Matthew Berman 评析 Gemini 图像模型 Nano Banana 的首批反响

Google 的 Nano Banana 图像模型激发了大量创意实验。我想带大家看看人们发布的一些反响和例子，从标注地标、3D 工作流到时尚和短片。这些都是单独的演示，并非对模型的系统测试。

Bilawal Sidhu 展示了旧金山地标的图像，画面中生成了名称、轮廓和小型信息面板。Transamerica Pyramid、Ferry Building 和 Palace of Fine Arts 的例子让普通照片看起来像空间界面。这种视觉效果很吸引人，但有些标签拼写错误，高亮也并不总是准确。看似按钮的东西只是图片中的像素，并非可用的链接；任何生成的事实信息也需要核实。

另一个例子将一座寺庙和其他建筑转换成类似等距视图的风格，然后加入过山车等富有想象力的元素。输出仍然只是一张图像：视觉上的纵深感本身并不是可编辑的 3D 模型。它可以作为视觉概念，但转换风格时细节可能发生变化。

下一步将图片导入独立的 3D 生成工具 Hunyuan-3D-2.1，生成一个可以旋转的对象。这种组合正是该工作流的有趣之处：Nano Banana 提供编辑后的图像，另一个模型根据它构建几何形状。源图中看不到的建筑部分必须靠推断补全，因此不能把网格当作精确测绘结果。

参考图示例还将角色与粗略草图结合，生成完整场景。在另一篇帖子中，一位创作者要求模型重新演绎 Nicéphore Niépce 的《View from the Window at Le Gras》；它通常被认为是现存最早的相机摄影作品。结果自行添加了色彩和视觉细节；正如我所说，模型发挥了想象。这是创意性重建，并不能证明当时的场景究竟是什么样。

一位创作者声称找到了绕过图像安全限制的方法。发布的结果可能暴露了某次交互中的弱点，但不能证明安全措施总能被绕过，也不能证明未来版本会有相同表现。其他例子继续展示图像到 3D 的流程：利用生成的源图，再借助另一个模型生成网格。

Sidhu 认为，自然语言图像编辑可能改变当前在 Photoshop 等应用中需要大量手工操作的工作流程。这些例子说明了创作者为什么兴奋：人们可以用语言提出构图和视觉修改要求，而不必逐层制作。但它们不能证明模型在各类专业编辑工作中拥有完全相同的功能、精度或可靠性。

一段广告风格的短片结合了 Nano Banana 制作的图像和 Google 的 Veo 3。生成的角色和声音展示了如何将静态图像模型与视频模型组合，制作出具有商业广告效果的片段。这种虚构呈现展示的是制作技巧，并不能证明片中任何产品宣传的真实性。

这段视频还包含 Zapier 的付费赞助环节。我将托管式自动化、集成、可靠性和定价与其他选择进行比较；这些说法是当时的宣传内容，而非独立比较的结果。产品可用性、集成数量、服务可靠性和价格都可能变化。

Linus Ekenstam 分享了时尚实验：模型为人物穿上衣服，并制作包括《辛普森一家》风格在内的不同造型。这些例子展示了快速预览搭配或探索视觉风格的一种方法。模型并不总是遵循每一条指令：其中一个结果的姿势就与要求不同。

Kol Tregaskes 发布了一系列编辑测试，包括调整色彩和对比度、重新布光，以及修改文字和其他细节。请求编辑的范围令人印象深刻，但有些输出存在视觉瑕疵：文字可能看起来过于平滑或不正确，貌似透明的效果也未必是可用的透明图层。即使图片看起来令人信服，也应对照实际编辑要求检查。

测试也遇到了安全边界，包括一次没有得到预期结果的换脸尝试。请求未成功或遭到拒绝，可能与安全政策、模型理解问题或能力局限有关；单个输出不能区分所有这些原因。这些例子有助于了解工具在相应交互中的表现。

另一位创作者先用 Nano Banana 生成参考图，再用独立的 Seedance 1.0 视频模型让它们动起来。这段短片在镜头切换和不同角度下保持了可辨认的视觉风格，使这种组合对分镜设计和电影制作颇具吸引力。这只是一个选出的演示，不能保证每个人物、运镜或场景都能保持一致。

最后，Elon Musk 分享了一组以埃菲尔铁塔前的猫为主题的对比图片，并谈到即将推出的 Grok Imagine 版本。看着这些图片，我无法看出两个例子有决定性的差别。这只是对极小样本的主观观察，并非模型综合排名；承诺中的未来改进是一项预测，而非已观察到的结果。

早期反响表明，图像编辑正成为更广泛的创意工作流中灵活的一环。最好的例子令人兴奋，但生成的标签、虚构的细节、政策限制和错误仍需要仔细审查。我预计人们在实验这些工具时还会不断找到新的组合方式。