Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention
输入“/”快速插入内容
Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention
Nano Banana核心团队：图像生成质量几乎到顶了，下一步是让模型读懂用户的intention
用户4242用户42422025年9月22日修改
Founder Park Founder Park2025年09月22日 19:37 北京
现在最好的图像质量，和几年后图像质量可能相差不大，实际在于模型能力下限的提升。
未来的交互一定是多模态的，识别用户的意图特别关键。
这是一篇 Nano Banana 背后核心团队成员的专访， 信息量很大。
在 Nano Banana 正式上线后的近一个月以来，社交平台上充满了各种「 邪修 」玩法和探索。Nano Banana 的热度甚至一度冲击了图像、修图类产品的股价。
Nano Banana 为什么好用？读懂背后的 「 how 」特别重要 。Nano Banana 核心团队是如何思考和做图像模型的？基于图像模型的能力，衍生出来的应用会有哪些特点？
在一期播客节目中，Nano Banana 核心团队研究员 Nicole Brichtova 和 Oliver Wang，围绕基于模型打造产品时遇到的挑战、如何思考解决「空白画布难题」以及如何与其他图像编辑产品进行交互等话题进行了分享。
TLDR:
•
图像模型未来的趋势可能和 LLM 的发展很像，从单纯的创意工具变为信息查询工具。
•
未来，模型应该会变得更主动、更智能，能根据用户的问题，灵活运用文本、图像等不同模态进行交互。
•
如何把 LLM 中的「世界知识」融入到图像模型，让生成的图像能真正帮到用户，是未来图像模型非常重要的一个应用方向。
•
用户对于模型一步到位生成「成品」的期待是不切实际的。
•
模型产品的交互界面（UI）设计目前是仍是被低估的。如何把各种模态整合起来，让普通人更容易使用这些模型、了解模型的能力，同时让模型适配具体的工作流。这个方向的价值还没被充分重视。
•
多模态交互的核心问题在于如何识别用户的意图，以及如何根据用户意图和他们实际想完成的任务，切换到不同的交互模式，因为用户的需求往往不明确。要向用户解释「机器人做不到什么」非常困难，关键在于明确问题边界，在界面设计上让用户清楚「哪些操作可行」。
•
满足用户美学相关的需求很难，需要深度的个性化才能给用户提供有用的建议。
•
Midjourney 成功的关键在于比其他团队更早搞清楚了如何进行模型的后续训练，尤其是如何通过后续训练生成具有风格化和艺术性的图像。
•
图像生成模型未来的关键进步会体现在「模型的可表达性」方面。
•
现在最好的图像质量，和几年后最好的图像质量可能相差不大；但现在最差的图像质量，会比几年后最差的图像质量差很多。
•
未来所有团队都会朝着「通用模型（Omni Models）」的方向发展，也就是能处理多种任务的模型。图像、视频领域的很多技术是共享的，未来甚至可能融合在一起。
•
未来有能力训练 LLMs 的团队，或者能让图像模型具备丰富世界知识的团队，可能会在图像领域占据主导地位。
01
更高分辨率，
是 用户提得最多的需求
主持人： 在「Nano Banana」正式发布前，你们内部觉得哪些用法会最火、最让你们兴奋？现在推向市场后，实际情况和你们想的一样吗？
Nicole： 对我来说，最令人兴奋的其实是「角色一致性」，能看到自己出现在不同场景中。比如，我真的做了一整套幻灯片，里面有我出现在「通缉令」上的样子、扮演考古学家的样子，基本上涵盖了我童年时梦想过的所有职业。我们甚至还制作了一套包含我面部图像的电子邮件模板，团队里其他人的图像也有收录，方便我们开发新模型时随时参考。
主持人： 在 AI 领域，这绝对是最高荣誉了。
Nicole： 而且这些图像都很有个人特色，我非常兴奋。所以我一开始就对「角色一致性」功能很期待，因为它能让人们以一种全新的方式「想象自己」，这种方式在以前其实很难实现。这也确实成了用户最感兴趣的功能之一。
我们发现，人们会把自己的形象变成「小雕像」，这是一个非常流行的使用场景。不过有一个场景让我很意外：很多人用它来给老照片上色，这对用户来说是很有情感意义。比如「现在我终于能看到自己婴儿时期的真实模样了」，或者「我能从这些黑白照片里看到父母当年的样子了」。这种反馈真的很暖心。
主持人： 一款产品火了之后，肯定会收到无数的功能需求。用户最常提的是什么？你们觉得图像模型的下一个里程碑会是什么？
Nicole： 我们 在推特上收到最多的需求是 「 更高分辨率 」， 很多专业用户会提这个。目前模型的分辨率是 1K，用户希望能更高。另外， 「 透明背景 」 也是高频需求 ，因为这对专业场景来说非常实用。这两个应该是我见过最多的需求，除此之外， 还有 「 更好的文字渲染效果 」 。
主持人：大家都很好奇，是什么让模型的性能提升这么多？
Oliver： 我觉得情况其实很「朴实」，没有哪一个单一因素能决定一切，关键在于把所有细节都打磨好，不断优化「技术方案」，而且团队已经在这个问题上钻研了很久。说实话，我们自己也有点意外这个模型能这么成功。我们知道它是个不错的模型，也很期待它的推出，但没想到反响会这么强烈。比如，我们在「竞技场」（Arena）平台发布后，不仅评分很高，更让我在意的是，有太多用户为了使用这个模型而涌入 LM Arena，以至于我们要一次次提高「每秒查询量」（QPS）来支撑负载。这完全超出了我们的预期，也让我们第一次意识到：「哦，这东西真的很特别，有很多人需要它」。
主持人： 我觉得这就是整个 AI 生态最有趣的地方之一：你们作为开发者，虽然对自己构建的模型有一定了解，但只有当它推向市场、接受大众检验时，你才能真正明白它的「潜力到底有多大」。
主持人： 「 Nana Banana 」 已经刷屏网络了。 除此之外， AI 图像领域还有哪些 「 你觉得值得关注，但目前没太多人留意 」 的动态？
Nicole： 我觉得是 「 图像的事实性维度 」 。比如人们用「Nano Banana」制作信息图表，或者上传尼亚加拉大瀑布的照片，让模型标注信息。作为演示，效果看起来还不错，但仔细看会发现：文字有乱码、信息不准确，还会重复。这个方向目前关注的人不多，但我相信未来会不断优化。
Oliver： 这和 LLM 的发展其实很相似。比如 GPT-1 和 GPT-2 刚出来时，人们觉得「很有趣」，会用它写创意内容，这类任务的「可接受答案范围很广」。但现在，人们很少用 LLM 做创意了，更多是用它「查询信息」「进行对话」，甚至「寻找情感陪伴」。我认为 图像模型也可能经历类似的转变：从 「 创意工具 」 变成 「 信息查询工具 」 ，未来人们甚至可能在「需要陪伴时」和视频模型对话。这种趋势在未来是有可能出现的。
Nicole： 而且模型应该会变得「更主动」。现在，用户必须主动提出「我要生成一张图」的需求，但如果查询本身「需要图像辅助」呢？其实我们在搜索引擎里已经习惯了这种「主动适配」，搜索时，系统会根据需求自动返回「文字+图像」或纯图像结果。我期待未来的模型能更主动、更智能： 根据用户的问题，灵活运用不同模态（文本、图像等）进行交互。
主持人： 「 Nano Banana 」 这个名字背后有什么故事吗？
Nicole： 我们团队有一个 PM 叫 Nana。当时为了这次发布，她凌晨 2 点半还在加班，就是那时候想出了这个名字。因为听起来很有趣，所以大家就一直用了。现在它甚至成了「半官方名称」毕竟「Gemini 2.5 Flash 图像模型」确实有点拗口。
主持人： 是啊，这个名字很成功，连谷歌的高管都在推特上发香蕉表情，可见这个名字已经「深入人心」。
Nicole： 如果说品牌推广有什么心得的话，那就是「名字最好能搭配一个合适的表情符号」，这样更容易让人记住。
02
从「玩具」到生产力工具，
是因为融合了 LLM 的「世界知识」
主持人： 你们解决了「角色一致性」这个大难题。 在你们看来，图像模型接下来的 「 前沿突破点 」 会是什么？