在視頻生成模型稱霸多個榜單之后 ，谷歌終于將戰(zhàn)火引至圖像領域 。當?shù)貢r間8月26日
，谷歌發(fā)布了其最新的圖像生成和編輯模型Gemini 2.5 Flash Image，并迅速登頂多個主流圖像排行榜 ，成為新晉性能冠軍
。

　　第一財經(jīng)記者實測后發(fā)現(xiàn)
，確實如眾多網(wǎng)友所體驗的那樣，模型各方面表現(xiàn)堪稱優(yōu)秀 ，無論是角色的一致性、提示詞的跟隨 、物理邏輯的真實性還是畫面審美方面都保持了水準。但對中國用戶的一大限制在于不支持中文輸入 。即使用戶使用英文提示，若生成內(nèi)容涉及中文
，效果仍會顯著下降
。測試中還發(fā)現(xiàn)，模型偶爾會出現(xiàn)多肢體等結(jié)構錯誤。

　　盡管如此 ，Gemini 2.5 Flash Image 仍被廣泛認為是當前市場上最強的圖像編輯和生成模型之一 。谷歌官方演示顯示
，該模型已具備替代部分人工修圖的能力，可幫助設計師一鍵完成圖像修改與創(chuàng)意生成 ，也適用于電商產(chǎn)品圖的制作。更值得注意的是
，其單張圖像生成成本不到3毛錢，極具性價比 ，有望大幅推進AI圖像生成的商業(yè)化進程
。

　　登頂雙榜單

　　實際上
，在正式發(fā)布之前，市場已經(jīng)有一些風聲。上周一款名為“nano-banana ”的模型出現(xiàn)在大模型競技場中 ，開始接受用戶的匿名體驗和打分
，目前投票數(shù)超過250萬 。如今謎底揭曉，“nano-banana
”正是Gemini 2.5 Flash Image
。

　　在大模型競技場LMArena的文生圖與圖像編輯兩個場景 ，谷歌的圖像模型均拿下全球第一，在圖像編輯榜單上模型表現(xiàn)尤為出色
，獲得1362的高分，以171分的差距領先第二名flux-1-knotext-max。

　　知名AI基準測試機構Artificial Analysis同樣獲得了早期訪問權限 ，并在過去一周以“rex”的化名在競技場中進行了測試 。目前谷歌的模型在圖像編輯方面排名第一
，超過了OpenAI的GPT-4o和國內(nèi)阿里的Qwen-Image-Edit，在文生圖方面則略遜于字節(jié)Seedream 3.0和GPT-4o ，排名第三
。

　　Artificial Analysis還做了一個對比測試
，給出了一張圖，讓谷歌
、阿里通義和OpenAI三家的模型生成新的照片：在自行車后座上加一名乘客 ，并將地點更改為內(nèi)蒙古的草原。

　　從輸出結(jié)果看
，千問的圖像模型未能準確進行指令跟隨，在畫面真實度上 ，谷歌的模型表現(xiàn)則比GPT-4o更為突出 。

　　谷歌稱
，Gemini 2.5 Flash Image的核心亮點是圖像編輯能力，這一模型可將多個圖像混合到一幅圖像中 ，保持高度的角色一致性，還能使用自然語言進行有針對性修改
，并充分利用Gemini的世界知識來生成和編輯圖像
。

　　一直以來，圖像生成中的一個根本挑戰(zhàn)是如何在多個提示和編輯中保持角色或物體的外觀。“我們知道 ，當你編輯自己或熟悉的人時
，哪怕是細微的差別都會顯得刺眼  。 ”谷歌官方表示，“差一點但不完全一樣
”的效果就是感覺不對 ，模型的最新更新專門針對這一點
，讓朋友、家人，甚至寵物始終看起來像他們自己
。

　　谷歌CEO桑達爾·皮查伊（Sundar Pichai）和谷歌DeepMind CEO戴密斯·哈薩比斯（DemisHassabis）在發(fā)布時親自下場帶貨。

　　皮查伊借助最新模型生成了家里愛犬沖浪 、做大廚的照片 ，畫面質(zhì)感相當不錯 。哈薩比斯則給自己生成了一個肖像照
，將照片背景做了修改，切換為古典風格 ，但是人物的容貌沒有出現(xiàn)改變。

　　從畫面來看
，谷歌這一模型可做到在不同的姿勢
、光線和環(huán)境中保持人物或角色的相似性，甚至可以將相同的角色應用到新的風格和表面上
。

　　現(xiàn)在用戶使用Gemini App可以免費體驗 ，但面向開發(fā)者的版本，算下來每張生圖成本也不到3毛錢。Gemini 2.5 Flash Image的定價為30美元/100萬個輸出token
，每張圖像為1290個輸出token，每張圖像價格約為0.039美元（約合人民幣0.28元） ，這遠低于OpenAI的0.19美元/張的價格 。

　　實測表現(xiàn)：中文是短板
，一致性出眾

　　根據(jù)官方的發(fā)文，Gemini 2.5 Flash Image除了角色一致性方面 ，在渲染文本方面也表現(xiàn)出色
。模型可以準確生成包含清晰易讀且位置合理的文本的圖片
，非常適合用于徽標、圖表和海報。

　　在商業(yè)化場景中，例如廣告制作方面 ，主體特點 、主角容貌不變
，文字不變形這些都非常重要 。在這一基礎上，谷歌認為 ，他們的模型已經(jīng)能適應產(chǎn)品模型和商業(yè)攝影
，為電子商務、廣告或品牌宣傳制作清晰專業(yè)的商品照片
。

　　具體模型在這些方面的表現(xiàn)如何？第一財經(jīng)基于哈薩比斯的肖像照進行了測試。加上一張家里貓咪的照片，讓Gemini融合生成哈薩比斯抱著貓坐在沙發(fā)上的圖像 ，并且更換家居服 。

　　從第一次輸出結(jié)果來看基本上找不出瑕疵，AI此前容易犯的錯包括手指變形
、虛化的背景形態(tài)錯誤、人物容貌細微變化等等都沒有發(fā)生
，甚至連哈薩比斯左手的手表細節(jié)都保持了一致
。唯一不夠滿意的是，畫面雖然是高清圖 ，但分辨率并不高。

　　接下來
，第一財經(jīng)記者加大難度，讓貓坐在沙發(fā)上 ，而哈薩比斯手里拿一本漢語大詞典正在翻閱
，沙發(fā)換成深綠色 。

　　可以看到，第二次生成時 ，模型在涉及中文場景的畫面時開始出現(xiàn)錯誤
，哈薩比斯拿著的并不是漢語大詞典，甚至很難對應上正確的中文字體 ，但顏色和形狀上保持了合理性
。

　　第一財經(jīng)記者進一步更改提示詞
，讓模型發(fā)揮想象力，將貓換成主角 ，坐在沙發(fā)翻閱牛津詞典，并讓哈薩比斯在旁邊給貓按摩。

　　在這一步
，模型開始出現(xiàn)明顯的錯誤，指令并沒有完全跟隨 ，甚至貓多出了一條腿 。不過
，確實如官方所說，在英文場景下 ，文字的渲染沒有出現(xiàn)差錯
，哈薩比斯手中牛津詞典的書名拼寫完全正確。

　　綜上，該模型在面貌一致性 、文本準確性方面表現(xiàn)優(yōu)異 ，尤其擅長英文環(huán)境；而在中文理解與復雜構圖指令方面仍存在明顯缺陷
。

　　在商業(yè)應用上
，基于模型性能的提升，或許將重塑設計
、廣告與電商行業(yè)。

　　官方表示 ，模型支持用自然語言進行針對性地變換和精準局部編輯 。例如
，可以模糊圖像背景、去除T恤上的污漬 、從照片中移除整個人物
、改變拍攝對象的姿勢、為黑白照片添加顏色
。這很大程度上已經(jīng)能替代圖像領域的王者Adobe的PS，可見的未來 ，修圖師的地位也岌岌可危。

　　在設計領域，一些圖形風格更改也可以一鍵完成了 。谷歌提到
，模型現(xiàn)在可以輕松地將其從一張圖像轉(zhuǎn)移到另一張圖像，同時保留前一個主題的形式和細節(jié) ，這種一致性可用于專業(yè)設計場景
。例如
，模型能在不改變形狀和細節(jié)的前提下，完成紋理的更換。

　　在物理知識方面 ，模型表現(xiàn)也較為出色 。根據(jù)谷歌的案例
，給模型一個氣球飄向仙人掌的視覺圖像后，提示其想象生成下一個可能的情況
。從畫面來看 ，模型能夠預判氣球爆炸后的物理特征。

　　在電商場景中
，已有海外用戶嘗試用該模型生成商品展示圖 。如將人物手中的涂抹區(qū)域替換為香奈兒手袋，效果逼真 ，幾乎看不出合成痕跡
。

　　可以預見
，隨著生成效果不斷優(yōu)化與使用成本持續(xù)降低，Gemini 2.5 Flash Image 有望加速AI在電商 、廣告
、設計乃至專業(yè)攝影領域的影響和替代效應 ，修圖師與部分視覺設計師的工作內(nèi)容，或?qū)⒈恢匦露x。

（文章來源：第一財經(jīng)）