Nano Banana为什么能秒杀GPT-4o成为新晋AI图像王者？创始人下场解答

这几天饼干哥哥的公众号、小红书、X都被Nano Banana刷屏了。

我甚至写了两篇内容来介绍它的玩法：

Awesome Nano Banana！迄今最强生图模型的28个玩法合集 | 附提示词

我在Lovart里把 Nano banana 转成生产力，轻松做凡人修仙传动画

上一个这么出圈的，还是ChatGPT 4o，那时满屏都是宫崎骏的吉卜力风格动漫图，而且它生图的能力已经很强了。

但Nano Banana更胜一筹，它亮点集中在人物一致性、多图融合与自然语言精准局部编辑。

突然发现，AI圈就是一个大循环。

GPT-4o发布才过去半年，Nano Banana这种「下一代」的生图模型就出来了。

这难道是AI界的摩尔定律？不敢想再过半年后，会是什么样的「魔鬼级」生图模型来屠Nano Banana

想到这，我就好奇它到底强在哪？凭啥一夜之间，就以燎原之势席卷全球了。

为了搞明白，我特意去看了一遍🍌创作团队的访谈。看完后，只能说：GPT-4o只能认输，确实没法打。

Google AI Studio的产品负责人Logan Kilpatrick，与Gemini图像模型的核心成员Kaushik、Robert、Nicole和Mostafa进行了一场深度对谈。

地址：https://www.youtube.com/watch?v=H6ZXujE1qBA

从“抽卡”到“持续性对话”

“传统”的生图模型，如Midjourney，需要结构化、巨长的prompt

而GPT-4o依赖背后ChatGPT超强理解能力，解决了这个问题，只需要简单描述尽管实现复杂画图需求，但需要多次抽卡的问题依然没解决。

而Nano Banana从一开始，就想彻底颠覆这个模式。

Gemini图像产品负责人Nicole Brichtova在访谈中开宗明义：“我们正在为Gemini发布一次巨大的质量飞跃……我们追求的是一种能与模型来回对话的体验。”

意思是：你可以用连续指令，围绕同一张图不断细调，而不是每次都从头再来。

这个效果来源自Nano Banana的架构创新。

GPT-4o的图像生成，本质上是一个“胶水模型”：由GPT-4o先需求翻译成一段prompt，再交给DALL-E 3这个专业的扩散模型（Diffusion Model）去作画。这是一个串联的、两步走的工作流。

而Nano Banana是真正的原生多模态架构，是谷歌把原生图像生成与编辑塞进了 Gemini 2.5 Flash 的同一套多模态上下文里。

这意味着统一的Token空间，文本和图像都视为一种可以在同一个Transformer架构内流转的通用数据（Token）；

更进一步，模型可以处理一个由[文本, 图像, 文本, 图像...] 组成的、交错的上下文序列，并基于这个完整的上下文生成新图像。

用大白话讲：

就是在同一轮对话里，模型既能理解文本、看懂图，又能连续生成和编辑，而且所有动作都在统一的上下文里发生——这就是他们口中的 Interleaved Generation（交错生成）。

有了它，模型在多轮里会“记得你刚才干了什么”，在这个基础上再做“先换衣服、再改姿势、最后挪到新场景”这种链式操作，稳定多了。

案例，把下图左边人物，改成打坐姿态。

模型在生成过程中拥有上下文信息，它知道前面已经生成了什么内容。生成第二张图时，它“看”到了第一张；生成第三张时，它“记得”前两张。

这使得“像素级的精确编辑” 成为可能，你可以像操作数据库一样，对画面进行增、删、改，而不用担心全盘重来。

图像生成模型的评价其实不在于「美不美」

一个模型如何才能变得更好？在追求“美感”这种主观判断之外，Gemini团队找到了一个意想不到的突破口。

Kaushik长期以来“痴迷”于一个看似边缘的问题：让AI准确地在图像中渲染文字。

“当模型学会处理文字这种结构时，它实际上也在学习如何处理图像中的其他结构。文字渲染因此成为了一个完美的‘代理指标’（Proxy metric）——一个能够反映模型整体性能的关键指标。”

这个洞察极其深刻。

文字是一种高度结构化的视觉信息，要求模型在像素层面有极其精准的控制力。一个模型如果能写好字，说明它对图像的结构、空间、高频细节的理解达到了新的高度。

更重要的是，这个指标是客观的。文字要么对，要么错。

这给了团队一个清晰的优化方向，避免了在“美不美”的主观感受中迷航。

事实证明，随着模型在文字渲染上的进步，其整体图像质量、对细节的把控力也在稳步提升。

“快”比“完美”更重要

大家在用Nano Banana的时候，有没感受到它比GPT-4o要更快？

这不止是服务器资源的问题，更多是模型的「反直觉」设定：在追求极致效果的同时，还要快速生图。

Robert强调：“模型的速度真的很快……即使它一开始没做好，你只需要稍微改一下提示词，再运行一次，很快就能得到一个更满意的结果。这种‘快速迭代式创作’的过程，其实才是它真正的魔力所在。”

说它反直觉，是因为，传统模型会为了追求“一次成功”而花大量时间编写完美的提示词，然后漫长等待一个结果。

但Nano Banana的设计哲学在于 “快速试错”：快速尝试，快速失败，快速调整。

因为创作本就是探索，而不是机械执行。

这个理念就是跟前面提到的“交错式生成”如出一辙——有点像是语言模型中的“思维链”（Chain of Thought）—— 把一个包含50个细节的复杂需求，分解成10个步骤，通过与模型的“对话”逐步完成，让模型有“时间”和“空间”去完成远超其单次处理能力的复杂任务。

超强多图融合

有网友上传13张图，Nano Banana都能完美把它们融合到一张图里。这是以前从未有过的。

A model is posing and leaning against a pink bmw. She is wearing the following items, the scene is against a light grey background. The green alien is a keychain and it's attached to the pink handbag. The model also has a pink parrot on her shoulder. There is a pug sitting next to her wearing a pink collar and gold headphones.A model is posing and leaning against a pink bmw. She is wearing the following items, the scene is against a light grey background. The green alien is a keychain and it's attached to the pink handbag. The model also has a pink parrot on her shoulder. There is a pug sitting next to her wearing a pink collar and gold headphones.

这个能力，表面上看是“能吃多张参考图”，本质上是在同一上下文里建立了多张图的统一语义表示：每张参考图的身份、材质、光影、朝向，都会变成可被引用的约束，模型在顺序生成时不断回看、对齐、再落到像素。

因为不是“先拼后修”的两段式，而是生成期就做跨图约束，所以不容易出现“贴纸感”和边缘穿帮。

内置「世界模型」

过去很多图像模型都停在“会画美图”，但一旦你让它“做一个 80 年代美国购物中心风格的写真，还给每张起个符合时代美学的标题”，大多会掉线。

Nano Banana 把谷歌的「世界模型」拉进来了：你要求的年代、风格、品牌语汇、生活常识，模型不只是知道“名词”，而是能把这些常识带进画面决策，包括服饰结构、材质选择、拍摄语法、空间布光等。

例如下图的案例，可以上传一张图后，就让Nano Banana做建筑的标注。

you are a location-based AR experience generator. highlight [point of interest] in this image and annotate relevant information about it.

团队在访谈里讲了一个我很认同的观点：语言只会描述“有意思”的东西，很多日常常识并不被语言充分表达；而图像既是输入信号，也是“把常识具象化”的训练材料。

把这两端打通，模型的“世界感”才会长出来。

落回到使用层面，就是你让它按一个品牌调性“做一版户外广告 mockup”，它不仅能学会那种风格，还会把风格和你给的实拍场景合理地对齐。

与ChatGPT-4o的对比

现在，回过头来，重新看，就能理解为什么Nano Banana能超越GPT-4o，再次掀起热潮了。

文章来自于微信公众号“饼干哥哥AGI”，作者是“饼干哥哥”。