Google: Nano Banana 2 (Gemini 3.1 Flash Image Preview)

Google: Nano Banana 2 (Gemini 3.1 Flash Image Preview) to model generowania i edycji obrazów od Google, identyfikowany na api14 jako google/gemini-3.1-flash-image-preview. Należy do kategorii obrazów, z tekstem jako kategorią drugorzędną, i stoi za nazwą Nano Banana 2. To wydanie preview od Google, a nie ukończony, ogólnie dostępny model, więc traktuj go jako coś, co warto ocenić na własnym obciążeniu, zanim zaczniesz na nim polegać w produkcji.

Model przyjmuje dane wejściowe w postaci obrazów i tekstu i może zwracać zarówno obrazy, jak i tekst, więc pojedyncze wywołanie może wygenerować obraz i jednocześnie utworzyć treść tekstową. Ma okno kontekstu wynoszące 65 536 tokenów i maksymalne wyjście 58 982 tokenów. Generowanie obrazów jest konfigurowalne: rozdzielczość można ustawić na 512, 1K, 2K lub 4K, a proporcje można ustawić na 1:1, 1:4, 1:8, 2:3, 3:2, 3:4, 4:1, 4:3, 4:5, 5:4, 8:1, 9:16, 16:9 lub 21:9. Parametr n przyjmuje wartość od 1 do 1, więc każde żądanie zwraca jeden obraz, a input_references przyjmuje od 0 do 14 obrazów, co umożliwia edycję opartą na referencjach i generowanie sterowane wskazówkami.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Generowanie obrazów z tekstu obejmuje grafikę koncepcyjną, makiety produktów, ilustracje i materiały społecznościowe w dowolnej rozdzielczości i proporcjach wymaganych przez miejsce docelowe. Ponieważ model przyjmuje do 14 obrazów referencyjnych, nadaje się również do pracy związanej z edycją i transformacją: zmiany stylu istniejącego zdjęcia, łączenia elementów z kilku referencji lub zachowania spójności obiektu w serii wyników. Część tekstowa oznacza, że może opisywać, charakteryzować lub rozumować o obrazach w tej samej odpowiedzi, co jest przydatne w potokach zasobów, które potrzebują zarówno obrazu, jak i jego metadanych. Szeroki zakres proporcji, od 1:8 i 8:1 aż do 21:9, czyni go praktycznym dla banerów, wysokich formatów mobilnych i szerokich kadrów kinowych bez konieczności późniejszego przycinania.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu google/gemini-3.1-flash-image-preview, więc istniejące zestawy SDK i klienty OpenAI działają po zmianie bazowego adresu URL i nazwy modelu. Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, temperature i top_p. Warto ustawić seed, gdy potrzebujesz powtarzalnych wyników, a temperature i top_p kontrolują próbkowanie. Opcje specyficzne dla obrazów (rozdzielczość, proporcje, n i input_references) są przekazywane jako część żądania obok tych parametrów.

Kilka ograniczeń warto znać, zanim się zaangażujesz. Okno kontekstu wynoszące 65 536 tokenów jest skromne w porównaniu z modelami tekstowymi o długim kontekście, więc bardzo duże dokumenty lub długie historie wielu tur mogą wymagać przycięcia lub innego modelu. Każde żądanie zwraca jeden obraz, więc generowanie wsadowe oznacza wiele wywołań. To także model preview, co jest powodem, aby pamiętać o rozwiązaniu zapasowym dla wszystkiego, co jest widoczne dla użytkownika. Jeśli twoje zadanie jest wyłącznie tekstowe lub wymaga znacznie większego kontekstu, dedykowany model tekstowy na api14 zwykle będzie lepszym wyborem.