Google: Nano Banana 2.1

Google: Nano Banana 2.1 to model generowania i edycji obrazów od Google, zbudowany na poziomie Flash. Zastępuje Nano Banana 2 i Nano Banana Pro, a Google opisuje go jako ulepszający rekontekstualizację produktów. Należy zarówno do kategorii obrazów, jak i tekstu, więc jest modelem multimodalnym, a nie systemem wyłącznie tekstowym lub wyłącznie obrazowym.

Model przyjmuje obrazy i tekst jako dane wejściowe i może zwracać obrazy oraz tekst jako dane wyjściowe. Jego okno kontekstowe wynosi 65 536 tokenów, z maksymalnym wyjściem 58 982 tokenów. Generowanie obrazów jest konfigurowalne: rozdzielczość można ustawić na 1K, 2K lub 4K, a proporcje obrazu obsługują 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 i 21:9. Parametr n przyjmuje pojedynczą wartość, od 1 do 1, więc każde żądanie generuje jeden obraz. Możesz podać do 14 referencji wejściowych, co umożliwia edycję i generowanie oparte na referencjach.

Te możliwości wskazują na kilka praktycznych wzorców. Ponieważ model przyjmuje obraz wejściowy i zwraca obraz wyjściowy, pasuje do przepływów pracy związanych z edycją, gdzie istniejący obraz jest dostosowywany, a nie tworzony od zera. Limit referencji wynoszący 14 obsługuje zadania wymagające kilku obrazów źródłowych jednocześnie, takie jak łączenie lub zmiana stylu materiałów, a ulepszenie rekontekstualizacji produktów sugeruje umieszczanie produktu w nowych scenach lub otoczeniach. Wyjście tekstowe obok wyjścia obrazowego oznacza, że pojedyncze wywołanie może zwrócić wygenerowane wizualizacje oraz towarzyszący tekst. Opcje rozdzielczości i proporcji obrazu pozwalają na uzyskanie różnych kształtów wyjściowych, od kwadratowych i portretowych po szerokie formaty, takie jak 21:9, bez przycinania po przetwarzaniu.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "google/gemini-nano-banana-2.1". Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, seed, structured_outputs, temperature, tool_choice, tools i top_p. Ustawienia specyficzne dla obrazów, takie jak resolution, aspect_ratio, n i input_references, są również konfigurowane przez żądanie. Ponieważ interfejs jest zgodny z OpenAI, istniejące biblioteki klienta OpenAI i kształty żądań działają po zmianie jedynie identyfikatora modelu i parametrów.

Kilka ograniczeń warto zauważyć przy wyborze tego modelu. Okno kontekstowe wynosi 65 536 tokenów, a n jest ustalone na 1, więc żądania wymagające wielu obrazów na wywołanie nie są tutaj obsługiwane. Jeśli Twoje zadanie polega wyłącznie na generowaniu tekstu bez wejścia lub wyjścia obrazowego, model skupiony na tekście może być prostszym rozwiązaniem. Jeśli potrzebujesz więcej niż 14 referencji wejściowych, ten model tego nie obsłuży.