Czym jest Nano Banana? Wyjaśnienie modelu edycji obrazów Google

Nie była to nazwa produktowa. Niezmieniony etykietą model pojawił się w publicznych arenach porównań w trybie „w ciemno”, gdzie ocenia się anonimowe wyniki bez wiedzy, który system je wygenerował, pod zastępczą nazwą „nano banana”. Często wygrywał, ludzie to zauważyli, a spekulacje, kto za nim stoi, trwały tygodniami, zanim Google potwierdził pochodzenie.

Google zrobił potem rzecz nietypową i zachował przydomek, dlatego poważna infrastruktura jest publicznie znana pod żartobliwą etykietą. Formalnie to model obrazów z rodziny Gemini; w wyszukiwaniu liczy się jednak „banan”.

Ta historia wyjaśnia, czemu termin zachowuje się w wyszukiwarce tak dziwnie. Zainteresowanie pojawiło się, zanim ruszył jakikolwiek marketing, więc pytania ludzi były tymi od plotki — co to jest, kto to zrobił, czy to w ogóle prawda — a nie tymi, które zadaje się o produkcie.

Większość modeli obrazów powstaje z myślą o wygenerowaniu obrazu z opisu. Nano Banana skupia się na zmianie obrazu, który już Państwo mają, a najtrudniejsze jest wszystko to, czego nie proszono, by zmieniać.

Jeśli poproszą Państwo model ogólnego przeznaczenia, by założył osobie na zdjęciu czerwony płaszcz, zwykle dostaną Państwo osobę w czerwonym płaszczu, która nie jest już dokładnie tą samą osobą — trochę inna linia żuchwy, inny rozstaw oczu, twarz przypominająca rodzeństwo. Tożsamość przetrwa jedną edycję i degraduje się przy kolejnych. Nano Banana jest zbudowany po to, by tę tożsamość utrzymać — w serii następujących po sobie poleceń.

Z tego wynika sposób pracy. Nie piszą Państwo jednego rozbudowanego promptu i nie akceptują wyniku; prowadzą Państwo rozmowę, w której każda tura koryguje poprzedni rezultat. Proszę przesunąć światło. Teraz proszę zrobić wieczór. Teraz proszę przenieść go na zewnątrz. Ta pętla to produkt.

Do wszystkiego, gdzie ten sam obiekt musi pojawić się więcej niż raz. Fotografia produktowa w kilku sceneriach, postać w sekwencji kadrów, zestaw wariantów jednego portretu, makieta pokazująca to samo pomieszczenie w czterech zestawach kolorystycznych.

Jest też wyjątkowo wyrozumiały dla osób, które nie chcą uczyć się składni promptów. Ponieważ polecenie jest edycją, a nie specyfikacją, zwykłe zdania działają, a skutkiem nieprecyzyjnej prośby jest mała zmiana, a nie nie do poznania nowy obraz.

Słabiej wypada w sytuacji „pustej kartki”. Gdy nie ma obrazu źródłowego i nie ma kogo ani czego zachować, mechanizm spójności nie ma pracy, a modele budowane pod text-to-image zwykle dają większą kontrolę nad kadrem, optyką i stylem na starcie.

W porównaniu z Midjourney różnica dotyczy autorstwa estetycznego. Midjourney narzuca silny styl i zwykle służy do tworzenia czegoś efektownego; Nano Banana stara się zostawić zdjęcie w spokoju tam, gdzie nie proszono o zmianę. Jedno to stylista, drugie to retuszer.

Na tle modeli otwartych — Stable Diffusion i FLUX — różnica dotyczy miejsca, w którym mieści się kontrola. Otwarte wagi pozwalają dołączyć ControlNet, LoRA i potoki inpainting, by uzyskać precyzję kosztem składania potoku. Nano Banana zamyka w zdaniu węższy wycinek tej kontroli — szybciej dostępny i trudniejszy do przekroczenia.

Wobec gpt-image-1 te dwa są sobie bliższe niż którekolwiek do reszty: oba są zamknięte, wykonują instrukcje i działają konwersacyjnie, podpięte do dużego asystenta. Różnica, którą większość osób faktycznie odczuwa, to to, który lepiej utrzymuje twarz przez kilka tur — i to warto sprawdzić na własnym materiale, zamiast przyjmować z tabeli wyników.

Komercyjnie nic — nie współpracujemy z Google i nie odsprzedajemy jego modeli. Ta strona istnieje, bo ludzie pytają, co to jest, a uczciwa odpowiedź jest krótka, i katalog, który opisywałby tylko modele, które akurat lubimy, nie byłby katalogiem.

Warto przeczytać to obok tutejszych stron o edycji, bo słownictwo się przenosi. To, co Nano Banana robi konwersacyjnie, otwarty ekosystem wykonuje nazwanymi technikami: inpainting dla zmian w masce, outpainting dla zmian poza kadrem, denoise strength dla skali odchylenia wyniku od źródła. Znajomość tych słów bardzo ułatwia zrozumienie, co robi dowolny edytor, a czego nie.