最近，那个在社区中引发热议、代号为"Nano Banana"的图像编辑模型正式发布了。 如果说gpt-Image1让人初步感受到了原生图像生成的潜力，那么Nano Banana则标志着这种魔法般的能力真正开始落地。 谷歌Gemini团队的Nicole Brichtova、Kaushik Shivakumar、Mostafa Dehghani和Robert Riachi近日接受访谈，详细解读了Gemini 2.5 Flash背后的关键技术。他们探讨了 复杂编辑中交织式生成（interleaved generation）的实现方式，以及在保持人物一致性和实现精准像素控制方面的新突破。 锦秋基金（公众号：锦秋集；ID：jqcapital）认为，这篇文章揭示一部分了nano banana背后的技术思路，因此也做了编译。 Nano Banana凭借强大的原生图片编辑能力迅速出圈，大量用户夸赞它在人物一致性、风格泛化上取得了不可思议的进步；与此同时，作为gemini-2.5-flash的原生图 像生成功能，Nano Banana真正做到了理解图像与创造图像的融合。 应对复杂 指令 的新 范式 对于非常复杂的指令（例如，一 ...

产品核心功能 - 多图像融合生成全新画面，最多支持13张图片合并 [2] - 二维地图转化为三维景观，理解地理等高线知识 [19][25] - 从图像中提取物理结构，精准转化线稿和上色 [38][40] - 多轮交错生成技术，实现有记忆的连续创作 [53][57] - 支持逆向图像处理，包括黑白线框重新上色和破损照片修复 [37][44] 技术架构突破 - 集成Gemini世界知识引擎，具备地理建筑识别与标注能力 [6][10][12] - 采用原生与交错式生成技术，13秒内生成五张风格统一图像 [57][59] - Gemini团队负责逻辑推理与指令遵循，Imagen团队负责美学优化 [68][70] - 通过文字渲染训练提升图像宏观与微观结构理解力 [64][65][67] 应用场景创新 - 影视制作分镜生成，实现AI辅助拍电影 [10] - 建筑设计视角转换，支持工程绘图与三维视图生成 [26][29] - 虚拟试衣与动作复刻，达成摄影棚级效果 [28][33] - 室内设计与花园改造，生成多种风格方案 [59] - 机器人视角人物轮廓勾勒，实现终结者风格图像 [17] 市场反响与测试表现 - 在LMArena平台上线后迅速风靡社区 [46][48] - 盲测中Gemini 2.5 Flash Image成绩一骑绝尘 [48] - 网友创作涵盖超人COS、奥特曼整蛊等多样化内容 [2][42] - 内部测试处理芝加哥街景等现实场景精度获验证 [50] 开发方法论 - 基于推特用户反馈建立"差评榜"优化模型 [62] - 通过多模态上下文理解实现创意指令执行 [53][55] - 团队目标开发具备事实准确性的智能办公辅助功能 [74] - 追求超越用户指令的智能涌现与创造性输出 [76][78]

引入「交错生成」功能，增强模型在世界知识和创意解释方面的能力。 香蕉也能变礼服？Google 真的做到了！ 在最新一期谷歌开发者节目里，Google DeepMind 团队首次全面展示了 Gemini 2.5 Flash Image —— 一款拥有原生图像生成与编辑能力的最新模型。 它不仅能快速生成高质量图像，还能在多轮对话中保持场景一致，带来了前所未有的互动体验，堪称 SOTA 级图像生成革命。 背后的研发和产品团队，也首次亮相。 起底背后团队 Logan Kilpatrick Logan Kilpatrick 是 Google DeepMind 的高级产品经理，负责领导 Google AI Studio 和 Gemini API 的产品开发工作。 他毕业于哈佛大学和牛津大学，早期在 NASA 开发月球车软件，并在 Apple 训练机器学习模型 。他对 Julia 编程语言持积极态度，并曾在 2024 年表示， 直接迈向人工超智能（ASI）而不关注中间阶段的做法「越来越可能」。 他在 AI 开发者社区中享有盛誉，曾在 OpenAI 担任开发者关系负责人，广为人知的昵称是 「LoganGPT」 。在加入 Go ...

机器之心报道 在最新一期谷歌开发者节目里 ，Google DeepMind 团队首次全面展示了 Gemini 2.5 Flash Image —— 一款拥有原生图像生成与编辑能力的最新模型。 它不仅能快速生成高质量图像，还能在多轮对话中保持场景一致，带来了前所未有的互动体验，堪称 SOTA 级图像生成革命。 背后的研发和产品团队，也首次亮相。 起底背后团队 Logan Kilpatrick 机器之心编辑部 引入「交错生成」功能，增强模型在世界知识和创意解释方面的能力。 香蕉也能变礼服？Google 真的做到了！ Logan Kilpatrick 是 Google DeepMind 的高级产品经理，负责领导 Google AI Studio 和 Gemini API 的产品开发工作。 他在 AI 开发者社区中享有盛誉，曾在 OpenAI 担任开发者关系负责人，广为人知的昵称是 「LoganGPT」 。在加入 Google 之前，他曾在 Apple 担任机 器学习工程师，并在 NASA 担任开源政策顾问 。 在 Google，Kilpatrick 领导了 Gemini 2.0 Flash 的本地图像生成功能的推出 ...

模型背景与推测 - 神秘AI模型Nano-Banana在LMArena平台Battle模式中被发现 但未公开列出且无官方开发者认领[2][3] - 社区推测其可能为谷歌研究模型 依据包括谷歌AI Studio产品负责人发布香蕉表情符号及DeepMind产品经理发布相关艺术作品[4][5][6][7] - 其他佐证包括谷歌曾将较小模型称为"Nano" 且生成图像质感与Imagen或Gemini系列相似[10] 技术能力与表现 - 模型在文本编辑、风格融合和场景理解方面表现优异 支持上传两张图片并输入提示词融合元素[8] - 能精准理解复杂文本提示 例如将横放书籍立起并添加书挡摆放到柜子上[9] - 在商业场景如产品照片、广告中表现稳定 能保留复杂细节如刺绣图案并保持光线视角一致性[13][15] - 存在局限性：可能产生反射、光照逻辑或物体位置不一致问题 人物手指偶现畸形 书籍文字可能出现乱码[20] 使用体验与比较 - 目前仅能通过LMArena平台随机体验 无官方API或正式官网链接 导致体验不稳定[22][23] - 文生图测试中生成图像更符合提示词细节（如化妆师背景道具） 人物动作服装更自然且手部无瑕疵 对比ChatGPT生成效果更优[29][30] - 图片编辑功能可无缝添加元素 如将类人机器人融入公园环境且毫无违和感[33][34] - 支持复杂指令如逆向工程描绘摄影创作过程 生成场景搭建图像[36] - 在人物融合任务中表现优于Gemini 2.0 flash 但细节处理仍有瑕疵（如手指变形）[43][44][45] 创新应用案例 - 与谷歌Veo3结合可制作长视频 例如提取视频帧后生成下一场景并用Veo3动画化[47][48][49] - 可将插画转化为手办模型 生成图像保留五官细节且真实感强 再通过Veo3制作展示视频[51][55][56] - 谷歌Veo3近期免费开放体验 普通用户每日可生成3个8秒视频片段 Pro和Ultra订阅用户分别有3个和10个配额[61][62]

核心观点 - AI的"创造力"本质上是扩散模型架构的确定性产物，而非高级智能表现[1][19] - 扩散模型的局部性和等变性限制（技术缺陷）反而成为其创造力的来源[13][16][19] - 该机制与生物形态发生学中的图灵模式高度相似，解释了AI生成图像常见缺陷（如多余手指）的成因[9][12][19] 研究背景 - 扩散模型（DALL·E/Stable Diffusion核心）设计初衷是精确复制训练数据，但实际表现出"即兴创作"能力[3][5] - 去噪过程中像素块的局部重组导致信息丢失，类似拼图丢失说明书后的创造性重组[6][8] - 物理学家团队（跨学科背景）从生物自组装过程获得启发，建立ELS数学模型验证假设[9][16] 关键发现 - ELS模型仅基于局部性+等变性规则，即能以90%准确率复现扩散模型输出[18][19] - 创造力源于系统动态：模型过度关注局部像素块而缺乏全局协调（类似生物发育中的多指畸形）[12][15][19] - 该机制可数学形式化，证明创造力是去噪过程的必然副产品[16][19] 未解问题 - 非扩散模型（如LLM）的创造力机制尚未被该理论覆盖[21] - 人类与AI创造力可能共享"不完整认知→填补空白"的底层逻辑[21][22] 行业意义 - 首次将AI创造力归因于底层技术架构而非抽象能力[1][19] - 为理解人类创造性思维提供新视角（神经科学类比）[19][21] - 可能推动新一代生成模型的设计范式转变[16][19]

AI行业动态 - 英伟达股价大涨4.3%至154.31美元 总市值达3.77万亿美元 超过微软成为全球市值第一公司 [3] - 近90%分析师对英伟达持买入评级 微软 Meta Alphabet和亚马逊合计贡献其超40%收入 [3] - 英伟达CEO黄仁勋表示AI和机器人技术是最大增长机遇 代表数万亿美元机会 自动驾驶将成为首个主要商业应用领域 [3] - 软银CEO表示将保持对AI领域投资的进攻立场 [3] 生成式AI投资回报 - Snowflake报告显示采用生成式AI的企业平均ROI达41% 每投入100万美元获得141万美元商业价值 [4] - 企业采用生成式AI主要动机为提高运营效率(51%) 改善客户体验(43%) 加速创新成果(40%) [4] - 98%企业预计未来12个月内生成式AI项目预算将增加 涵盖数据 模型 软件 基础设施和人员 [4] 科技公司动态 - 谷歌开源AI Agent框架Gemini CLI 集成视频模型Veo和图像模型Imagen 支持MCP 谷歌搜索等功能 [5] - 超微电脑股价周三上涨5% 盘中最大涨幅达9.5% 创5月16日以来新高 今年迄今累计上涨48% [7][8] - 苹果正与F1谈判在赛车上安装摄像镜头 可能改变赛事转播方式 此前已在F1赛车上安装数十个iPhone摄像头拍摄电影 [9]

行业动态 - AI编程成为2025年大模型落地进展最快的场景之一，各大厂商和初创公司争相布局，每月都有新产品和话题出现 [1] - 谷歌发布开源AI智能体Gemini CLI，将Gemini大模型能力接入终端命令行界面，擅长编程同时支持内容生成、问题解决、研究和任务管理等多种功能 [1] - 行业认为谷歌Gemini CLI直接对标Anthropic的Claude Code，后者被专业开发者视为当前最强编程工具之一，此次发布使AI编程市场竞争进一步升级 [3] 产品特性 - Gemini CLI在Github完全开源，项目热度迅速攀升，已获得超过1.9万颗星，采用类似安卓生态的开源模式，与Claude Code的闭源iOS模式形成对比 [3] - 产品提供完全免费使用机会，开发者可通过谷歌账号获取免费许可，包含Gemini 2.5 Pro访问权限和100万token上下文窗口，每分钟60次、每日1000次请求限额 [4] - 除编程外，Gemini CLI可直接调用谷歌视频模型Veo和图像模型Imagen，支持制作短视频等多媒体内容创作 [4] - 产品集成MCP、谷歌搜索、自定义自动化等功能，可设置自动执行特定操作如社交媒体内容生成和发布，更贴合工作流程 [6] 市场竞争 - Gemini CLI被业界视为Claude Code的平价替代品，凭借免费开源优势成为强劲竞争对手 [6] - Claude Code在复杂项目管理、深度代码理解等场景表现优异，被开发者比作经验丰富的资深工程师，但使用成本是Cursor的几倍 [6] - 大模型厂商通过免费开源低门槛策略扫荡市场，对Cursor等初创公司构成压力，后者需建立更深护城河应对挑战 [7] 产品对比 - Gemini CLI免费开源，Cursor最低月费20美元，Claude Code使用成本更高 [4] - 在速度、成本和交互流畅度方面，部分开发者仍更支持Cursor [6] - Claude Code在自动化、无人值守、跨终端等复杂场景表现突出，是目前公开可用的最强AI编程助手 [6]

谷歌开源AI Agent框架Gemini CLI - 公司开源了AI Agent框架Gemini CLI，将Gemini大模型直接融入终端 [1] - 框架最大亮点是可直接调用视频模型Veo和图像模型Imagen，并集成MCP、谷歌搜索、自定义自动化等功能 [1] - 框架可调用专业AI开发助手Gemini Code Assist，支持编写代码、修复BUG、迁移代码等开发任务 [1] - 开源项目在Github已获得超过9000颗星，显示开发者社区高度关注 [1]

AI生成内容的真实性挑战 - 一段AI生成的袋鼠登机视频在X平台获得7460万次观看 Instagram点赞量达1104万次 因动物行为逼真引发广泛传播[4][5] - 视频存在多处AI痕迹 包括登机牌文字乱码 人物使用虚构语言 空乘胸牌无名 乘客戒指突然出现等细节漏洞[5][7][9] - 视频来源账号InfiniteUnreality专门制作超现实AI动物内容 如飞机座椅上的河马 登机长颈鹿等[13][16] 用户误判AI内容的原因 - 谷歌Veo3等技术已实现高清自然影像生成 包括眨眼 头部微动作协调及逼真音效 大幅提升欺骗性[18] - 创作者虽标注AI标签但采用隐蔽符号(∞) 多数用户难以识别 二次传播者常省略AI声明[19][21] - 用户玩梗行为加剧误导 如评论"袋鼠日常"等调侃形成真实性印象叠加 少数质疑声被淹没[24] 真实内容被反向误认为AI的案例 - 博主将12年前Tim Minchin真实演唱会视频伪称为Veo3生成 提示词详细描述哥特钢琴家场景[28][29] - 类似操作包括用Vitas真实影像假冒AI生成 显示当前真伪判断已进入双向混淆阶段[32] AI内容鉴伪技术发展 - 谷歌推出SynthID工具 通过数字水印识别Gemini Imagen等自家AI生成内容 抗裁剪/转格式干扰[35][36] - 该技术局限在于仅适用于谷歌系模型 对ChatGPT Midjourney等第三方AI内容无效 且恶意编辑可能破坏水印[37][38]