- 天下Web only
週二，Google推出外界引頸期待已久的圖像生成模型Gemini 2.5 Flash Image，又稱「奈米香蕉」（nano-banana）。
用戶反應熱烈，因為這款新模型能保持畫面中角色的一致性、將多幅影像融合成一幅，並且不需要用戶寫程式，用自然語言即能修改圖像，還能更符合現實世界邏輯，不輸出令人滿頭問號的畫面。
保持角色
過往在使用其他圖像模型時，可能會碰到畫面中人像「愈改愈走鐘」的煩惱，因為先前的模型很難在每次改動環境的指令下維持人物面部的細節。
然而，進化後的Gemini 2.5 Flash Image可以在多個提示和編輯指令中，保持角色或物件的外觀。
融合多張圖像
Gemini 2.5 Flash Image可以理，解並合併多幅影像。例如將一件家飾放入房間場景中，或是修改房間牆壁的紋理。
Gemini甚至提供一個模板應用程式，讓用戶拖曳物件到新場景中，讓用戶更快速地創建融合圖像。
自然語言就能下指令
Gemini 2.5 Flash Image支援使用自然語言進行特定的修改，和精準的局部編輯。用戶只要簡單提示「模糊影像背景」、「去除衣服上的污漬」、「從照片中移除整個人物」，就能實現想法。
更合現實世界邏輯
除此之外，該模型還增加了對現實世界的知識推理。舉例來說，一個氣球飄向仙人掌接下來會怎樣？模型能生成氣球破碎的畫面。這讓圖像生成模型不只做出精美的作品，也能符合現實世界的邏輯。
挑戰OpenAI
Google DeepMind視覺生成模型產品負責人布里奇托瓦（Nicole Brichtova）指出，該公司確實在不斷提高視覺品質，以及模型遵循指令的能力，更新的模型特別考慮了消費者的使用場景，像是居家視覺化。
如今，AI圖像模型已成為科技巨頭的關鍵戰場。在OpenAI於三月推出GPT-4o原生影像生成器之後，使用量一路飆升，特別是廣受歡迎的吉卜力工作室風格圖片。
為了跟上OpenAI和Google的腳步，Meta上週宣布將從新創公司Midjourney獲得 AI 影像模型授權。同時，由a16z投資的德國獨角獸公司Black Forest Labs，也以FLUX AI圖像模型在基準測試中佔優勢。
對Google來說，Gemini這款令人印象深刻的AI圖像生成器或許能幫它縮小與OpenAI的用戶量差距。目前，ChatGPT每週用戶數超過7億人，而Gemini的大約1億出頭。
不過，考量安全問題，新AI圖像生成器設有限制，不能生成非自願的親密圖像，並且圖像都會加上不可見的浮水印。
（資料來源：Google, TechCrunch, Decoder）
天下總主筆陳良榕專欄。半導體狂熱、科技巨頭謀略的最犀利解讀
看懂科技大勢，獨家解讀
請查看您的信箱，我們將寄送驗證信給您，確保未來信件會送到您的信箱
