Nano Banana最引人注意的地方，是把视觉(Vision)和图像生成(Image Generation)集中到一个模型中。
对于计算机科学来说，Vision和Image Generation是两个不同领域，前者是输入是图像，后者输出是图像。
之前的AI模型或者产品，也大多只具备Vision或者Image Generation其中之一的功能，比如Lllma 3.2有vision，但是不能生成图片，Stable Diffusion只能生成图像，但不能识别理解图像。
现在Nano Banana合二为一了，本质上，是因为把这两个方向的工作都用神经元网络来实现，方向不同，实现方式却一致，也就让一个模型具备两种能力。
照常，需要考验一下这个模型的能力怎么样，在Google AI Studio上已经可以使用Nana Banana(也就是Gemini 2.5 Flash Image Preview），标了价格，但是免费也可以玩很多图。
首先，怎么样集中考验模型生成能力呢？
我觉得要上猛药，就是要挑战AI模型容易出错的方面，包括：
- 多个对象
- 空间方位
- 人物理解
为此，我用一个提示词来挑战这三个方面：
生成一张有 7 个小矮人和孙悟空的图片。左边 3 个小矮人，右边 4 个小矮人，中间是孙悟空。孙悟空应该像游戏中 BlackMyth: Wukong 里的孙悟空。
不过很奇怪，中文提示词下，好像Gemini就堕落成完全的语言模型，虽然回复『遵命！这是一张有 7 个小矮人和孙悟空的图片』，却并没有生成图片，interesting! 我猜可能Google AI Studio对于中文的处理可能还没有触发Net Banana的生成。
换成英文提示词吧，就出了结果。
但是，这不是黑神话里面的悟空啊！
当然，可能模型训练语料里因为版权的原因没有黑神话悟空，所以对『人物理解』有一些问题，但是，『多个对象』也有一点问题，提示词让左边3个小矮人、右边4个，生成的结果左边只看到2个完整的小矮人......还有一个人小矮人的胳膊，右边3个小矮人......和多出来一个小矮人的胳膊。
勉勉强强可以说Nano Banana生成了7个小矮人吧，不过，我有个了一个想法，既然这模型同时具备图片生成和Vision的能力，那，我把它生成的图片，再发给它用Vision来识别，结果会怎样呢？
说做就做，结果如下：
让Nano Banana识别自己生成的图片，它说『猴子周围有六个小矮人』，呵呵，模型自己也只能认出来6个小矮人。
进一步探索模型的能力，我想看看它能不能根据给定图片生成，就上传一个黑神话悟空的官方图片，让它参照生成一张悟空和龙打架的图片。
结果还不错，悟空终于像是那么回事了~
用同样的方法，让它重行生成『孙悟空和七个小矮人』：
生成『孙悟空在赛博朋克的街道上大战七个小矮人』：
除了生成多个对象还是有欠缺，其他的看起来还行哈！
更重要的是，图片生成的速度非常快，从官方博客的介绍看，能够保持角色的一致性，可以当PhotoShop一样P图，还具备一定的物理世界知识，在Google AI Studio上这些功能玩不出来，将来我再通过API调用来看看能玩出什么新的花样吧。
————更新————
我突然发现Nano Banana在一个session中会保持『底稿』，对『底稿』不做大的改变，后续的对话就完全是在『底稿』上打补丁，所以，有很高的一致性。
你看，当我让模型画『孙悟空大战七个小矮人』，就一定定了底稿，然后我让背景是赛博朋克风，再带点火和烟雾，Nano Banana就完全不改孙悟空和七个小矮人，只改背景。
然后提示词让悟空救白雪公主，也只是很直接地把白雪公主当补丁打上去。
非常有效的保持角色一致的方法:-)