不圓 一水 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

小某書最新起號(hào)方式，還得看AI（doge）。

這兩天打開一看，幾乎全被各種精致逼真的手辦圖刷屏了：

而且仔細(xì)一扒，甭管是AI圈、二次元圈還是騎行圈等等，感覺大家一下子都在玩。

so，發(fā)生了啥？到底是什么引得大家如此動(dòng)作一致？

時(shí)刻游走在吃瓜第一線的量子位趕緊去瞧了瞧，結(jié)果發(fā)現(xiàn)，這不是最近爆火的圖像編輯模型nano-banana嘛。

這個(gè)模型起初在LMArena平臺(tái)匿名出現(xiàn)，后來(lái)因生圖表現(xiàn)太好突然爆火，繼而引得無(wú)數(shù)網(wǎng)友猜測(cè)其歸屬。

直到兩天之前，谷歌才終于站出來(lái)認(rèn)領(lǐng)了該模型，并表示其真身為Gemini 2.5 Flash Image。

而隨著nano-banana揭開神秘面紗，國(guó)內(nèi)外網(wǎng)友更是掀起了一波瘋狂試玩的熱潮，其中手辦尤其受到大家的青睞。

所以，如何用nano-banana生成同款手辦？提示詞該怎么寫？

量子位手把手教程這就奉上——

實(shí)測(cè)爆火手辦玩法

不賣關(guān)子，先看看網(wǎng)上爆火的生成“真實(shí)手辦”的提示詞。

Use the nano-banana model to create a 1/7 scale model, in a realistic style and environment. Place the figure on a computer desk, using a circular transparent acrylic base without any text.On the computer screen, display the ZBrush modeling process of the figure.Next to the computer screen, place a TAMIYA-style toy packaging box printedwith the original artwork.

（中譯方便對(duì)照版：使用nano-banana模型制作一個(gè)1/7比例的實(shí)體模型，風(fēng)格和環(huán)境保持寫實(shí)。將模型擺放在電腦桌上，底座為圓形透明亞克力材質(zhì)，且不帶任何文字。電腦屏幕上顯示的是該模型在ZBrush中的建模過程。在電腦屏幕旁邊，放置一個(gè)TAMIYA風(fēng)格的玩具包裝盒，包裝盒上印有原始插畫。）

就用這套提示詞和Gemini 2.5 Flash，讓我們?cè)囋囁畘

（PS：支持中文提示詞，但偶爾會(huì)出現(xiàn)錯(cuò)誤，需要多試幾次，建議使用英文。）

以動(dòng)漫角色為參考圖，生成的“手辦”效果確實(shí)不錯(cuò)。

出乎意料的是，只用了上面的提示詞，它居然可以識(shí)別出是艾倫耶格爾（盒子上有他的名字）。

而且即使不是全身像也可以生成，但參考圖以外的部位可能會(huì)有一些奇怪的地方。

可是一想到是銀魂就覺得很合理怎么回事。

用家里的毛孩子作為參考圖，簡(jiǎn)直是讓人大呼“購(gòu)買鏈接在哪里”的程度……

貓貓和狗狗都非常可愛。

要是能結(jié)合3D打印做出來(lái)就更好了（真的可以）。

雖然網(wǎng)上的案例已經(jīng)很多了，但讓我們?cè)僭囋?strong>真人效果呢。

親測(cè)，最好使用全身圖。

只要是全身圖就能成，包括這種搞怪動(dòng)作亂飛的。

非常適合……你知道的，哪怕不是給自己，誰(shuí)手里沒幾張好朋友的怪照片呢？

美中不足的是生成的“手辦”好像沒有支撐，但再補(bǔ)充一句就行。

• 上面的模型飄起來(lái)了，給它加個(gè)支撐。

這些玩法也很火

除了手辦，nano-banana還有一些腦洞大開的玩法也很火。

它可以同時(shí)結(jié)合3張圖片進(jìn)行創(chuàng)作，既然如此，有網(wǎng)友意識(shí)到，為什么不試著控制角色的姿態(tài)呢。

還可以結(jié)合視頻生成模型創(chuàng)作連貫的動(dòng)畫。

不需要太過完整的動(dòng)作示例（雖然使用詳細(xì)示例可能會(huì)更精細(xì)），火柴人小草圖同樣可行。

也有網(wǎng)友選擇打破次元壁，讓二次元人物成為真人出現(xiàn)在漫展場(chǎng)地。

這和真實(shí)的cosplayer有什么差別？

上述玩法我們也“順帶”實(shí)測(cè)了一下，提示詞放在下面了，一起看看效果：

• 讓圖一和圖二的角色擺出圖三的姿勢(shì)，一條手臂搭在對(duì)方的肩膀上，另一條手臂比心。

• 讓圖一和圖二的角色以圖三的姿勢(shì)戰(zhàn)斗，一個(gè)人出拳，一個(gè)人用腿踢。

• 生成一張真人扮演這張插畫的照片，背景設(shè)置為Comiket。

是生圖（指沒有修過的原圖）啊，完全是coser生圖?。?/p>

團(tuán)隊(duì)透露背后技術(shù)細(xì)節(jié)

通過以上實(shí)測(cè)不難發(fā)現(xiàn)，nano-banana確實(shí)有點(diǎn)東西。

趁熱打鐵，谷歌AI Studio負(fù)責(zé)人Logan Kilpatrick（最右）最近還采訪了這個(gè)項(xiàng)目背后的團(tuán)隊(duì)。

從左到右分別是：研究工程師Kaushik Shivakumar、研究工程師Robert Riachi、小組產(chǎn)品經(jīng)理Nicole Brichtova、研究科學(xué)家Mostafa Dehghani。

略過開頭的產(chǎn)品功能介紹和演示環(huán)節(jié)，咱們直接來(lái)看看背后的核心技術(shù)原理。

第一，以文本渲染作為核心指標(biāo)來(lái)快速衡量模型性能。

對(duì)圖像生成模型來(lái)說，一個(gè)無(wú)法回避的難題是如何進(jìn)行有效評(píng)估。傳統(tǒng)的評(píng)估方法嚴(yán)重依賴“人類偏好評(píng)估”，不僅非常主觀，而且需要耗費(fèi)大量昂貴人力。

為此團(tuán)隊(duì)提出了一個(gè)新的替代指標(biāo)——文本渲染。按照Robert Riachi的話來(lái)說：

• 當(dāng)模型能處理好這種復(fù)雜的文字結(jié)構(gòu)時(shí)，它同樣也能學(xué)會(huì)圖像里的其他結(jié)構(gòu)。

Kaushik Shivakumar進(jìn)一步解釋，之所以使用這個(gè)指標(biāo)，還是因?yàn)橐恢币詠?lái)幾乎所有模型都無(wú)法很好解決文本渲染的問題。

• 它為模型訓(xùn)練提供了一個(gè)客觀、可量化且不易飽和的衡量標(biāo)準(zhǔn)。相比于很快就會(huì)觸及瓶頸的其他自動(dòng)化圖像質(zhì)量指標(biāo)，文本渲染的難度足夠大，能夠持續(xù)為模型的改進(jìn)提供指引。

而且有趣的是，這一做法還帶來(lái)了意料之外的好處——一些原本并非針對(duì)文本渲染的改動(dòng)，卻意外地提升了該指標(biāo)的表現(xiàn)。

不過需要提醒，這并非意味著完全放棄了人工評(píng)估，只是考慮到訓(xùn)練成本，文本渲染可以作為一種更高效、經(jīng)濟(jì)且可靠的替代方案。

第二，通過原生多模態(tài)與交錯(cuò)式生成，實(shí)現(xiàn)復(fù)雜編輯與情境感知。

團(tuán)隊(duì)提到，該模型的核心優(yōu)勢(shì)在于原生多模態(tài)。原生多模態(tài)意味著圖像的理解和生成能力被深度整合進(jìn)了一個(gè)模型中，而非兩個(gè)系統(tǒng)的簡(jiǎn)單拼接。

之所以要采用原生多模態(tài)，主要目標(biāo)是在不同模態(tài)和能力之間實(shí)現(xiàn)“正向遷移”。

就拿之前經(jīng)常提到的數(shù)手指案例來(lái)說，明明圖片上是6只手指，但AI可能會(huì)基于文本知識(shí)硬說成5只，而視覺信號(hào)能夠?yàn)槟Ｐ蛯W(xué)習(xí)世界知識(shí)提供一條捷徑。

根據(jù)介紹，堪比“一對(duì)姐妹”的圖像理解與生成，其協(xié)同作用在“交錯(cuò)式生成”中得到了最充分的體現(xiàn)。

“交錯(cuò)式生成”被視為該模型實(shí)現(xiàn)復(fù)雜、多輪編輯的關(guān)鍵技術(shù)，與傳統(tǒng)模型一次性生成一張圖片不同，交錯(cuò)式生成是一個(gè)連續(xù)的過程——不僅能理解當(dāng)前的文本指令，還能看到并理解對(duì)話歷史中的所有圖片。

Mostafa Dehghani進(jìn)一步指出，它為解決極其復(fù)雜的圖像生成任務(wù)提供了一種全新范式：

• 如果你的提示詞包含了6個(gè)甚至50個(gè)不同的編輯要求，傳統(tǒng)模型很可能在一次生成中無(wú)法滿足所有細(xì)節(jié)。但利用交錯(cuò)式生成，模型可以將這個(gè)復(fù)雜任務(wù)分解為多個(gè)步驟，在不同的對(duì)話輪次中逐一完成編輯。

第三，該模型的進(jìn)步離不開對(duì)上一代模型的深入反思和對(duì)用戶反饋的積極響應(yīng)。

根據(jù)透露，團(tuán)隊(duì)會(huì)直接在等社交平臺(tái)上搜集用戶反饋，將用戶報(bào)告的失敗案例系統(tǒng)性整理起來(lái)，并將其構(gòu)建成內(nèi)部的評(píng)估基準(zhǔn)。

也就是說，每一個(gè)新版本的模型都必須在這些來(lái)自真實(shí)世界挑戰(zhàn)的測(cè)試集上證明自己。

具體而言，這些曾經(jīng)出現(xiàn)的bug包括：

1、像素級(jí)精確編輯：在Imagen 2.0中，用戶在嘗試對(duì)圖像進(jìn)行局部編輯時(shí)，模型可能會(huì)在添加新元素的同時(shí)不必要地改變圖像的其他部分。

2、角色一致性：Imagen 2.0已經(jīng)能夠在不改變角色位置的情況下為其添加帽子或改變表情。而新模型則實(shí)現(xiàn)了更高層次的一致性，能夠從不同角度渲染同一個(gè)角色，生成看起來(lái)完全是同一個(gè)人的側(cè)面或背面視圖。它還可以將一件家具從原始照片中取出，放置到一個(gè)全新的環(huán)境中。

3、更自然的圖像質(zhì)感：之前的編輯操作有時(shí)會(huì)產(chǎn)生不自然的PS感或疊加感。

Anyway，正是因?yàn)閳F(tuán)隊(duì)積極收集用戶反饋，彌補(bǔ)這些曾經(jīng)的短板，新模型這才有了如今的爆火。

未來(lái)，谷歌的目標(biāo)是將所有模態(tài)都整合到Gemini中，以實(shí)現(xiàn)AGI。

One More Thing

順帶一提，谷歌這次還計(jì)劃舉辦Nano Banana Hackathon（黑客馬拉松）活動(dòng)。

持續(xù)時(shí)間為2天，屆時(shí)將提供免費(fèi)API使用額度。

獲獎(jiǎng)?wù)哂袡C(jī)會(huì)贏得獎(jiǎng)品和開發(fā)者積分，以及一些和Gemini有關(guān)的“酷炫玩意兒”。

最后，如果你現(xiàn)在想要試玩Nano Banana模型，可以通過AI Studio或Gemini API體驗(yàn)。

也可以直接在Gemini內(nèi)使用。

AI Studio體驗(yàn)地址：
https://aistudio.google.com/prompts/new_chat?model=gemini-2.5-flash-image-preview

參考鏈接：
[1]https://x.com/kei31/status/1961052667381203235
[2]https://x.com/yuhasbeentaken/status/1960778503366041769
[3]https://x.com/kiyoshi_shin/status/1960841949281443874
[4]https://x.com/lakeside529/status/1960875127123632297
[5]http://x.com/OfficialLoganK/status/1961127857192673540
[6]https://x.com/OfficialLoganK/status/1960725463694753930