Nano Banana Pro：发布当天的图像生成评测

2025 年 11 月，Google 推出 Nano Banana Pro 后不久，我测试了它的图像生成能力，觉得结果令人印象深刻。这些例子是初步观察，不是受控基准测试，也不代表当前产品和价格。

我的第一个提示词要求将 William Hogarth 的《浪子历程》重新设定在 2025 年。生成的图像把原作中的兴衰转换为加密资产投机、零工和驱逐通知等现代细节。

与原版 Nano Banana 和 Seedream 4 的示例相比，我认为新模型给出了更连贯的演绎。这些是挑选出来的例子，比较带有主观性。

第二组比较要求用毛毡和纱线制作伦敦地形图。我更喜欢 Pro 图像的视觉处理，但也承认真实地理是否正确是另一个问题。

模型在部分请求中可以利用搜索结果进行事实依据校准。一个例子包含了真实的比赛比分和日期，但周围的伦敦场景并不完全准确。可以搜索并不意味着每个生成细节都可靠。

我用三个提供的角色测试双重曝光电影海报。生成图像结合了他们的世界，并将角色放在同一动作场景中；我把它与早期模型的输出进行比较。

质量提升也伴随取舍。在评测时，Pro 模型比原版 Nano Banana 更贵，且在我的测试中耗时更长；我提到的具体价格比例只适用于 2025 年 11 月。

我也介绍失败案例：多次尝试制作具有理想字体的精彩缩略图都不理想，有些涉及人物的提示词被拒绝。这些是特定提示词下的个人体验，而非普遍失败率。

我提到 Google 在 Gemini 应用中的 SynthID 水印检查。水印检查只能针对其检测到的水印，不能把没有检测到水印当成图像一定由人类创作的证明。

在我的测试中，一张关于黑死病的信息图细节丰富、整体很有说服力，但我发现“巴黎幸免”的说法似乎有误。外观出色的信息图在发布前仍需要核对事实、标签和来源。

图像看起来越精致，小的事实错误就越容易被忽略。我认为，表面质量提高后，核验可能更加重要。

在场景合成测试中，我提供刺猬和一张照片，要求模型把动物放进场景，使用真实光照并在附近加入一个人。结果接近我的预想，但并不完美。

一个四格漫画使用我提供的角色和一只乌龟，加入对白并保留重复出现的视觉特征。后续提示把两者转移到船上，同时尝试保留他们的个性和说话方式。

有些细节会在画格之间变化，包括配饰。即便如此，我仍认为可读文字、视觉一致性和连贯情节的结合很有价值；这个例子仍需要人工审查和编辑。

模型在嵌套图像中也没有满足数量要求：我要求八层互相嵌套的技术设备，但结果没有清楚地包含八层。在这次测试中，复杂构图仍是局限。

我简要测试了在一张图里放入多个提供的角色，并提到图像生成基准测试。我的总体评价很积极，但排名和比较反映的是发布当天的判断与选取的示例。