Nano Banana 2.1发布：谷歌升级图像模型，瞄准专业设计

距离 Nano Banana 2 面世才过去几个月，谷歌就把这条产品线又往前推了一步。今天凌晨，Google DeepMind 正式放出 Nano Banana 2.1。

名字上只是「0.1」级别的小幅改动，可谷歌对它的说法挺直白：新版本是在此前 Nano Banana 系列之上继续做提升，改动主要落在视觉设计、蒙版编辑、主体一致性以及图像自然度这几块。

但 Nano Banana 2.1 并没有掉头去走另一条路。Flash 级别的速度与成本效率，它照样要；专业图像生成和编辑，它也在继续靠拢。谷歌给它的定位是最新的高效率图像生成与对话式编辑模型。

Nano Banana 2.1 眼下已经是 Gemini API 里的稳定模型，模型 ID 是 gemini-nano-banana-2.1。谷歌公布的信息显示，它已被分发到 Gemini App、Google AI Studio、Gemini API、Google Search AI Mode、Google Ads、Flow 和 Stitch 这些产品与开发平台。

翻看谷歌公布的模型卡和评测成绩，这次的提升并不只是几个展示案例上的好看。

模型卡地址：https://storage.googleapis.com/deepmind-media/Model-Cards/Nano-Banana-2-1-Model-Card.pdf

底座这次换成了 Gemini 3.6 Flash，Nano Banana 2.1 也因此归入 Gemini 3 系列。

换句话说，Gemini 原生多模态的那套本事它都继承了下来——文本和图像都能读进去，吐出来的是图像加文本。谷歌给它的定位并不含糊：走的是高效率图像生成和对话式编辑这条路，速度和成本仍然贴着 Flash 那一档，但最终出图的质量往上提了一截。

开发者这边，新模型能出 1K、2K、4K 三种规格。1:4、4:1、1:8、8:1 这些宽幅、超宽幅画面常见的平铺伪影，谷歌也做了针对性处理。多图融合这块，最多可以喂进 14 张参考图，多角色、多物体的一致性也能兼顾。

这些改动指向的方向并不难猜。谷歌想让 Nano Banana 不再停留在「画一张好看的图」，而是变成能反复改、素材能对得上、复杂版式也扛得住的视觉生产工具。

最明显的进步，

先落在「设计感」上。

会画图，和能干设计的活，终究是两码事。

一张宣传海报、一版网页视觉，或者一张复杂信息图，牵扯的东西往往不止一个：排版、字体、留白、层级、颜色，还有多个视觉元素彼此的关系。以前的生成模型，画单个物体没问题，可真让它做完整的平面设计，就容易出岔子——信息层级乱掉、文字位置管不住，或者乍一看元素塞得满满当当，细看却不像一份设计稿。

针对这个痛点，Nano Banana 2.1 的强化相当明显。

谷歌在官方展示里放了瑞士平面设计、复古海报、网页 UI 这几类案例。模型得把整套设计要求吃透，让字体、图片、色块和版式在同一张画面里各就各位，而不是随便生成一个主体交差。

评测数据也印证了这个转向。开启 Thinking 之后，Nano Banana 2.1 的 Infographic Design 得分冲到 1048；对比之下，Nano Banana 2 拿到 961，Nano Banana Pro 是 912。整体偏好这一项，新版拿下 1050，前两款分别是 990 和 935。Google 在这部分用侧对侧人类评价来做，整体偏好和设计质量都通过 Elo 形式来衡量。

也就是说，这里提升的更像是「成品完成度」。模型不再只盯着某一个生成元素去优化，而是能把一整张视觉作品的结构处理得更稳。放到广告物料、社交媒体配图、海报、电商视觉和 UI Mockup 这些场景里，这种本事比单纯堆画面细节管用得多。

说到 AI 改图，最让人头疼的就是局部编辑。这一环恰好也是本次升级的重头戏。

当初 Nano Banana 能吸引这么多目光，很大一个原因是它把生成和编辑塞进了同一套自然语言交互里。

到了 Nano Banana 2.1，谷歌把最容易翻车的那一环又加固了一遍：基于蒙版的局部编辑，也就是 Mask-based Editing。

局部编辑听着不难，其实对模型的约束相当紧。打个比方，用户把图里某个物体圈出来，想换掉它周围的环境，同时要求主体的位置、尺寸和外观原封不动。模型得同时干两件事：一是准确读懂蒙版划定的范围，二是别去碰画面里本来不该动的地方。

在 Mask/Ink-Based Editing 这项评测里，Nano Banana 2.1 Thinking 拿到 1049，Nano Banana 2 是 965，Nano Banana Pro 为 927。范围更宽的 General Editing 同样往上走，从此前两款模型的 938、939 提到了 1026。

生成式图像工具能不能真正融进工作流，跟这项能力直接挂钩。真实的设计场景里，几乎没有「给一句提示词就出终稿」这种事。多数情况是反复做局部改动：背景换掉、产品留住；衣服改掉、人物不动；某一处排版重做，其余部分尽量维持原样。修改范围管得越准，生成模型就越接近 Photoshop 这类传统编辑软件给人的那种确定性。

多个人物摆在一起时，换脸的问题也变小了。另一点进步落在主体一致性上。

就单张图的生成来说，把一个人画得像模像样，如今已经算不上什么稀奇事。难的是连着生成好几张之后，这个人还是同一个人；或者一次塞进多个人物、多件产品，每个主体的特征都别跑偏。角色故事、广告摄影、电商素材、连续视觉内容里，这类麻烦经常出现。

Nano Banana 2.1 在多人场景下的提升格外明显。谷歌的评测数据显示，单角色一致性从 Nano Banana 2 的 981 涨到 1028；多角色一致性则从 978 升到 1106。后一项在整个编辑评测表里都属于差距相当扎眼的一档。即便拿去和 Nano Banana Pro 的 1011 比，Nano Banana 2.1 依然领先。

谷歌官方给出的示例，是把多名不同模特的参考图拼进同一张时尚大片。这种场景要求模型同时兼顾人物身份、服装、距离、姿态，还有整体的场景关系。

这套本事其实是在往「素材复用」上走。拍一次、做一组产品图，之后可以搬进别的场景里；已经有的角色，能接着出现在后面的画面中；几个人物也能凑成一件新的视觉作品。放到商业设计里看，主体一致性值钱的地方就落在这儿——生成出来的东西不再是一张张互不相干的图。顺带，那种一眼就能认出的「AI 味」，它还在继续往下压。

Nano Banana 2.1 官方另一个强调的点是 more natural-looking imagery。Google API 文档写得很清楚：新模型在 1K、2K、4K 分辨率下，视觉质量和真实感都有提升。官方给出的样例里有微距昆虫、人物摄影、自然景观、静物，还有绘画作品，落点集中在材质、光线、空间关系和细节够不够自然。

这个方向不太像蒙版编辑那样好量化，可它恰恰决定了生成图第一眼看着像不像回事。以前生成图片常犯的毛病是：局部细节堆得挺满，整体却透着一股过度平滑、过度戏剧化，或者材质全都长一个样的味道。模型一步步走进广告、摄影、电商和内容生产之后，光把画面做「精致」已经不够用了，结果得往真实世界里摄影、材质和光线那种复杂程度上靠。

Nano Banana 2.1 在这方面的加强，跟它的产品定位也对得上：Flash 的速度留着，实际交付的质量往上提。

信息图这条线，谷歌也还在继续下注。

Nano Banana 系列身上还有个很「谷歌」的本事：它能调用 Gemini 的世界知识，还能靠 Google Web Search 和 Image Search 来做 grounding。图像生成这件事，就这么跟 Gemini 的知识和搜索能力接上了。

举个例子，让模型画地球结构示意图、云层分类、面粉种类比较，或者某座历史建筑，它会先把相关知识弄明白，再去组织视觉结构。谷歌把这项能力用在了信息图、教育图示，以及具体真实对象的生成上。

这次模型卡里的数据，同样很值得看两眼。

Infographic Factuality 这一项上，Nano Banana 2.1 Thinking 拿到 0.521，Nano Banana Pro 是 0.265，Nano Banana 2 只有 0.179。该指标的评估工作由谷歌交给 AutoRater 完成。

文字渲染方面同样做了进一步打磨。按照谷歌的说法，Nano Banana 2.1 在文字生成和信息图布局这两件事上把准确度提了上来。做海报、做营销物料、做复杂图示，这一改进的作用格外明显。

生成模型眼下正一步步把「查资料 — 理解内容 — 组织版式 — 生成图片」这几步串到一起。放到信息图上，这已经不只是把字画清楚那么简单了。

但图像生成的所有难题，2.1 显然还谈不上全部拿下。

谷歌自己公布的模型卡也列出了 2.1 相当明确的短板。小字号文字依然会糊，1K 输出时尤其如此；长段落和整页文本的渲染效果依旧受限。还有输入图片与生成图片之间的角色一致性，也不是每次都能稳住。

蒙版和涂鸦编辑确实比之前强了，可指令执行不到位、编辑痕迹没清干净的情况还是会出现。有些时候，模型会过分沿用原图里主体的姿态和结构；左右这类空间位置关系，偶尔也会判断错。谷歌同时承认，世界知识、高级 3D 推理和事实准确性这几块都还有上升余地。

这么看，Nano Banana 2.1 更像是一次冲着实际生产体验去的集中升级。版本号只动了 0.1，可谷歌下手调的地方，恰好是生成式图像真正进了工作流之后最容易出问题的环节：设计完成度、局部控制、连续编辑中的一致性，以及最终成图看着自不自然。

谷歌正试图把「会生成图片」这件事再往前推一步，推到「能够持续完成视觉工作」。Nano Banana 2.1 的意义，或许就落在这里。

参考链接：

https://x.com/NanoBanana/status/2107521202466046453

https://x.com/Google/status/2107501209154204148