Kas yra „Nano Banana“? „Google“ vaizdų redagavimo modelis

Tai nebuvo produkto vardas. Nežymėtas modelis pasirodė viešuose poriniuose vertinimuose, kur lyginami anoniminiai rezultatai nežinant, kuri sistema juos sukūrė, su laikinu užrašu „nano banana“. Jis dažnai laimėdavo, žmonės tai pastebėjo, ir spėlionės, kas slypi už jo, tęsėsi savaites, kol „Google“ patvirtino.

Tuomet „Google“ padarė gana neįprastą dalyką — pasiliko pravardę, todėl rimta infrastruktūros dalis viešai žinoma kaip pokštinis pavadinimas. Formaliai tai yra Gemini vaizdų modelis; ieškomas vardas — banana.

Šią istoriją verta žinoti, nes ji paaiškina, kodėl terminas keistai elgiasi paieškoje. Susidomėjimas atsirado anksčiau už bet kokią rinkodarą, tad žmonės klausia kaip apie gandą — kas tai, kas sukūrė, ar tai tikra — o ne kaip apie produktą.

Dauguma vaizdų modelių kurti generuoti paveikslą iš aprašo. „Nano Banana“ kurtas keisti jau turimą paveikslą, o sunkiausia ten — viskas, ko neprašėte keisti.

Paprašius bendro modelio aprengti žmogų iš šios nuotraukos raudonu paltu, dažnai gausite žmogų raudonu paltu, bet tai nebus visai tas pats žmogus — šiek tiek kitoks žandikaulis, kitas akių atstumas, veidas, labiau primenantis giminaitį. Tapatybė po vieno redagavimo dar išlieka, bet per kelis — išsiskaido. „Nano Banana“ esmė — išlaikyti tą tapatybę per nuoseklių nurodymų seką.

Iš to kyla ir sąveikos modelis. Jūs nerašote vieno ilgo prompto ir nepriimate, kas grįžta; Jūs kalbatės, o kiekvienas žingsnis pakoreguoja ankstesnį rezultatą. Perkelkite šviesą. Dabar padarykite vakarą. Dabar išneškite jį į lauką. Tas ciklas ir yra produktas.

Viskas, kur tas pats subjektas turi pasirodyti daugiau nei kartą. Produktų fotografija keliose aplinkose, veikėjas per kelis kadrus, vieno portreto variacijos, maketas, kuriame tas pats kambarys turi būti parodytas keturiomis spalvinėmis schemomis.

Jis taip pat neįprastai atlaidus žmonėms, kurie nenori mokytis prompt sintaksės. Kadangi nurodymas yra redagavimas, o ne specifikacija, pakanka paprastų sakinių, o neaiškaus prašymo „nesėkmės režimas“ — mažas pokytis, o ne nepažįstamas vaizdas.

Silpnesnis jis ten, kur „tuščias lapas“. Kai nėra pradinio vaizdo ir nėra subjekto, kurį reikėtų išsaugoti, konsistencijos mechanizmas neturi darbo, o tekstas–į–vaizdą kompozicijai skirti modeliai nuo nulio paprastai suteikia daugiau valdymo kadravimui, optikai ir stiliui.

Lyginant su „Midjourney“, skirtis — estetinė autorystė. „Midjourney“ taiko ryškų „namų“ stilių ir dažniausiai naudojamas sukurti ką nors įspūdingo; „Nano Banana“ stengiasi palikti vaizdą ramybėje visur, kur neprašėte keisti. Vienas — stilistas, kitas — retušas.

Lyginant su atvirais modeliais — „Stable Diffusion“ ir FLUX — skirtis ta, kur gyvena valdymas. Atviri svoriai leidžia žmonėms prisukti ControlNet, LoRA ir inpainting grandines tiksliai kontrolei, bet reikia susirinkti vamzdyną. „Nano Banana“ siauresnę to valdymo dalį pateikia per sakinį — greičiau pasiekiama ir sunkiau perlenkti.

Lyginant su gpt-image-1, jie artimesni vienas kitam nei bet kas kitas: abu uždari, vykdo instrukcijas, veikia pokalbiu ir yra prijungti prie didelio asistento. Praktinis skirtumas, kurį dažniausiai mini žmonės, — kuris geriau išlaiko veidą per kelis žingsnius; tai verta pasitikrinti su savo medžiaga, o ne aklai tikėti reitingu.

Komerciniu požiūriu — nieko: nesame susiję su „Google“ ir neperparduodame jos modelių. Šis puslapis yra todėl, kad žmonės klausia, kas tai per dalykas, o nuoširdus atsakymas trumpas; katalogas, kuris aprašytų tik mums patinkančius modelius, nebūtų katalogas.

Vertinga perskaityti kartu su čia esančiais redagavimo puslapiais, nes terminija sutampa. Ką „Nano Banana“ daro pokalbiu, atvira ekosistema daro įvardytais metodais: inpainting — keitimui kaukės viduje, outpainting — keitimui už kadro, denoise stipris — kiek toli leidžiama rezultatui nutolti nuo šaltinio. Žinant tuos žodžius daug aiškiau, ką bet kuris redaktorius daro ir ko nedaro.