路由网Gemini 2.5 Flash Image（代号“nano banana”）以领先171分的Elo分数登顶LMArena榜首，凭借角色一致性、自然语言编辑、多图融合、真实光影与世界知识五大突破，重新定义AI图像编辑标准，实测表现惊艳但存在细节瑕疵，现通过Google AI Studio等平台向开发者和企业开放，定价低于OpenAI，普通用户可免费体验部分功能。
近日，一个代号为“nano banana”的神秘AI模型在社交媒体上引发热潮，它以惊人的图像生成与编辑能力刷新了人们对AI的认知。随后，谷歌正式揭晓其真身为Gemini 2.5 Flash Image模型。这款模型在盲测中击败了包括GPT-4o Image、FLUX.1 Kontext在内的众多强敌，以领先第二名171分的巨大优势登顶LMArena竞技场排行榜，创下了该平台历史上最大的Elo分数领先纪录。
社区发酵：从神秘模型到官方认证
nano-banana的走红颇具戏剧性。它最初匿名出现在LMArena平台的“Battle”模式中，并未标注开发者信息。但其在图像一致性、自然语言编辑和理解方面的卓越表现，迅速吸引了AI社区的注意。用户们被其折服，自发为其创造了“一致性之王”、“Photoshop杀手”等标签，并因其匿名代号中的“banana”，开始以“香蕉”作为指代该模型的暗号。谷歌高管的“默契暗示”进一步推动了社区的解谜热情：Google AI Studio负责人Logan Kilpatrick在X平台发布了一个香蕉表情符号，DeepMind产品经理Naina Raisinghani则分享了一张类似意大利艺术家Maurizio Cattelan著名的香蕉贴墙作品的图片。这些线索最终指向谷歌，并在其正式发布后得到确认。这种“匿名测试-社区发酵-官方认领”的发布路径，打破了科技产品传统发布的逻辑，开创了“社区民选”的新范式。
核心技术突破：超越以往的图像编辑体验
Gemini 2.5 Flash Image的核心突破主要体现在以下几个方面，每一项都直指传统图像生成与编辑的痛点：
1. 前所未有的角色一致性
这是该模型最受赞誉的能力。图像生成中的一个基本挑战是在多次提示和编辑中保持角色或物体外观的一致性。nano-banana能够将同一个角色精准地放置在不同的环境中，从多个角度展示单一产品，或生成一致的品牌资产，同时保留主体的核心特征。无论是变换表情、姿势，还是更换背景和风格，人物特征都能保持高度统一，甚至连嘴角的弧度都能保持稳定。这为内容创作者构建连贯的视觉叙事提供了强大工具。
2. 基于自然语言的精准编辑
nano-banana支持使用非常自然的语言进行有针对性的转换和精确的局部编辑。用户无需掌握复杂的图层、遮罩等专业技巧，只需通过对话式指令就能完成高精度修改。例如，模型可以模糊图像背景、去除T恤上的污渍、从照片中移除整个人物、改变拍摄对象的姿势、为黑白照片添加颜色，或者根据简单的提示实现用户能想象到的几乎所有其他效果。这种“所想即所得”的交互，极大地降低了专业图像编辑的门槛。
3. 多图像融合能力
模型可以同时理解和合并多个输入图像的元素。用户可以将一个对象放入另一个场景中，使用配色方案或纹理重新设计房间风格，并通过单个提示融合图像。有开发者测试时，上传一摞书和卧室床头柜的图片，并输入提示词“将一摞书翻到直立并放在两个书挡之间的桌子上”，模型能准确理解并执行。这种能力使得复杂的创意构图变得简单。
4. 卓越的光影逻辑与真实感
与许多生成图片“AI味”浓厚的模型不同，nano-banana生成的图像几乎看不出AI痕迹，效果更像是“同一时刻另一台手机拍下的照片”。它不仅是在图片上“贴”效果，更能重新计算光源和阴影，使场景符合物理规律。例如，在要求为房间“开灯”时，它不仅点亮落地灯，还会重新计算整个房间的光影逻辑，让茶几的影子正确地投向远离新光源的方向。
5. 原生世界知识
历史上的图像生成模型在生成美观图像方面表现出色，但往往缺乏对现实世界的深层语义理解。Gemini 2.5 Flash Image受益于Gemini的全球知识，从而解锁了新的用例。它可以读取和理解手绘图、帮助解答现实世界问题，并遵循复杂的编辑指令。例如，它能从二维地图理解三维世界，根据等高线绘制真实地貌，甚至理解工程绘图的不同视角。这使得它不仅能处理图像，更能“理解”图像内容。
实测表现：惊艳与局限并存
在实际测试中，nano-banana在多个场景展现了惊人效果：
老照片修复与上色： 能够补充破损、折痕，还原被时间抹去的清晰画面，并为黑白照片自然上色。
风格转换： 能够将图像在水彩、油画、卡通风格以及写实照片之间自然转换。
图像扩展与内容创建： 从一张简单的侧脸照，可以生成直视前方的证件照；从多人合照中，能提取出两个人生成专属合影。
趣味应用： 网友开发了“手办生成”的玩法，上传插画或真人图片，就能生成高度逼真、带有包装盒和展示环境的模型照片。甚至可以将生成的静态图片与谷歌Veo 3视频生成工具结合，制作简短的展示视频。
然而，模型也并非完美无缺。测试中发现它偶尔会出现一些细节瑕疵，例如书籍封面上的文字可能呈现“鬼画符”状，人物手指偶尔会出现畸形，以及对物体比例的判断可能存在偏差（如生成“超大杯”尺寸的瓶）。此外，在纯粹的文生图（Text-to-Image）能力上，其表现并不算特别出色，尤其是在处理高度复杂或需要极强创造力的海报生成时，可能不如某些专门优化的模型。
技术揭秘：成功背后的理念
根据谷歌团队的分享，nano-banana的成功背后有几个关键因素：
以文本渲染作为核心评估指标： 团队发现，当模型能处理好图像中复杂的文字结构时，它同样也能学会图像里的其他结构。文本渲染为一个客观、可量化且不易饱和的衡量标准，为模型改进提供了持续指引。
原生多模态与交错式生成（Interleaved Generation）： 模型的理解和生成能力被深度整合在一个模型中，而非不同系统的简单拼接。这使得它能够在多轮对话中记住之前的图像和指令，实现“有记忆”的创作。交错式生成允许模型将包含几十个编辑要求的复杂提示词分解为多个步骤，逐一完成，突破了传统单次生成模型的瓶颈。
积极收集并响应社区反馈： 团队会直接在社交媒体上搜集用户报告的失败案例，并将其构建成内部的评估基准，确保新版本模型必须通过这些真实世界挑战的测试。
Gemini与Imagen团队的强强联合： 前者提供了模型的“大脑”（世界知识、逻辑推理），后者则扮演“艺术总监”的角色，磨练出了模型敏锐的审美品味。
可用性与定价
目前，Gemini 2.5 Flash Image模型现已通过Gemini API和Google AI Studio面向开发者推出，并通过Vertex AI面向企业推出。其定价为每百万输出token 30.00美元，每张图片约消耗1290个输出token，即每张图片成本约为0.039美元，这一价格低于OpenAI同类模型（每百万token 40美元）的定价。普通用户目前可以通过Google AI Studio的模板应用免费体验其部分功能，也可以通过LMArena平台进行盲测体验（但需要随机遇到）。谷歌还为模型设置了安全防护机制，禁止生成“未经同意的私密图像”，并为AI生成的图像添加视觉水印及元数据标识，以应对深度伪造问题。
未来展望：AI创意伙伴的到来
nano-banana的出现，不仅仅是一次技术的迭代，更预示着AI创作工具的角色转变：从单纯的指令执行者，进化为能够进行迭代式对话、理解深层意图、并处理前所未有复杂任务的“智能创意伙伴”。谷歌团队对未来充满想象：模型不仅生成高质量图像，更能理解深层意图，甚至超越用户指令，提供更有创造性且事实准确的结果。例如，未来或许可以直接让模型生成一套既美观又数据准确的工作幻灯片。
从一根香蕉的神秘暗号，到重新定义AI图像编辑的技术标杆，Gemini 2.5 Flash Image (nano-banana) 的故事展示了当技术真正服务于人的创意时，所能释放的巨大潜力。它正在重塑AI图像生成的边界，也引发了人们对“AI创意伙伴”未来的无限遐想。
