Hinter der großen Popularität von Nano Banana: Ein tieferer Blick auf die fünf Hauptlinien der Multimodalität-Strategie von Google

Vor einigen Wochen tauchte dieses Modell mit dem geheimnisvollen Codewort "Banane" stumm auf einer Testplattform auf. Ohne irgendeine Ankündigung und ohne offizielle Dokumentation errang es es jedoch, dank der erstaunlichen Bildqualität und der Konsistenz der Charaktere, zahlreiche etablierte Modelle zu schlagen und sorgte so für Aufsehen in der KI-Community.

Damals spekulierten einige, dass es sich um ein geheimes Experiment von OpenAI handeln könnte, während andere meinten, es sei möglicherweise das "Durchbruchswerk" eines unabhängigen Forschungsteams. Ende August wurde das Geheimnis endlich gelüftet: Google hat es selbst übernommen und erklärt, dass Nano Banana das neueste Text-zu-Bild-Modell von Google, nämlich Gemini 2.5 Flash Image, ist.

Als Weiterentwicklung von Gemini 2.0 Flash ist Nano Banana ein KI-Editor, der noch besser an den realen Arbeitsablauf angepasst ist. Es kann nicht nur die hohe Konsistenz von Charakteren und Bildern bei mehrfachen Bearbeitungen aufrechterhalten, sondern ermöglicht es auch den Benutzern, feine lokale Änderungen und die Synthese mehrerer Bilder nur mit natürlicher Sprache durchzuführen.

Im Gegensatz zu den meisten früheren Modellen, deren Ziel es war, "ein gutes Bild zu generieren", verhält sich Nano Banana eher wie ein immer bereitstehender Designassistent, der Ihnen hilft, ständig zu iterieren, anzupassen, zu optimieren und zu schaffen.

Viele Internetnutzer haben nach dem Test angegeben, dass dies möglicherweise das Ende der Photoshop-Ära ist.

Warum kann Nano Banana in der bereits stark überfüllten Branche der Text-zu-Bild-Modelle erneut eine Welle der Begeisterung auslösen? Was unterscheidet es von starken Konkurrenten wie OpenAI und Flux? Wie ist die tatsächliche Leistung? Und in welchem Stadium ist die multimodale Fähigkeit von Google derzeit?

01 Nano Banana - Ein plötzlicher Aufstieg

Bevor Nano Banana von Google offiziell übernommen wurde, tauchte es anonym auf der weltweit beliebtesten und autoritativsten Testplattform für große Modelle, LMArena, auf. Dies ist ein KI-Modell-Arena, die hauptsächlich auf Community-Stimmen basiert. Die Hauptform besteht darin, dass zwei Modelle anonym gegeneinander antreten und die Benutzer die Ergebnisse "blind" auswählen. Die Website klassifiziert dann die Modelle basierend auf einer Reihe von Algorithmen und den Stimmen der Community-Nutzer.

Etwa Mitte August bemerkten die Menschen, dass auf den Listen für Text-zu-Bild-Generierung und Bildbearbeitung auf LMArena plötzlich ein unbekanntes und geheimnisvolles Modell-Codewort - Nano Banana - erschien. Innerhalb weniger Tage stieg es aufgrund seiner extrem stabilen und beeindruckenden Ausgabe schnell in der Rangliste auf und landete schließlich an der Spitze.

Plötzlich verbreitete sich der Name Nano Banana schnell und löste zahlreiche Aufmerksamkeit und Diskussionen aus. Alle spekulierten, wessen Werk dieses geheime Modell sei.

Als die Diskussionen um Nano Banana ihren Höhepunkt erreichten, begannen um den 25. August herum Google-Engineering-Manager wie DeepMind-CEO Demis Hassabis, auf sozialen Plattformen diskret Beiträge mit Bananenelementen zu veröffentlichen, was das Rätsel allmählich lüftete.

Und kurz bevor Gemini 2.5 Flash Image offiziell angekündigt wurde, hat Google-CEO Pichai sogar drei Bananen gepostet, um seine "Herrschaft" über Nano Banana zu bekräftigen.

Das letzte Mal, als es in der Branche der Text-zu-Bild-Modelle so viel Aufregung gab, war vor einigen Monaten während der Ghibli-Hype um GPT-4o. Was macht Nano Banana so besonders?

Wir haben einige Entwickler befragt, und alle sagten zunächst, dass der größte Durchbruch von Nano Banana seine "Konsistenzfähigkeit" sei.

Zhang Songyang

Angewandter Wissenschaftler im AGI-Bereich von Amazon:

Ich finde es am beeindruckendsten, dass es in Bezug auf die Konsistenz der Charaktere hervorragende Ergebnisse erzielt. Im Vergleich zu früheren Modellen ist es das beste.

Nathan Wang

Eingeladener Forscher von Silicon Valley 101

Seniorentwickler von Agent:

Was mich an Nano Banana am meisten beeindruckt, ist, dass es bei der ersten Generierung bereits erfolgreich ist und die Konsistenz aufrechterhält. Auch seine Bearbeitbarkeit ist sehr beeindruckend.

In der Vergangenheit war es bei vielen Modellen, wenn man Bilder wiederholt bearbeiten wollte, ein häufiges Problem, dass "man den Anzug wechselte und das Gesicht wechselte auch". Wenn man beispielsweise die Farbe des Jackets auf einem Foto ändern wollte, veränderte das System auch versehentlich die Gesichtszüge. Solche kleinen Abweichungen machten es schwierig, KI als zuverlässiges kreatives Werkzeug zu nutzen.

Der Vorteil von Nano Banana besteht darin, dass es die Kernmerkmale von Personen oder Objekten bei mehrfachen Bearbeitungen fest halten kann. Egal, ob man die Pose ändert, die Kleidung wechselt oder den Hund in einen neuen Hintergrund setzt, das Hauptobjekt bleibt unverändert.

Der zweite große Durchbruch liegt in der Mehrbild-Synthese. In der Vergangenheit waren bei der Synthese von zwei völlig verschiedenen Fotos häufige Probleme die Inkompatibilität zwischen verschiedenen Bildern, die Verzerrung des Raumes, das Verlust oder die Verzerrung von Details. Menschen in der Szene sahen oft wie "angeheftete" Objekte aus. Nano Banana kann jedoch die Stil- und logische Konsistenz bei der Mehrbild-Synthese automatisch verarbeiten, sodass das Bild einheitlich aussieht.

Der dritte Highlight ist die präzise Änderung anhand natürlicher Sprache. Früher musste man, wenn man ein Foto ändern wollte, oft selbst Masken zeichnen oder mit professionellen Werkzeugen wiederholt bearbeiten. Jetzt brauchen Sie nur eine einfache Beschreibung wie "Wechseln Sie den Hintergrund", "Entfernen Sie die gesamte Person aus dem Foto", "Ändern Sie die Pose der Person"… Nano Banana kann dann die Anforderungen der Benutzer präzise ausführen, während der Rest des Bildes unverändert bleibt. Dadurch wird die Schwelle für die Bildbearbeitung nahezu null. Selbst wenn Sie keine Sprache verwenden und einfach ein Skizze zeichnen, funktioniert es.

Darüber hinaus hat es die Mehrfachdialog-Bildbearbeitung und den Stil-Mix eingeführt. Sie können es zunächst anweisen, das Zimmer in Minzgrün zu streichen, dann ein Bücherregal hinzuzufügen und den Teppich zu wechseln. Das Modell wird den Kontext Schritt für Schritt behalten und die vorherigen Ergebnisse nicht überschreiben. Sie können sogar verlangen, dass es die Textur der Blütenblätter auf die Schuhe überträgt oder das Muster der Schmetterlingsflügel in einen Rock verwandelt, um einen völlig neuen kreativen Stil zu generieren.

Natürlich steht auch die Sicherheit im Vordergrund. Google hat alle von Nano Banana generierten Bilder mit einem sichtbaren Wasserzeichen versehen und gleichzeitig ein unsichtbares digitales Wasserzeichen, SynthID, hinzugefügt, um die Identifizierung und Nachverfolgung von KI-Werken in Zukunft zu gewährleisten.

Nach der offiziellen Veröffentlichung von Nano Banana trat das dahinterstehende DeepMind-Team erstmals in den Vordergrund und erzählte die Geschichte hinter der Entwicklung dieses Modells.

Das Team erklärte, dass der Kern-Durchbruch von Nano Banana die Verwendung eines neuen Paradigmas der Bildgenerierung namens "alternierende Generierung" sei. Es teilt die komplexen Anweisungen der Benutzer in mehrere Schritte auf und macht in jedem Schritt nur eine kleine Anpassung, z.B. zuerst die Kleidung wechseln, dann den Hintergrund ändern und schließlich ein Haustier hinzufügen.

Durch diese Methode kann die KI-Bearbeitung nicht mehr "vergessen", was bereits geändert wurde, sondern behält die "Erinnerung" an jede Änderung, um die Konsistenz des Hauptobjekts aufrechtzuerhalten.

Die Entwickler gaben auch bekannt, dass Nano Banana in kreativen Szenarien natürlicher wirkt, weil es das Weltwissen von Gemini voll ausnutzt. Diesmal haben das Gemini-Team und das Imagen-Team eine starke Partnerschaft geschlossen. Das Gemini-Team bringt die Fähigkeit zur Sprachverstehen und Weltwissen, sodass das Modell komplexe Anweisungen verstehen kann. Das Imagen-Team liefert die Erfahrung in der Generierung von hochwertigen Bildern und der Stilsteuerung.

Durch die Kombination beider kann Nano Banana nicht nur zeichnen, sondern auch Logik und Semantik verstehen, sodass es in der Schleife von "Verstehen - Schaffen - Verstehen" umfassend agieren kann.

Was die zukünftige Entwicklung von Nano Banana betrifft, haben die Forscher von DeepMind erklärt, dass sie hoffen, dass Nano Banana nicht nur ein "Bildgenerierungsmodell" sein wird, sondern ein zuverlässiger Intelligenzagent, der den Benutzern bei der Denk- und Schaffensprozess zur Seite steht.

Basierend auf den anonymen Testergebnissen von LMArena und den von Google veröffentlichten Testdaten hat Gemini 2.5 Flash Image seine Konkurrenten wie ChatGPT 4o, FLUX Kontext und QWEN Image Edit in fast allen Aspekten geschlagen. Darüber hinaus ist die Generierungskosten erstaunlich niedrig. Die Kosten für die Generierung eines einzelnen Bildes betragen nur 0,039 US-Dollar, was weniger als 0,3 Yuan beträgt.

Stimmt es wirklich, dass Nano Banana so gut ist?

02 Die Leistung und die Rückmeldungen von Nano Banana

Derzeit können normale Benutzer Nano Banana direkt in der Google Gemini-Anwendung und im Google AI Studio aufrufen. Sie können auch die Gemini API und die Vertex AI-Plattform nutzen. Darüber hinaus haben Plattformen wie Adobe und Lovart kürzlich angekündigt, dass sie Nano Banana in ihre kreativen Werkzeuge integriert haben.

Durch die Öffnung dieser Kanäle können normale Benutzer, professionelle Designer und Entwickler problemlos auf Nano Banana zugreifen.

Besonders bemerkenswert ist, dass die Benutzer Nano Banana kostenlos nutzen können. Im Gegensatz zu vielen früheren Modellen, die sehr langsam Bilder generierten, ist die Generierungsgeschwindigkeit von Nano