Co je Nano Banana? Vysvětlení modelu Google pro úpravy obrázků

Nebyl to produktový název. V arénách pro veřejná srovnání modelů, kde lidé hodnotí anonymní výstupy bez znalosti původu, se objevil neoznačený model pod zástupným názvem „nano banana“. Vyhrával často, lidé si toho všimli a týdny se spekulovalo, kdo za ním stojí, než to Google potvrdil.

Google pak udělal nezvyklou věc a tu přezdívku ponechal, takže je dnes vážná infrastruktura veřejně známá pod žertovným jménem. Formálně jde o obrazový model Gemini; hledaný název je ale banán.

To je užitečné vědět, protože to vysvětluje, proč se pojem ve vyhledávání chová nezvykle. Zájem přišel dříve než marketing, takže se lidé ptali na věci, které se běžně ptáte u fámy — co to je, kdo to vytvořil, zda je to skutečné — místo obvyklých produktových dotazů.

Většina obrazových modelů je postavená na generování snímku z popisu. Nano Banana je postavené na změně snímku, který už máte, a těžká část je všechno, o co jste o změnu nepožádali.

Když obecný model požádáte, aby oblékl člověka na této fotografii do červeného kabátu, obvykle dostanete člověka v červeném kabátu, který ale není úplně ten samý — trochu jiná čelist, jiné rozestupy očí, tvář, která působí jako sourozenec. Identita přežije jednu úpravu a postupně se rozpadá. Právě tuto identitu se Nano Banana snaží udržet napříč několika po sobě jdoucími pokyny.

Z toho plyne i způsob práce. Nepíšete jeden složitý prompt a neberete, co přijde; vedete rozhovor, v němž každý krok upravuje předchozí výsledek. Posuňte světlo. Teď udělejte večer. Teď ho dejte ven. Ten cyklus je samotný produkt.

Ke všemu, kde se má tentýž subjekt objevit vícekrát. Produktové fotografie v různých prostředích, postava v několika panelech, sada variací jednoho portrétu, mock-up, který má ukázat jeden pokoj ve čtyřech barevných verzích.

Je také neobvykle vstřícný k lidem, kteří se nechtějí učit syntaxi promptů. Protože zadáním je úprava a ne specifikace, stačí běžné věty a selháním vágního požadavku je malá změna, nikoli nepoznatelný obrázek.

Hůře se hodí pro situaci „prázdné stránky“. Když není zdrojový snímek a není co zachovávat, konzistenční mechanismy nemají práci a modely navržené pro text-to-image vám z místa obvykle dají víc kontroly nad komponováním, optikou a stylem.

Proti Midjourney je rozhraní sporu estetická autorství. Midjourney uplatňuje silný „house style“ a obvykle se používá k vytvoření něčeho výrazného; Nano Banana se snaží nechat snímek být všude tam, kde jste o změnu nepožádali. Jeden je stylista, druhý retušér.

Proti otevřeným modelům — Stable Diffusion a FLUX — je dělítkem místo, kde žije kontrola. Otevřené váhy umožnily připojit ControlNet, LoRA a inpainting pipeline a získat přesné řízení za cenu skládání pipeline. Nano Banana dává užší výsek té kontroly za větu, což je rychlejší na dosažení a těžší „přepálit“.

Proti gpt-image-1 jsou si ty dva bližší než cokoli jiného: oba jsou uzavřené, řídí se instrukcemi, vedou konverzaci a jsou napojené na velkého asistenta. Praktický rozdíl, který většina lidí zmiňuje, je, který model lépe udrží tvář přes několik tahů — a to má smysl otestovat na vlastním materiálu, ne přebírat z žebříčku.

Obchodně nic — nejsme partneři Google a jeho modely neprodáváme. Tato stránka existuje proto, že se lidé ptají, co to je, a poctivá odpověď je krátká; a adresář, který by popisoval jen modely, které se nám líbí, by nebyl adresář.

Stojí za to ji číst spolu s našimi editačními stránkami, protože slovník se přenáší. To, co Nano Banana dělá konverzačně, dělá otevřený ekosystém pojmenovanými technikami: inpainting pro změnu uvnitř masky, outpainting pro změnu za rámec, denoise strength pro míru odchylky výsledku od zdroje. Znalost těch slov výrazně zpřehlední, co který editor dělá a nedělá.