Какво е Nano Banana? Обяснение на модела на Google за редактиране на изображения

Не беше продуктово име. Нелабелиран модел се появи в публични арени за директни сравнения, където хората оценяват анонимни резултати, без да знаят коя система ги е създала, под временния етикет „nano banana“. Печелеше често, хората забелязаха и седмици наред се гадаеше кой стои зад него, преди Google да потвърди.

После Google направи нетипично нещо и запази прякора — затова сериозна инфраструктура е публично позната с шеговито име. Формално това е Gemini модел за изображения; търсеният термин е бананът.

Тази история е полезна, защото обяснява странното поведение на термина в търсене. Интересът дойде преди маркетинга, затова въпросите приличат на такива за слух — какво е, кой го е направил, истинско ли е — вместо на въпроси към продукт.

Повечето модели за изображения са направени да генерират картина по описание. Nano Banana е изграден около промяна на картина, която вече имате, а трудното е всичко, което не сте поискали да се променя.

Помолете универсален модел да облече човека на тази снимка с червено палто и обикновено ще получите човек с червено палто, но не съвсем същия човек — леко различна челюст, разстояние между очите, лице като на роднина. Идентичността оцелява една редакция и се разпада след няколко. Това, за което Nano Banana е създаден да се „вкопчи“, е именно идентичността през поредица последователни инструкции.

Оттук следва и моделът на работа. Не пишете един разтегнат prompt и не приемате каквото се върне; водите разговор, в който всеки ход коригира предишния резултат. Премести светлината. Сега да е вечер. Сега го изкарай навън. Този цикъл е самият продукт.

За всичко, където един и същ обект трябва да се появява повече от веднъж. Продуктова фотография в няколко обстановки, герой в поредица панели, сет от варианти на един портрет, макет, който показва една стая в четири цветови схеми.

Също така е необичайно благосклонен към хора, които не желаят да учат синтаксис на prompt-и. Понеже инструкцията е редакция, а не спецификация, обикновени изречения работят, а провалът при неясна заявка е малка промяна, а не неразпознаваема картина.

По-слаб избор е за „празен лист“. Когато няма изходно изображение и няма субект за запазване, механизмът за консистентност няма работа и моделите за text-to-image композиция обикновено дават повече контрол над кадриране, оптика и стил от място.

Спрямо Midjourney разделителната линия е естетическото авторство. Midjourney налага силен „къщен“ стил и обичайно се ползва, за да се създаде нещо зрелищно; Nano Banana се опитва да остави снимката на мира навсякъде, където не сте поискали промяна. Единият е стилист, другият — ретушист.

Спрямо отворените модели — Stable Diffusion и FLUX — различието е къде живее контролът. Отворените тегла позволяват да се добавят ControlNet, LoRA-и и inpainting пайплайни за прецизен контрол, срещу цената да сглобите самия пайплайн. Nano Banana поставя по-тесен срез от този контрол зад изречение — по-бързо е за достигане и по-трудно за преминаване.

Спрямо gpt-image-1, двата са по-близки един до друг, отколкото до всичко останало: и двата са затворени, следват инструкции, управляват се разговорно и са прикачени към голям асистент. Практичната разлика, за която най-често се съобщава, е кой задържа лице по-добре през няколко хода — и това си струва да тествате със свой материал, а не да приемате от класация.

Нищо търговско — нямаме обвързаност с Google и не препродаваме негови модели. Тази страница съществува, защото хората питат какво е това нещо, а честният отговор е кратък, и каталог, който описва само моделите, които харесваме, не е каталог.

Струва си да се чете заедно със страниците за редактиране тук, защото речникът се пренася. Това, което Nano Banana прави разговорно, отворената екосистема прави с именувани техники: inpainting за промяна вътре в маска, outpainting за промяна извън кадъра, denoise strength за това докъде резултатът може да се отдалечи от източника. Познаването на тези думи прави много по-ясно какво всеки редактор прави и какво — не.