Google: Nano Banana Pro (Gemini 3 Pro Image)

Google: Nano Banana Pro (Gemini 3 Pro Image) to model generowania i edycji obrazów od Google, zbudowany na Gemini 3 Pro. Jest następcą oryginalnego Nano Banana, a Google opisuje go jako swój najbardziej zaawansowany model generowania i edycji obrazów, z ulepszonym rozumowaniem multimodalnym i ugruntowaniem w świecie rzeczywistym w porównaniu z wcześniejszą wersją. Należy do kategorii obrazów, obsługując jednocześnie tekst, więc jest modelem multimodalnym, a nie czysto tekstowym ani czysto obrazowym systemem.

Model przyjmuje dane wejściowe w postaci obrazów i tekstu, a może generować zarówno obrazy, jak i tekst. Ma okno kontekstu wynoszące 131 072 tokeny i maksymalne wyjście 32 768 tokenów. Generowanie obrazów jest konfigurowalne: rozdzielczość można ustawić na 1K, 2K lub 4K, a proporcje można ustawić na 1:1, 2:3, 3:2, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9 lub 21:9. Parametr n przyjmuje wartość od 1 do 1, więc każde żądanie zwraca pojedynczy obraz, a input_references przyjmuje od 0 do 14 obrazów, co umożliwia edycję i kompozycję opartą na referencjach.

Te możliwości wskazują na kilka praktycznych wzorców. Możesz wygenerować obraz na podstawie promptu tekstowego w wybranej rozdzielczości i proporcjach, co pasuje do wszystkiego, od kwadratowych materiałów społecznościowych po szerokie banery 21:9 lub wysokie formaty 9:16. Ponieważ model przyjmuje obrazy jako dane wejściowe obok tekstu, możesz go również używać do edycji i transformacji, przekazując do 14 obrazów referencyjnych, aby kierować stylem, tematem lub kompozycją. Strona wyjścia tekstowego oznacza, że pojedyncze wywołanie może zwrócić komentarz lub ustrukturyzowaną treść razem z wygenerowanym obrazem, a parametry rozumowania i ustrukturyzowanego wyjścia wspierają przepływy pracy, w których model musi zaplanować przed wygenerowaniem wyniku.

Przez api14 wywołujesz model o identyfikatorze "google/gemini-3-pro-image" za pomocą API zgodnego z OpenAI, więc istniejące zestawy SDK i klienty OpenAI działają po zmianie bazowego adresu URL i identyfikatora modelu. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools i top_p. Opcje specyficzne dla obrazów, takie jak resolution, aspect_ratio, n i input_references, ustawia się obok tych parametrów. Parametr seed jest przydatny, gdy chcesz uzyskać powtarzalne generacje, a tools i tool_choice pozwalają połączyć generowanie obrazów z wywoływaniem funkcji w pętli agenta.

Warto zauważyć dwa ograniczenia, zanim się zdecydujesz. Każde żądanie zwraca tylko jeden obraz, ponieważ n jest ustalone między 1 a 1, więc partie wymagają wielu wywołań. Referencje wejściowe są ograniczone do 14 obrazów na żądanie. Jeśli Twoje zadanie polega wyłącznie na rozumowaniu tekstowym lub czacie bez żadnego wyjścia obrazowego, dedykowany model tekstowy będzie zwykle prostszym i bardziej odpowiednim wyborem, a ten model najlepiej zarezerwować do pracy, w której generowanie lub edycja obrazów faktycznie stanowi część wyniku.