识把信息可视化得更对”——例如基于实时天气/赛事/食谱生成信息图，基于生物学/历史事实生成图解。定位上它与同期开源旗舰 flux-2（BFL，开源 32B rectified-flow）形成”闭源原生多模态 vs 开源扩散”的对照。

模型架构

重要前提：Nano Banana Pro 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 / 掩码生成）、参数量、tokenizer/VAE、文本编码器等架构细节。 以下为官方博客 + Gemini API 文档可确证的事实，工程内部细节如实标注”未披露”。

  • 底座：明确”built on Gemini 3 Pro”。Gemini 3 Pro 是 Google DeepMind 的旗舰多模态大模型，Nano Banana Pro 即其原生图像生成/编辑能力的产品化封装。图像生成与文本理解共享同一多模态模型，这也是它能调用”推理”和”Google 搜索接地”的根因。其内部生成范式（扩散 / 自回归 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-3-pro-image；输入=图片+文本，输出=图片+文本；输入 token 上限 65,536，输出 token 上限 32,768；知识截止 2025 年 1 月；最后更新 2025 年 11 月（稳定版）。
  • “思考模式”（Thinking）：API 文档明确该模型”利用『思考』过程来推理复杂提示，会生成临时的『想法图片』（thought images，后端可见、不计费），在产出最终高质量图前优化构图”。即把 LLM 的 chain-of-thought 思想迁移到图像——先内部草拟/推演再定稿，这是它相对 Flash 档与传统一步扩散的核心差异。
  • 多参考图融合（最多 14 张）：可混合至多 14 张参考图，Gemini 3 Pro Image 档位的容量拆分为：最多 6 张高保真对象图（要精确还原进画面的物体）+ 最多 5 张人物图（保持人物身份/风格一致）+ 最多 3 张风格参考图。企业版博客把这描述为”给设计师的 few-shot prompting”——一次性喂入整套品牌风格指南（logo、配色、人物三视图、产品图）。
  • 分辨率与宽高比：内置 1K / 2K / 4K 三档输出（imageSize 参数取值 512/1K/2K/4K，其中 512/0.5K 为后续 3.1 Flash 新增）；宽高比覆盖 1:1、2:3、3:2、3:4、4:3、4:5、5:4、9:16、16:9、21:9 等十余种（1:4/4:1/1:8/8:1 等极端比为后续 3.1 Flash 新增）。
  • 能力矩阵（model card）：支持 图片生成 / 搜索接地 / 结构化输出 / 思考；不支持 函数调用、上下文缓存、代码执行、URL 上下文、Live API、Maps 接地、音频生成。

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、合成数据或美学/安全过滤的任何细节（闭源产品，无技术报告）。可间接确证的两点：(1) 模型继承 Gemini 3 Pro 的世界知识，知识截止为 2025 年 1 月；(2) 通过 Google 搜索接地（grounding），推理时可检索实时网页内容作为生成依据，从而绕过训练数据时效性限制（见下”评测”中的 grounding 机制；注：把网络图片作为视觉上下文的”图片搜索接地”是后续 3.1 Flash 才有的能力，Pro 仅网页搜索接地）。训练语料本身的构成未报告。

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。仅能确证：模型作为 Gemini 3 Pro 的图像能力，理论上继承其后训练管线（Vertex 文档列出 Gemini 系支持 SFT / 强化学习微调 / 偏好调优 / 蒸馏等，但这些是平台对开发者开放的调优能力，不等于 Nano Banana Pro 自身的训练配方）。具体 RL / reward model / 偏好数据如实标注”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 GPU·时、TPU 规模、分布式策略数字。
  • 推理与部署形态（可确证）：
    • 提供 Batch API、Flex 推理、优先推理（Priority Inference） 三种用量方案；企业版（Vertex AI）提供 Provisioned Throughput（预留吞吐）+ Pay-As-You-Go 与高级安全过滤。
    • “思考模式”会产生不计费的中间”想法图片”，相应地延迟与成本高于 Flash 档——官方明确建议：高速量产用 Nano Banana（2.5 Flash Image），最高质量产线用 Nano Banana Pro（更高成本与延迟）。
    • 部署面极广：Gemini App（“Create images” + “Thinking” 模型）、AI Mode in Search（美区 AI Pro/Ultra）、NotebookLM、Google Ads、Workspace（Slides/Vids）、Google AI Studio、Gemini API、Vertex AI、Google Antigravity（agentic 开发平台，编码 agent 可直接生成 UI mockup）、Flow（AI 影视工具）；第三方集成 Adobe（Firefly/Photoshop）、Figma、Canva、Photoroom 等。
    • 推理步数 / 缓存 / 量化 / 蒸馏等加速细节未披露。

评测 benchmark（把效果讲清楚）

官方口径（定性，无可机读数字）：开发者博客称 “Gemini 3 Pro Image excels on Text-to-Image AI benchmarks”，并配了一张相对竞品的文生图基准柱状图——但该图为图片，未给出可抠取的具体分值；Google 官方未在博客/文档中以文本形式公布 FID、GenEval、DPG-Bench、T2I-CompBench、HPSv2 等标准分数。因此本节标准学术指标一律记为”官方未报告”，不臆造数字。官方主张的能力优势集中在三点：(1) 图内文字渲染（号称是当时最强，支持短标语到整段文字、多语言、图内文字翻译/本地化）；(2) 事实性 / 世界知识（生成更”对”的信息图、图解、地图）；(3) 一致性（最多 5 人身份保持、14 图融合）。

第三方盲评基准（Artificial Analysis 文生图竞技场，本地落盘快照 2026 年抓取）——基于盲评 Elo（用户在不知模型名的情况下二选一投票）：

  • Nano Banana Pro (Gemini 3 Pro Image)：Elo 1,219（95% CI ±9，6,241 样本，发布 Nov 2025），当前排名第 7、API 价 $134 / 1k 图（1024×1024 默认设置）。
  • 同门 Nano Banana 2 (Gemini 3.1 Flash Image Preview，2026-02)：Elo 1,255，$67/1k 图。
  • 上一代 Nano Banana (Gemini 2.5 Flash Image)：Elo 1,159，$39/1k 图。
  • 对照 ByteDance Seedream 4.0：1,193（$30/1k）；Seedream 4.5：1,167。
  • 榜首（快照时点）GPT Image 2 (high)：1,339。
  • 解读：此为 2026 年中的滚动快照，彼时榜单已被更晚的模型（GPT Image 2、Nano Banana 2、MAI-Image-2.5 等）刷新；Nano Banana Pro 在 2025-11 发布当时是文生图竞技场头部模型之一，Elo 1219 相对同代 Flash 档（1159）有约 60 分提升、相对 Seedream 4.0（1193）领先，但价格也明显更高（$134 vs $30–39 /1k）。把它当”发布即 SOTA、随后被次代追平/超越”理解最准确。

Grounding 的机制性证据（API 文档）：Nano Banana Pro（gemini-3-pro-image）model card 明确支持”搜索接地”（Google 搜索）；开启后响应返回 groundingMetadata，其 groundingChunks 给出用于”为生成图片提供依据”的前 3 个网络来源（searchEntryPoint 含搜索建议的 HTML/CSS）。这是”可推理图像生成”区别于纯文生图模型的硬功能，而非画质打分。

澄清（避免与 Nano Banana 2 混淆）：文档里另外两项 grounding 增强——“依托 Google 图片搜索接地”（把图片搜索检索到的网络图片作为视觉上下文，注：不可用于搜索人物）与**“视频转图片生成”**（分析视频帧、最多 131,072 token）——文档均明确标注 “此功能仅适用于 Gemini 3.1 Flash Image 模型”，即后续的 Gemini 3.1 Flash Image（Nano Banana 2，2026-02），并非 Nano Banana Pro 的能力。此前版本曾误记为 Pro 功能，已更正。

消融 / 对比结论：官方未发布消融实验。唯一可确证的纵向对比是官方明确”Gemini 3 Pro Image 相对 2.5 Flash Image 在文字渲染上是显著飞跃（significant leap forward），把抽象图像生成变成可用的功能性资产”。

创新点与影响

核心贡献

  1. 把”会思考的 LLM”直接当图像生成底座：不是在扩散模型旁挂一个文本编码器，而是图像生成与 Gemini 3 Pro 推理共享同一多模态模型，带来”想法图片”式的内部推演、长上下文、结构化输出，以及最关键的——工具调用（Google 搜索实时接地）。这把图像生成从”凭训练记忆作画”推进到”检索事实后再作画”，对信息图/图解/地图等强事实性场景是范式级改变。
  2. 图内文字渲染做到当时最强：长段落、多语言、图内文字翻译与版式本地化（菜单/招牌/海报保留原艺术风格替换文字），把图像生成从”创意 demo”推向”营销/教育/产线可交付资产”。
  3. 多参考一致性工程化：14 图融合 + 5 人身份保持 + 风格/对象/人物三类参考拆分，等价于”给设计师的 few-shot”，直击品牌一致性这一企业最大痛点；配合 4K 输出直接对接印刷/广告产线。
  4. 可信溯源默认开启：每张图强制 SynthID 隐形水印，并支持”上传图片问 Gemini 是否为 Google AI 生成”的反向核验；免费/Pro 档加可见 Gemini sparkle 水印，Ultra/AI Studio 去可见水印。

影响：作为 2025 末闭源旗舰，它把”图像生成 = 多模态推理 + 检索 + 高保真渲染”的产品形态确立下来，迅速被 Adobe/Figma/Canva/Photoroom/Shopify/Wayfair/WPP 等接入成为”创意经济的基础设施层”；并通过 Antigravity 让编码 agent 直接产出 UI mockup，渗透 agentic 开发。它与开源阵营的 flux-2、字节 Seedream 系共同标记了 2025 下半年”文字渲染 + 多参考编辑 + 世界知识”成为图像模型新主战场。

已知局限：(1) 完全闭源、零技术披露——架构/数据/训练/算力全部未知，不可复现，学术价值受限；(2) 成本与延迟高（$134/1k 图、思考模式更慢），不适合高并发量产，需与 Flash 档分工；(3) 官方未发布任何标准学术基准分数与消融，效果主要靠 demo 与盲评 Elo 佐证；(4) grounding 能力受限：Pro 仅支持网页搜索接地，不含”图片搜索接地”与”视频转图片”（二者为后续 3.1 Flash 独有），且 model card 列出不支持函数调用、上下文缓存、代码执行、URL 上下文、Live API、Maps 接地、音频生成；(5) 发布时的领先在数月内即被次代模型（含自家 Nano Banana 2）追平/超越，反映该赛道迭代极快。

原始链接

一手源存档（sources/）

关系图谱

反向链接