Google: Nano Banana (Gemini 2.5 Flash Image)

Google: Nano Banana (Gemini 2.5 Flash Image) to model generowania obrazów od Google, identyfikowany w api14 jako google/gemini-2.5-flash-image. Należy do kategorii obrazów, z tekstem jako kategorią drugorzędną, i został udostępniony przez dostawcę 2025-10-07. Model jest ogólnie dostępny, a jego data odcięcia wiedzy to 2025-01-31.

Model przyjmuje obrazy i tekst jako dane wejściowe i może generować zarówno obrazy, jak i tekst jako dane wyjściowe, więc pojedyncze żądanie może łączyć pisemny prompt z obrazami referencyjnymi i zwracać wygenerowany obraz, tekst lub oba. Ma okno kontekstu wynoszące 32768 tokenów i maksymalne wyjście 8192 tokenów. Generowanie obrazów jest kontrolowane przez dedykowane parametry obrazu: aspect_ratio przyjmuje jedną z wartości 1:1, 2:3, 3:2, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9 lub 21:9; n ma minimum 1 i maksimum 1, więc każde żądanie zwraca pojedynczy obraz; a input_references przyjmuje od 0 do 3 obrazów. Model jest zbudowany do rozumienia kontekstowego wraz z generowaniem obrazów, co pozwala obrazom referencyjnym i instrukcjom tekstowym wpływać na wynik.

Praktyczne zastosowania wynikają z tego połączenia danych wejściowych i wyjściowych. Możesz wygenerować obraz na podstawie samego promptu tekstowego lub dostarczyć do trzech obrazów referencyjnych, aby pokierować stylem, tematem lub kompozycją, opisując jednocześnie w tekście pożądaną zmianę. Ponieważ model zwraca również tekst, pasuje do przepływów pracy, w których wygenerowanemu obrazowi towarzyszy pisemne wyjaśnienie lub podpis. Stały zestaw proporcji obrazu ułatwia celowanie w popularne formaty, takie jak kwadratowy, portretowy, panoramiczny, szeroki i ultraszeroki, bez przycinania po przetworzeniu.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu google/gemini-2.5-flash-image. Obsługiwane parametry żądania to max_tokens, response_format, seed, stop, structured_outputs, temperature i top_p. Ustawienia specyficzne dla obrazu, takie jak aspect_ratio, n i input_references, są przekazywane obok tych parametrów. Ponieważ interfejs jest zgodny z OpenAI, istniejące klienty i SDK, które już obsługują ten kształt, mogą wskazywać na api14 po zmianie identyfikatora modelu.

Przy podejmowaniu decyzji warto zauważyć kilka ograniczeń. Okno kontekstu wynosi 32768 tokenów, a maksymalne wyjście to 8192 tokenów, więc bardzo długie prompty lub duże ilości materiału referencyjnego mogą wymagać skrócenia. Każde żądanie zwraca dokładnie jeden obraz, więc generowanie wsadowe oznacza wiele wywołań. Data odcięcia wiedzy to 2025-01-31. Jeśli Twoje zadanie polega wyłącznie na generowaniu tekstu bez komponentu obrazowego, lepszym wyborem może być model skupiony na tekście.