Nano Banana 是什么？Google 的图像编辑模型解析

它一开始并不是产品名。一个未标注的模型曾出现在公开的对比评测平台上，人们在不知道来源的情况下对比匿名输出，它以“nano banana”这个占位名参赛。它赢了很多，大家注意到了它，关于“是谁做的”的猜测持续了几周，直到 Google 证实。

随后 Google 破例保留了这个外号，于是一个严肃的基础设施在公众面前却以一个玩笑式称呼为人所知。正式身份是 Gemini 系列的图像模型，但大家搜索用的却是“banana”。

这个来历值得一提，因为它解释了搜索里的反常行为。关注先于营销出现，所以大家问的都是关于传闻的问题——是什么、谁做的、真的假的——而不是常见的产品问题。

大多数图像模型的中心任务是“根据描述生成图片”。Nano Banana 的中心是“修改你已有的图”，而难点在于守住“你没让它改的东西”。

让一个通用模型把照片里的人换成红色外套，往往会得到一个穿红外套的人，但不是完全同一个人——下颌略不同、眼距略不同，看起来像兄弟姐妹。身份在一次编辑后还能保留，连做几次就会漂移。Nano Banana 的设计目标就是在一连串指令中尽量稳住这种“身份一致性”。

交互方式也随之改变。你不是写一条巨长的 prompt 然后一锤定音，而是通过一轮一轮的对话去微调上一次的结果。把光移过来。现在改成傍晚。再把他放到室外。这个循环本身就是产品。

凡是需要同一主体反复出现的工作。比如一个商品在多种场景下的产品图；一个角色贯穿多格分镜；同一人像的一组变体；同一间房的四种配色 mock-up。

它对不想学 prompt 语法的人也更友好。因为这里的指令是“编辑”而不是“从零规格化描述”，自然语言就能工作，而含糊请求的失败模式只是“小幅改动”，而不是完全跑偏的图片。

不太合适的是“白纸起步”的场景。当没有源图、也没有需要保留的主体时，一致性这套机制无用武之地，而为文生图构图、镜头与风格而生的模型，往往能在起步阶段给你更强的控制。

和 Midjourney 相比，分野在“审美主导权”。Midjourney 有鲜明的家族风格，通常用来做“很有张力”的东西；Nano Banana 则尽量只改你要求的部分，其他保持原样。一个像造型师，一个像修图师。

和开源模型——Stable Diffusion 与 FLUX——相比，分野在“控制权在哪儿”。开源权重让大家可以叠加 ControlNet、LoRA 和 inpainting 流程，精细到像素地控，代价是自己拼装流水线。Nano Banana 把更窄的一部分控制放到一句话后面，更快上手，也更难越权。

和 gpt-image-1 相比，这两者彼此更像：都是闭源、遵循指令、以对话驱动，并挂在一个大型助手上。多数人报告的实际差别在于谁能在多轮编辑里更稳住一张脸，这点最好用你自己的素材测试，而不是只看榜单。

商业上没有——我们与 Google 无关，也不转售其模型。写这页是因为大家会问这是什么，而诚实的答案很短；只写我们“恰好喜欢”的模型，称不上目录。

这页也值得和本站的编辑类页面一起读，因为词汇是互通的。Nano Banana 用对话做的事，开源生态用具名术语来做：inpainting 是在蒙版内改，outpainting 是越框改，denoise 强度决定结果能离源图多远。掌握这些词，能更清楚地看懂任何编辑器在做和没做什么。