Nano Banana คืออะไร? อธิบายโมเดลแก้ไขภาพของ Google

เดิมไม่ใช่ชื่อสินค้า โมเดลที่ไม่ติดป้ายปรากฏในสนามทดสอบแบบประจันหน้าสาธารณะ ที่ให้ผู้ใช้เปรียบเทียบผลลัพธ์โดยไม่รู้ว่าออกมาจากระบบใด ภายใต้ชื่อชั่วคราวว่า “nano banana” มันชนะบ่อย ผู้คนเริ่มจับตามอง และการคาดเดาว่าใครอยู่เบื้องหลังยืดเยื้ออยู่หลายสัปดาห์ก่อนที่ Google จะยืนยัน

จากนั้น Google ก็ทำสิ่งที่ไม่ปกติ คือคงชื่อเล่นนั้นไว้ นี่จึงเป็นเหตุที่โครงสร้างพื้นฐานจริงจังชิ้นหนึ่งถูกเรียกด้วยชื่อเล่น ส่วนตัวตนอย่างเป็นทางการคือโมเดลภาพในตระกูล Gemini แต่ชื่อที่คนค้นหาคือกล้วย

เรื่องนี้ควรรู้ไว้ เพราะอธิบายได้ว่าทำไมคำนี้ถึงมีพฤติกรรมแปลก ๆ บนการค้นหา ความสนใจเกิดก่อนงานการตลาด คำถามที่คนถามจึงเป็นสไตล์ข่าวลือ — มันคืออะไร ใครทำ มันของจริงไหม — มากกว่าคำถามเชิงสินค้า

ส่วนใหญ่โมเดลภาพถูกออกแบบมาเพื่อสร้างภาพจากคำบรรยาย Nano Banana ถูกออกแบบมาเพื่อเปลี่ยนภาพที่มีอยู่แล้ว และส่วนที่ยากคือทุกอย่างที่ท่านไม่ได้สั่งให้เปลี่ยน

ถ้าขอให้โมเดลเอนกประสงค์เปลี่ยนให้ “คนในภาพนี้ใส่เสื้อโค้ตสีแดง” มักจะได้คนใส่เสื้อโค้ตสีแดงที่หน้าไม่ใช่คนเดิมนัก — กรามต่าง ระยะห่างตาต่าง หน้าที่เหมือนพี่น้อง เอกลักษณ์จะรอดหนึ่งครั้งและเสื่อมลงเมื่อแก้หลายครั้ง Nano Banana ถูกสร้างมาเพื่อยึดเอกลักษณ์นั้นไว้ข้ามคำสั่งต่อเนื่องหลายรอบ

แบบปฏิสัมพันธ์ก็ตามนั้น ท่านไม่ได้เขียน prompt ยาวครั้งเดียวแล้วรับผล แต่สนทนาปรับผลลัพธ์รอบต่อรอบ ขยับแสง ตอนนี้ให้เป็นเวลาเย็น ตอนนี้พาเขาออกไปข้างนอก วงจรนั้นแหละคือผลิตภัณฑ์

งานที่ต้องให้ตัวแบบเดิมปรากฏหลายครั้ง ถ่ายภาพสินค้าในหลายฉาก ตัวละครเดียวกันตลอดลำดับช่อง ภาพพอร์ตเทรตเวอร์ชันต่าง ๆ หลายแบบ ม็อกอัปที่ต้องแสดงห้องเดียวกันในสี่โทนสี

ยังให้อภัยผู้ใช้ที่ไม่อยากเรียนไวยากรณ์ prompt เป็นพิเศษ เพราะคำสั่งเป็นการแก้ไข ไม่ใช่สเปกใหม่ ประโยคธรรมดาก็ใช้ได้ และเมื่อคำสั่งกว้างเกินไป ผลลัพธ์มักเปลี่ยนเพียงเล็กน้อย แทนที่จะกลายเป็นภาพไม่รู้เรื่อง

จุดที่ไม่ถนัดคือกรณีหน้าเปล่า เมื่อไม่มีภาพต้นทางและไม่มีตัวแบบให้รักษา กลไกรักษาความคงที่ก็ไม่มีงานทำ โมเดลที่สร้างจากข้อความล้วนมักให้การควบคุมกรอบภาพ เลนส์ และสไตล์ได้มากกว่าเมื่อเริ่มจากศูนย์

เมื่อเทียบกับ Midjourney เส้นแบ่งคือการกำกับเชิงสุนทรียะ Midjourney มีสไตล์ประจำตัวชัด มักใช้เพื่อสร้างภาพโดดเด่น ส่วน Nano Banana พยายามไม่แตะส่วนที่ท่านไม่ได้สั่ง หนึ่งคือสไตลิสต์ อีกหนึ่งคือรีทัชเชอร์

เมื่อเทียบกับโมเดลเปิด — Stable Diffusion และ FLUX — เส้นแบ่งคือจุดที่การควบคุมอาศัยอยู่ น้ำหนักเปิดทำให้ผู้ใช้ต่อพ่วง ControlNet, LoRA และสายงาน inpainting เพื่อควบคุมละเอียดได้ แต่ต้องประกอบสายงานเอง Nano Banana ซ่อนส่วนควบคุมแคบกว่านั้นไว้หลังประโยคเดียว ถึงได้เร็วกว่าและยากจะผลักให้เกินกรอบ

เมื่อเทียบกับ gpt-image-1 ทั้งสองใกล้กันกว่าที่ใกล้สิ่งอื่น: ปิด, ทำตามคำสั่ง, ขับเคลื่อนด้วยบทสนทนา และผูกกับผู้ช่วยขนาดใหญ่ ความต่างเชิงปฏิบัติที่ผู้ใช้ส่วนมากพบคือใครรักษาใบหน้าได้ดีกว่าข้ามหลายรอบ ซึ่งควรทดสอบกับงานของท่านเองมากกว่าจะเชื่อกระดานจัดอันดับ

ไม่เกี่ยวเชิงพาณิชย์ — เราไม่เป็นพันธมิตรกับ Google และไม่รีเซลล์โมเดลของเขา หน้านี้มีอยู่เพราะคนถามว่าสิ่งนี้คืออะไร และคำตอบตามตรงสั้นมาก และสารบบที่อธิบายแค่โมเดลที่เราชอบย่อมไม่ใช่สารบบ

ควรอ่านควบคู่หน้าการแก้ไขบนไซต์นี้ เพราะคำศัพท์ถ่ายโอนกันได้ สิ่งที่ Nano Banana ทำแบบสนทนา ในระบบเปิดทำผ่านเทคนิคมีชื่อ: inpainting สำหรับแก้ในมาสก์, outpainting สำหรับขยายเกินกรอบ, ค่า denoise strength สำหรับกำหนดระยะที่ผลลัพธ์อนุญาตให้ไกลจากต้นฉบับ การรู้คำเหล่านี้ทำให้เข้าใจชัดขึ้นว่าเครื่องมือแก้ไขใดกำลังทำหรือไม่ทำอะไร