Google 发布 Nano Banana 2.1：画面更自然，改图更连贯

保持 Flash 级效率，改善画质、文字排版、主体一致性与局部编辑，并支持多图、搜索和视频参考。

作者：Google DeepMind10-07 · 15 分钟

Google 发布了高效图像生成与对话式编辑模型 Nano Banana 2.1（API 型号为 gemini-nano-banana-2.1）。作为 Nano Banana 2 的升级版本，它基于 Gemini 3.6 Flash 架构构建，保持 Flash 级别的响应速度与成本效率，主要带来了以下功能特点：

  • 画面自然与微观材质：改善了透光材质、雪原晨光、毛发织物与油画笔触等微观质感，提升了不同分辨率下的画面真实感与细节表现；
  • 文字排版与设计对齐：增强了字符渲染清晰度、留白控制与几何排版布局，便于直接生成自带规整视觉层级的海报、图表与页面设计稿；
  • 多参考主体与连续编辑：单次最多支持输入 14 张参考图（官方指标支持最多 4 个角色的人脸一致性与 10 个物体的细节保真），并支持沿用对话轮次连续微调；
  • 蒙版与涂鸦重绘：创作者可以通过涂鸦圈选画面主体，在保留原有轮廓与位置的同时定向替换周围背景与氛围；
  • 极端长画幅支持：支持从 1:1 到 1:8、8:1 等 15 种宽高比，修复了长图在 2K、4K 输出下的平铺接缝伪影；
  • 搜索补充与思考推理：支持接入 Google 网页与图片搜索补充事实或视觉参考，并通过可配置的 Thinking 思考过程平衡出图质量与时延。

画面质感更自然，看清光影与微观材质

在 Nano Banana 2.1 中，“画面更自然”体现在物体材质、光影层次与艺术笔触上，不只是像素更多。下面几张 Google 展示的生成样例，让这些变化更容易观察：

Nano Banana 2.1 官方干花特写示例
Google 示例：绣球干花微距特写，提示词要求呈现半透明薄片与网状脉络，画面在深色虚化背景前展现了轻薄透光的微观纤维细节。

干花薄片的半透明感和网状脉络，与背景虚化共同形成了微距拍摄的感觉。

Nano Banana 2.1 官方雪山日出光影示例
Google 示例：高山雪原日出全景，提示词指定了鲜红色的三角避难小屋与冰川背景，画面呈现出低角度晨光投下的长阴影，以及雪面反光与冷蓝冰川的冷热光影对比。

在自然风光中，低角度日光形成的暖色反光与冰川阴影的冷色调能够拉开反差，使雪面与建筑的冷热受光更为自然。

Nano Banana 2.1 官方苏格兰高地牛与牧民示例
Google 示例：苏格兰高地牛与牧民肖像，提示词设定了粗花呢帽子、油蜡夹克与长毛高地牛，画面分层呈现了粗糙织物、人物手部、动物长毛与雾中岩石的质感。

在人物与动物互动场景中，厚重衣料、皮肤触感与动物长毛等不同材质能够保持各自的质感差异。

Nano Banana 2.1 官方厚涂油画海浪示例
Google 示例：怒海垂钓油画，提示词要求采用厚涂印象派风格，画面使用粗厚且有明显走向的蓝绿笔触展现翻涌的海水动感，并带有浪尖高光的明暗对比。

在非摄影的艺术风格中，模型能够按照提示词呈现出厚重颜料堆叠的笔触肌理，传递海浪翻涌的动势。这些样例也说明了提示词怎样指导光线、材质与风格。

长图和横幅，先修复不自然的接缝

制作长图、全景横幅或超宽海报时，旧版 Nano Banana 2 在部分长画幅的 2K、4K 输出中会出现“平铺伪影”（不自然的重复纹理或网格接缝）。

Nano Banana 2.1 针对这些输出问题进行了更新：

  1. 主流与极端画幅全覆盖：支持从常规的 1:1、3:4、16:9，到极端的竖条与全景画幅（包括 1:4、4:1、1:8、8:1 等共 15 种比例）。
  2. 修复指定长画幅的平铺伪影：在 2K 和 4K 档位输出全景或超窄构图时，模型能够维持画面的整体连续性，有效解决了长画幅在拼接处的假纹路与切片感。
  3. 阶梯式输出分辨率：默认输出为 1K 分辨率，创作者与开发者可根据应用场景自由指定 2K 或 4K 图像，满足从社媒即时预览到高精度输出的各类需求。

文字与版面更能配合画面

将 AI 图像直接用于海报、电商广告或界面原型，最大的痛点往往是画面中的文字模糊乱码、难以辨识。Nano Banana 2.1 增强了文本排版对齐与字符呈现能力，能更好地按照提示词组织视觉层级、留白与字体风格。

Nano Banana 2.1 官方视觉设计与排版示例
Google 示例：左为瑞士现代平面风格网页设计稿，中为渔夫帽复古海报，右为北欧玻璃小屋多图拼贴布局，展示了多层级文字与几何栅格排版能力。

除了单张艺术海报，在制作成套的系列物料或连续视觉稿时，Nano Banana 2.1 官方图库展示的文字渲染、主体保留与局部编辑三项能力分别承担了不同分工：

  • 文字排版：正如设计稿示例所展示，模型能够按照提示词组织字号、留白与几何栅格，让海报或页面视觉稿自带清晰的文字层级，减少后续二次排版的脱节；
  • 主体保留：如官方商品图库所示，模型在展示样例中保留了核心物品的轮廓与金色扣件，将其置入不同光影场景，有助于减少系列宣发图中主推商品的走样；
  • 局部编辑：如官方涂鸦重绘示例所示，通过涂鸦圈选主体，模型可以在保留原有主体微观质感与形态的前提下快速替换周围环境，便于围绕同一焦点快速探索不同氛围与构图。

Nano Banana 2.1 也支持 Google 网页和图片搜索（Search Grounding，生成时借助搜索结果补充参考），并增强了信息图的文字和布局表现。画面里的知识内容是否正确，需要和视觉设计分别判断。

在 1K 默认分辨率下，小字仍容易模糊；大段文字与整页文本也仍是弱项。 文字排版改善了，逐字校对仍是成品制作的一部分。

换了场景，商品和角色还得认得出来

保持角色连贯和商品特征不变，是影视分镜、绘本创作与品牌营销的核心门槛。在 Nano Banana 2.1 中，多图参考融合能力得到了进一步规范：

  • 单次最多支持 14 张参考图输入：创作者可以在一个提示词内传入多张素材供模型综合理解。
  • 参考主体的一致性范围：在多图融合场景下，官方接口规格标明支持最多 4 个角色的人脸与特征一致性，以及最多 10 个物体的细节保真。这描述了支持的参考范围；范围内也可能出现角色特征变化。
Nano Banana 2.1 官方商品一致性示例
Google 示例：以单张粉桃色皮革单肩包作为参考输入，模型分别生成了几何圆台、孟菲斯波普风与概念悬浮场景，皮质纹理、包袋褶皱与金色五金扣件均保持了较高的辨识度。

在商品视觉延展中，创作者只需提供一张白底商品图，即可借助提示词将商品置换到不同的商业摄影棚、野外风光或艺术展台中，同时更好地保留五金、轮廓等核心商品特征。

除了单个商品的场景迁移，官方图库还展示了多人多参考图合成的案例：

Nano Banana 2.1 官方多人多参考合成示例
Google 示例：左侧输入了 14 组不同模特与服装的多角度参考图，右侧生成了一张置身彩色几何建筑群的约 14 人集体合影，模特身着各自对应的服装并分布在不同景深与台阶处。

相比只说“多位模特在彩色建筑前合影”，多角度的人物与服装参考给出了更具体的样貌、色块和造型要求，模型再把这些素材放进同一个场景。

图里的多组参考与多人合影，展示的是素材融合。API 文档列出的参考范围仍为最多 4 个角色、10 个物体；画面里出现更多人，不等于每个人的身份都能稳定保留。

圈出主体，让背景改得更明确

对于需要精细修图的创作者，Nano Banana 2.1 提供了基于涂鸦或蒙版（Mask/Ink-based Editing）的环境重绘功能。创作者只需在原图上画出选区或涂鸦勾勒主体，输入提示词要求“保留主体轮廓与位置，更换背景”，模型即可完成风格重塑。

Nano Banana 2.1 官方涂鸦与局部重绘示例
Google 示例：左侧输入图使用黑色线条圈选带水滴的蒲公英种子，右侧模型将其自然置入苔藓树干、红黄秋叶、夕阳沙滩及瓷砖桌面，主体倾斜角度与水滴通透感得以保留。

修改成品时，还要留意两个已知问题：

  1. 姿态锁定：在编辑人物或动态物体时，模型偶尔会过于顽固地保持输入图的物理骨架，导致你要求它“转头”或“换手势”时无法顺利摆脱原图姿态。
  2. 标记残留：蒙版或涂鸦编辑可能只执行部分要求，或者让画上的标记留在输出里。

连续修改与更多输入用途

在单次出图之外，当前官方 API 文档将多轮对话列为迭代图像的推荐方式。创作者可以在已有结果上继续修改：

官方 API 文档对话编辑示例：英文光合作用信息图
官方 API 文档示例：首轮提示词生成以植物厨房为隐喻的英文光合作用图解，包含原料、产物与清晰的箭头流向。
官方 API 文档对话编辑示例：西班牙文光合作用信息图
官方 API 文档示例：沿用上一轮交互 ID 将文字修改为西班牙语，主要图示框架与主体构图得以延续，但太阳形态等局部略有重绘，并非全图像素完全不变。

在官方提供的图解示例中，用户先生成了一张英文版光合作用信息图，随后在下一轮请求中沿用 previous_interaction_id（上一轮交互标识），要求仅将图中的文字修改为西班牙文。这种对话编辑能够延续画面的主体构图与视觉框架，但太阳外形等局部细节仍会有微小变化，并非整张图的像素完全不变。官方还建议，若需要生成包含文字的图示，最好先在对话中定稿文本内容，再要求模型将其渲染到图像中；在官方推荐的高质量渲染语言中，包括简体中文（zh-CN）、英语与西班牙语等。多轮对话是系列既有能力，2.1 进一步改善了连续编辑的一致性。

除了常规文本与图片，模型还支持更丰富的多模态与外部输入：

  • Google 搜索辅助（Grounding）：模型支持接入 Google 网页搜索与图片搜索。网页搜索能为天气预报、近期热点等事实图表提供最新的外部事实支撑；图片搜索则能引入网络图像作为视觉构图与风格参考。两者可分别启用，也可合并调用。需要注意的是，目前图片搜索明确不支持检索网络上的真实人物照片作为生图参考。
  • 视频转图像（Video-to-Image）：创作者可以直接提供公网 YouTube 链接或上传本地视频文件。模型会分析视频帧中的视觉主题与关键事件，再结合文字提示词生成视频缩略图、宣传海报或剧情总结图。这里输出的是参考视频内容生成的静态图片。旧版 Nano Banana 2 和 2 Lite 也支持视频输入。

开启思考后，哪些任务改善更明显

Nano Banana 2.1 支持可配置的思考等级（Thinking Levels，包含 minimal、medium 与 high），这是一种在生成质量与推理时延之间的权衡机制，默认档位为 medium。在面对复杂构图或多主体提示词时，模型在思考过程中最多会生成两张中间图像来尝试构图与推演逻辑，最后一张即为最终交付的成图。需要注意的是，在当前 Gemini API 中，思考过程是默认开启且无法关闭的，调用时会自动计入思考 Token；官方模型卡中列出的“No Thinking”是评测条件，当前 API 允许调整思考档位，不提供关闭开关。

根据 Google 官方模型卡公布的并排人工评估（SxS human eval）结果，各项任务的人工偏好 Elo 分值如下：

评估项目（SxS 人工偏好 Elo） 2.1 Thinking 2.1 No Thinking 2 Thinking Pro
整体偏好 1050 ± 14 1015 ± 13 990 ± 7 935 ± 8
信息图设计 1048 ± 17 1001 ± 17 961 ± 12 912 ± 12
多角色 1106 ± 14 1068 ± 14 978 ± 10 1011 ± 10
蒙版/涂鸦 1049 ± 15 1042 ± 16 965 ± 12 927 ± 12
商品一致性 1024 ± 18 981 ± 18 955 ± 22 965 ± 14
风格转换 1062 ± 20 1036 ± 17 991 ± 12 990 ± 12
多参考编辑 1066 ± 22 1041 ± 20 988 ± 13 989 ± 12

在事实性评估维度，官方采用了单侧自动化评分（Single sided AutoRater），其评估口径与人工偏好 Elo 完全不同，单独列出如下：

评估项目（单侧 AutoRater 事实性评分） 2.1 Thinking 2.1 No Thinking 2 Thinking Pro
信息图表事实性 0.521 0.328 0.179 0.265

从实际应用场景来看，“只生成一张好图”与“修改同一主体、多人合成”存在明显的任务差异：

  • “只生成一张好图”：对应单次文生图与整体偏好，模型只需根据提示词自由发挥生成一张视觉美观、构图协调的独立画面，没有连续参照物作为刚性比对标准，容错空间较大；
  • “修改同一主体、多人合成”：对应多角色与商品一致性等任务，要求模型在多图输入或局部重绘中，保留特定主体的轮廓、材质与特征，甚至在同一画幅中同时保持多个不同实体的独立样貌，明显走样或不同角色的特征混在一起，会破坏连贯性。

在 Google 的这组评测里，2.1 开启思考后的各项成绩都高于旧版 2 和 Pro；不开思考的 2.1，在蒙版/涂鸦和多角色两项里也高于它们。创作者可以据此优先试一试涉及多人和定向编辑的任务。Elo 是评测中的相对偏好分数，不能把分数差换算成性能提升百分比；AutoRater 的 0.521 也不代表所有信息图有 52.1% 的正确率。

接入时，认准新型号与平台额度

除开发者接口外，Nano Banana 2.1 还覆盖了多种日常使用入口，包括 Gemini 应用、Google AI Studio、Google Flow、Search AI Mode 以及 Google Ads 等渠道。

在整个模型体系中，创作者与开发者可以根据任务场景进行选型：

  • Nano Banana 2.1：适合日常生成与连续改图，在响应速度与成本效益的前提下兼顾视觉质量、文字渲染与多参考编辑；
  • Nano Banana 2 Lite：主打极致吞吐与最低成本，适用于对速度与开销极度敏感的大规模批量任务，但未针对多张参考图融合与多轮连续编辑进行专项优化；
  • Nano Banana Pro：适合对世界常识、严格品牌一致性与精密创意控制有极高要求的最复杂视觉任务。

如果你打算通过 Gemini API 或 Google Cloud 平台直接调用，以下工程边界与参数设定至关重要：

  1. 上下文窗口差异：
    • 官方模型卡给 Nano Banana 2.1 标出最高 100 万（1M）Token 的多模态处理能力。
    • 当前 Gemini API 与 Google Cloud 接口开放的输入额度是 131,072 Token（约 128K），最大输出 32,768 Token。接入时按对应接口额度安排素材，不要把模型卡的 1M 当成当前 API 的输入额度。
  2. 参数支持限制（Google Cloud 文档口径）：
    • 依据 Google Cloud 官方文档口径，Nano Banana 2.1 不支持 seed（随机种子）、temperature（采样温度）、topP、topK 与 logprobs 参数；在该平台请求中若携带这些参数，接口将直接报错返回。
  3. 旧版模型停用通知：
    • 官方接口已正式发出弃用公告：旧版 gemini-3.1-flash-image（即 Nano Banana 2）将在本月底停用。使用这个旧型号的流水线与自动化项目，均需尽快切换至 gemini-nano-banana-2.1。
来源
Nano Banana 2.1 — Model CardGoogle DeepMind·查看主材料
延伸
Nano Banana 2.1 官方产品示例·Gemini Nano Banana 2.1 API 文档·Nano Banana 图像生成与编辑官方指南·Gemini API 更新日志·Google Cloud 模型文档·Nano Banana 2 官方博客（旧版本背景）
↑ 正文结束
✓ 本篇全文免费开放

会员可复制、下载全文 Markdown，还能让你的 AI 订阅和提问。

订年卡 $59/年看权益对比 →
阅读原文 ↗
📮 新解读第一时间进邮箱

读完觉得有用？留个邮箱，每篇新解读发布就送达，随时退订。

相关解读

产品发布
谷歌发布 Nano Banana 2 Lite 和视频模型 Omni Flash：生图 4 秒，系列最快最便宜
07-01 · 5 分钟
AI 实操
Magnific 发布 38 页全新图像视频提示词手册：针对当下前沿模型 传统提示方式已经失效
07-29 · 18 分钟
产品发布
通义发布 Qwen-Image-3.0：一条三千字指令，一次画出九张信息图和一整版报纸
07-22 · 13 分钟