Mi a Nano Banana? A Google képszerkesztő modelljének bemutatása

Nem terméknévként indult. Egy felcímkézetlen modell jelent meg nyilvános, páronkénti összehasonlító arénákban, ahol az emberek névtelen kimeneteket hasonlítanak össze anélkül, hogy tudnák, melyik rendszer készítette őket, „nano banana” helyőrző alatt. Sokat nyert, feltűnt az embereknek, és hetekig ment a találgatás, ki áll mögötte, mielőtt a Google megerősítette volna.

A Google ezután szokatlan módon megtartotta a becenevet, ezért hívnak egy komoly infrastruktúra-elemet nyilvánosan egy tréfás címkével. A hivatalos identitás egy Gemini képes modell; a keresett név a „banán”.

Ezt a történetet érdemes ismerni, mert megmagyarázza, miért viselkedik furcsán a kifejezés a keresőben. Az érdeklődés hamarabb érkezett, mint bármilyen marketing, így a kérdések inkább a pletykákról szólnak — mi ez, ki készítette, valódi-e —, nem pedig a termékkérdésekről.

A legtöbb képes modell leírásból generál új képet. A Nano Banana ezzel szemben a meglévő kép módosítására épül, és ennek a nehéz része minden, amire nem kérte a változtatást.

Ha egy általános modellt arra kér, hogy legyen a fotón látható személyen piros kabát, rendszerint kap egy piros kabátos embert, aki nem egészen ugyanaz az ember — kicsit más állkapocs, más szemköz, egy „testvér-arc”. Az azonosság egy módosítást kibír, többen fokozatosan elmosódik. A Nano Banana kifejezetten arra készült, hogy ezt az azonosságot tartsa meg, egymást követő utasítások sorozatán át.

Ebből következik az interakciós modell is. Nem egy hosszú promptot ír és elfogadja, ami visszajön; hanem párbeszédet folytat, amelyben minden kör az előző eredményt igazítja. Mozgassa a fényt. Most legyen este. Most tegye ki őt a szabadba. Ez a kör a termék.

Bármire, ahol ugyanannak a témának többször is meg kell jelennie. Termékfotó több környezetben, egy karakter panelsorozaton át, egy portré variációi, egy látványterv, amely ugyanazt a szobát négy különböző színvilágban mutatja.

Szokatlanul elnéző azokkal is, akik nem akarnak prompt szintaxist tanulni. Mivel az utasítás szerkesztés, nem pedig specifikáció, a hétköznapi mondatok működnek, és a homályos kérés hibamódja egy kis változás, nem pedig egy felismerhetetlen kép.

Gyengébb illeszkedés az üres vászon esete. Ha nincs forráskép és nincs megőrzendő téma, a konzisztenciagépezetnek nincs dolga, és a kifejezetten szövegből képet (text-to-image) komponáló modellek induláskor több kontrollt adnak a képkivágás, az optika és a stílus felett.

A Midjourney-hez képest a határ az esztétikai szerzőség. A Midjourney erős „házstílust” érvényesít, és általában valami feltűnőt készítésére használják; a Nano Banana igyekszik mindent érintetlenül hagyni, amit nem kért. Az egyik stilista, a másik retusőr.

A nyílt modellekhez — Stable Diffusion és FLUX — képest a különbség az, hol lakik a kontroll. A nyílt súlyok lehetővé teszik, hogy az emberek ControlNetet, LoRA-kat és inpainting folyamatokat csavarjanak a modell köré, precíz vezérlést kapva az összeállítás árán. A Nano Banana ennek egy szűkebb szeletét teszi elérhetővé mondatok mögött, amit gyorsabb elérni, és nehezebb túltolni.

A gpt-image-1-hez képest a kettő közelebb áll egymáshoz, mint bármi máshoz: mindkettő zárt, utasításkövető, beszélgetés által vezérelt modell, egy nagy asszisztenshez kapcsolva. A gyakorlatban legtöbben azt különböztetik meg, melyik őrzi meg jobban az arcot több körön át — ezt érdemes a saját anyagával tesztelnie, nem ranglistáról elhinni.

Kereskedelmi értelemben semmi — nem állunk kapcsolatban a Google-lel, és a modelljeit nem értékesítjük újra. Ez az oldal azért van, mert sokan kérdezik, mi ez a dolog, és a tisztességes válasz rövid, illetve egy olyan könyvtár, amely csak a nekünk tetsző modelleket írja le, nem volna igazi könyvtár.

Érdemes a szerkesztési oldalainkkal együtt olvasni, mert a szókészlet átjár. Amit a Nano Banana beszélgetve csinál, azt a nyílt ökoszisztéma névvel jelölt technikákkal: inpainting maszkon belüli változtatásra, outpainting a képhatáron túlra, denoise erősség arra, mennyire térhet el az eredmény a forrástól. Ha ismeri ezeket a szavakat, sokkal tisztábban látja, mit csinál és mit nem csinál bármelyik editor.