“惊艳”两个字已不足以形容，它是跨时代的领先。 锦缎 🤯 若论当前最火的AI应用，非谷歌的香蕉Nano Bana😘na莫属。 Nano Banana原名是Gemini ❤️2.5 Flash Image，但自从它验明真身，大家普遍反😁映还是Banana好记。 而听劝的谷歌，也马上把模型名🙌换了回去。 不论是文本生成还是图像编辑，Nano Ba👍nana都展现出了断档领先的实力。 首先来看看评分： 🔥 图：LMarena文生图模型排行榜 图：LMar😀ena图像编辑模型排行榜 展开全文 可以看到，文😎生图能力属于最优一档，而图像编辑能力更是碾压级别，几乎砸穿了😀Photoshop的锅。 我们可以笃定，Nano Ba😎nana之后，全球软件业彻底变天了。 01 用户体验：🔥惊艳两个字已不足以形容 事实上，惊艳这两个字，已经不足🙌以形容Nano Banana的强大。 先前的文生图评测❤️中，我们已经见识过它的本事。 但根据Gemini AP😍I文档中的描述，它还有几个其他的拿手好活： 在Nano😴 Banana被发现出现于LMarena之前，各家大模型对于😊文生图中的文字几乎都束手无策。 哪怕不提汉字，只是英文🥳单词，生成出来的基本都是乱码，令人难以理解。 Nano😍 Banana轻而易举地攻克了这一难关。 而最近让Na🤩no Banana在网络上爆火的原因，则是有网友发现它可以制🎉作精度极高的手办图。 图片中的手办完全能够以假乱真，圈😆外人可能完全无法分辨这到底是不是真的手办。 除此之外，⭐Google还明确介绍了Nano Banana的其他生图优势😊： 例如逼真的场景、风格化的插图和贴纸、产品模型和商业⭐摄影、极简风格和负空间设计等。 而在图像编辑方面，Na🥳no Banana也能够出色的完成以下任务：例如添加和移除元💯素、局部重绘、风格迁移、组合多张图片、高保真细节保留等有效解🔥决了以往模型牵一发而动全身的问题。 这么说可能有些抽象😴，我们用Nano Banana团队在采访中谈到的例子来解释。🎉 ①像素级的修图编辑 最常见的需求之一：只想修改😅一张图像中的一处细节，但又希望其他部分保持原样。 旅游🙄照片P掉路过的游客、自拍照去掉熬夜的黑眼圈，这些对于以往的多😊模态模型来说，并不是一项很简单的挑战。 微小的修改往往😴会导致图像整体风格或结构的不协调，而观感则会遭到严重的破坏。🎉 Robert Riachi在采访中提到，团队在模型2😢.0版本时期遇到的一个主要挑战，就是编辑时往往无法保证与图像🎉其他部分的一致性。 但通过持续的爬坡训练和用户反馈收集😎，Nano Banana才取得了明显的进步。 无论是给😆小猫戴上一顶帽子，还是调整一件家具的方向，它都能做到保持场景🥳的整体姿态和结构不变，让编辑的部分与图像其余部分无缝融合。 🤩 而这种精准的控制力，对于需要高度一致性的创作场景至关重😎要。 ②不同角度的渲染 图像虽然是2D的，但它反🎉映的内容却是3D的。 因此，想要完成对现实世界中物体的😊精确编辑，还需要AI对三维空间具备一定的理解能力。 N🤯anoBanana能够从不同的角度渲染角色和物体，创造出全新🙌的场景。 比如，上传一件家具的图像，让它从侧面或是背面😡重新生成，生成的结果仍然能保持高度一致性。 这种能力不😉仅是像素的复制，而是通过理解对象的外观和深层结构，对原始图像🌟进行实质性变换，而创作自由度也是由此而来。 ③交错式生💯成 相比于文本，图像中包含的信息往往更多。 对于😁较为复杂的图像生成任务，Nano Banana引入了交错式生❤️成的新范式。 传统的文生图模型需要一次性处理所有细节，😂如果指令中包含大量修改或元素的提示，模型就很容易发生饱和现象🚀。 Nano Banana采取的解决方案是化整为零。 😀 将复杂的提示分解为多个步骤，逐步进行编辑或生成。 🥳 这种增量生成的方式，能够让模型处理细节时更加精准。 👍同时，它还可以积累上下文信息，从而生成高度复杂且高质量的图像😢。 创作流程因此变得更加灵活可控，模型处理复杂任务的能😴力也得以显著提升。 ④超越用户的预期 Mosta🤯fa Dehghani在访谈中提到了一个词智能感。 他😍给出了一个有趣的例子：在要求模型执行某项操作时，模型并未原封🤔不动地遵循并执行他的指令。 但最终生成的结果却比他实际👍描述的要更好，这使得他感到十分惊喜。 可以看出，Nan😎o Banana已经打破执行命令的工具这一格局。 它具❤️备一定的真实世界的相关知识和常识，能够在一些特定情境下对用户🤗的模糊或错误指令进行修正和优化。 这种智能带来的影响可😆好可坏，或许它无法达成用户的预期效果，但也可能生成更符合用户😘潜在需求甚至更具创意的图像。 对于大部分人来说，这种智😢能还是会明显提升用户体验，毕竟创意总是可遇而不可求的。 🤗 02 商业化前景：文生图盈亏平衡出现曙光 任何先进的😀技术，其商业化落地都离不开成本效益的考量。 而Nano😂 Banana在图像领域的应用，自然也涉及到成本和潜在的盈利🤔模式。 Robert Riachi在采访中，明确提出多😎模态数据（图像和视频等）的爬坡训练非常困难。 这需要大😆量的人类偏好信号，因此训练就需要投入巨大的时间成本和资源。 🤯 机器学习的过程中，需要锚定一个指标用于评估训练结果的好😍坏。 以往的指标往往需要几个小时才能获取到有效反馈，而⭐Google的研究团队则始终在努力寻找更为高效的训练指标。 😜 另一方面，图像的极度主观性，使得收集并处理用户反馈成为🚀一个同样耗时且昂贵的过程。 Kaushik Shiva🔥kumar强调了人工评分在图像生成评估中的成本效益问题。 😴 先前我们的AI竞技场一文中曾经介绍过，LMarena就采🥳用了这种人工评分的方式。 我们看到的排行榜上的Vote🤩s正是由该网站的使用者进行投票得出的。 即便是效果如此🔥出色的Nano Banana，目前的投票数量也只有22万左右🥳。 因此，让足够多的用户进行图像质量评分固然能提供良好😍的信号，但这种方式的成本恐怕令Google团队都难以承受。 😍 这条路走不通，就必须寻找更加高效且经济的评估指标，也就😆是Nano Banana目前使用的文本渲染度量，这项技术我们🎉后面再介绍。 除了训练成本，模型部署上线后的推理成本也❤️要考虑。 目前，Nano Banana的API定价为：😊 文字输入：＄0.30/M tokens 文字输😆出：＄2.50/M tokens 图像输入：＄0.30🤯/张 图像输出：＄0.039/张 在Google😜 AI Studio上可以免费使用，但近期已经设置免费额度。🎉 如此低的定价再加上高质量的生成效果，Nano Ban😀ana的性价比可以说是直接拉满。 与此同时，本周网上已😂经开始出现第三方平台以更低的价格提供Nano Banana的😴API服务。 以AI领域现有的产品迭代速度，其他厂商推🎉出水平相近的模型恐怕也只是时间问题。 仅仅依靠Nano🚀 Banana的使用费用，极难覆盖Google在如此先进的模😅型上投入的巨大成本。 因此，这一重新定义AI图像领域的😅模型的诞生，更多还是为了应对市场份额和生态系统的竞争。 ❤️ AIGC作为科技巨头公司竞争的焦点，Google必须不断推🥳出有竞争力的产品以对抗OpenAI或是Midjourney等🤔公司。 而Nano Banana和Gemini 2.5😢 Pro两款高用户评分产品的存在，有效保持了Google在A🤗I领域的领导地位。 从技术角度来看，模型的迭代和优化是🤗一个几乎永不间断的过程。 平民级别的价格能够带来的，是🚀所有厂商都急需的大量真实用户数据。 Google这样的🙌科技公司，更多是通过平台上提供的各种服务实现盈利。 即😴使Nano Banana现在可能亏本，但低成本的图像生成和编🥳辑能力，不仅可以用来吸引用户进入Google的生态系统，鼓励😜用户使用Google提供的相关服务；未来，还可能成为某些更大🥳利润业务的核心组件。 03 技术逻辑：跨时代的强大 😀 Nano Banana能够在AI图像领域实现如此强大的能😉力，归功于Google团队在多模态学习、用户反馈机制和创新架😴构设计等方面的长期投入和努力。 在观看完Google官👍方发布的约30分钟的采访后，不得不对其技术能力感到惊讶。 😴 ①文本渲染度量 这是Kaushik Shivaku🚀mar始终坚持的一项指标，起初谁也没能想到它就是成功的关键。❤️ 前面我们说过，Google团队需要找到一个无需依靠用🚀户主观评价的指标来判断模型是否在越变越好。 在Nano🌟 Banana正式发布之前，无论是国内还是国外的多模态模型，😁生图水平参差不齐。 但在图片中加入文字这件事上，所有的😆模型都无法准确完成。 看起来，文字生成只是AI图像领域🌟的一个分支，但Google团队坚持以此为优化目标。 最🤯终结果也证明了这是一个无比正确的决定。 在对文本渲染的😉不断优化过程中，研究团队发现图像生成质量也在不断提高。 🤔 天才般的想法，加上持之以恒的努力，成就了Nano Bana🙌na的强大。 ②多模态统一模型与正向迁移 Mos👍tafa Dehghani提出了Nano Banana的核心⭐理念之一：实现原生的图像生成和多模态理解与生成。 这意💯味着模型会在同一个训练运行中学习所有模态和不同的能力，而最终😂目标则是实现跨不同维度的正迁移。 简单地说，就是要让模🚀型不仅能理解和生成单一模态（比如文本或图像），还能利用从一种😁模态中学到的知识，帮助理解和生成另一种模态。 例如，模😊型可以从图像、音频和视频中学到真实世界的相关知识，从而更好地😀理解和生成文本。 就像Robert Riachi提到的💯一种名为报告偏差的现象： 人们在日常对话中通常不会提及😢哪些显而易见、习以为常的事物，比如朋友家的普通沙发。 😎但如果展示一张房间的图片，沙发就会自然呈现在眼前。 说🔥实话，这个例子举得有点莫名其妙，但确实有一定道理： 图🤯像和视频等视觉信号里，包含着大量关于真实世界的隐性信息，而这💯些信息无需明确请求即可获取。 对于一个多模态模型来说，👍视觉信号是了解世界难得的捷径。 这种统一的多模态学习方😁式，帮助Google团队建立了更全面和深入的世界模型。 🙄 Gemini系列产品也在各种模态任务中表现出了更高的智能化👍程度，LMarena的数据已经验证了这一点。 因此，采😡访中提及图像理解和图像生成被视为姐妹，在交错生成中互相促进。😊 ③从错误中学习：用户反馈驱动爬坡训练 Robe🤗rt Riachi着重强调了利用人类偏好进行爬坡训练的重要性🙌。 但前面已经说过，不可能模型每次生成图片都让人类来判😴断孰优孰劣。 因此，Google团队收集了大量来自Tw😀itter等平台的真实用户反馈，将失败案例转化为评估基准，而😎这些恰恰是用于改进模型的宝贵信号。 在模型的2.0版本😀发布时，团队成员敏锐地注意到一个常见的失败案 例： 😜 编辑时无法保持图像其余部分的一致性。 于是，以此为🤗基础，团队开始针对于具体问题进行爬坡训练和迭代。 这种😀以用户为中心、从错误中学习的机制，正是Nano Banana😅能够解决这一挑战的关键。 ④团队协作：Gemini与I😉magen的融合 采访的最后，Robert Riach🙄i也谈到了Nano Banana的成功离不开Gemini和I😅magen两个团队的紧密协作。 Gemini团队专注于😁指令遵循和世界知识等方面，确保模型能够理解用户的意图并生成符🙌合逻辑的内容。 Imagen团队专注于图像的视觉质量，🙄确保生成的图像自然美观，且不出现明显问题。 Gemin😉i 2.5 Pro之前的长期霸榜已经说明其功能的强大，而融合🌟两个团队的视角和专业知识，Nano Banana做到了兼顾图😢像的智能性和美观性。 Nano Banana在Goog🙄le AI Studio上线后，我们也可以发现，它和Gemi🤗ni 2.5 Pro是融为一体的，在原先的聊天界面就可以直接😉使用，而非两个独立的模型。 这种跨团队的深度合作，使得😆Google的产品体系上升到了一个新的高度。 04 结👍语 就像很多标题所说，Nano Banana的出现毫无🤔疑问给AI图像领域带来了革命性的变化。 从像素级的完美🌟编辑，到交错式的复杂图像构建； 从对用户意图的智能理解😅，到超越预期的创意发散； 人工智能在视觉艺术上的创作潜😎力正在被逐步发掘。 但与此同时，以假乱真的高质量图像也❤️在改变很多行业的现状。 尽管Nano Banana生成😀的图像目前也已经明确带有AI生成标识，但它的作品已经足以满足🤔大多数人的需求。 未来的创作者和艺术家又该何去何从？ 💯 唯一可以确定的，是AI图像领域的未来将会更加智能、更加🙄高效、更具创意。 而人机之间的协作，也即将开始书写全新😆的篇章，全球软件业正因此重塑。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

时隔9个月，美联储重启降息。 北京时间9月18日凌晨，🚀美联储最新的议息决议将联邦基金利率的目标区间下调25个基点至😁4%-4.25%，符合市场预期。 一年前，2024年9😁月，美联储启动了四年多来的首次降息，分别在2024年9月、1🥳1月、12月降息50个基点、25个基点、25个基点。进入20❤️25年，美联储连续5次会议维持利率不变，直至本次会议重启降息⭐。 美联储在声明中表示，近期指标表明，就业增长放缓，失💯业率小幅上升，但仍保持在低位。通胀上升，且保持了一定程度的高😜企。为支持其目标，同时考虑到风险转换到平衡，委员会决定将联邦🚀基金利率的目标区间下调25个基点至4%-4.25%。 🥳与7月议息声明相比，本次声明对就业市场的判断由“失业率依然较👏低，劳动力市场状况保持良好”转变为“就业增长放缓，失业率小幅😡上升，但仍保持在低位”，同时新增“通胀上升”的表述。在下调利😎率区间时，强调考虑到了“风险转换的平衡”。在描述调整目标区间😘的条件时，删去了“幅度和时机”的表述。 声明表示，在评😆估合适的货币政策立场时，委员会将继续监控未来的经济数据的影响😍。如果风险的发生会阻碍达成委员会的双重目标，委员会会为调整适😍当的货币政策立场做好准备。委员会的评估将考虑到大量信息，包括🤩劳动力市场指标、通胀压力和通胀预期指标、金融和国际形势发展的🤗数据等。 本次会议共有1票反对，为新任美联储理事米兰（😜Stephen I. Miran），他倾向于在本次会议上降息🤯50个基点。在上个月投出反对票的鲍曼（Michelle W.🤔 Bowman）和沃勒（Christopher J. Wal🚀ler）投票赞成了本次会议，7月他们便倾向于降息25个基点。🎉米兰被认为是特朗普政府经济议程的关键设计者，鲍曼和沃勒则是由😅现任美国总统特朗普提名的理事。美联储7名理事中，上述3人由特😊朗普提名，剩余4人由民主党政府提名。 以下是9月声明全🎉文与7月声明的比较： （删去7月原文：尽管净出口的波动💯继续影响着数据，）最近的指标表明，今年上半年经济活动的增长有😎所放缓。就业增长放缓，失业率小幅上升，但仍保持在低位（7月原😀文：失业率依然较低，劳动力市场状况保持良好）。通胀上升（本月🚀新增），且保持了一定程度的高企。 委员会力图在长期内达😆成最大就业和2%的通胀目标。关于经济前景的不确定性仍处于高位🤩。委员会注意到其双重任务面临的双面风险，并判断就业下行的风险🙌已经上升（本月新增）。 为支持其目标，同时考虑到风险转🙌换的平衡（本月新增），委员会决定将联邦基金利率的目标区间下调🎉0.25个百分点至4%-4.25%（7月原文：维持在4.25❤️%-4.5%）。在考虑对联邦基金利率目标区间（删去7月原文：😜的幅度和时机）进一步调整时，委员会将仔细评估未来的数据、不断🙌变化的前景和风险平衡。委员会将继续减持美国国债、机构债券和机👏构抵押贷款支持证券。委员会坚定地致力于支持最大限度的就业，以🤔及将通胀恢复至2%这一目标。 在评估合适的货币政策立场❤️时，委员会将继续监控未来的经济数据的影响。如果风险的发生会阻😜碍达成委员会的双重目标，委员会会为调整适当的货币政策立场做好🙌准备。委员会的评估将考虑到大量信息，包括劳动力市场指标、通胀😍压力和通胀预期指标、金融和国际形势发展的数据等。 投票😆赞成者包括：FOMC委员会主席（美联储主席）鲍威尔（Jero😎me H. Powell, Chairman）；委员会副主席🌟（纽约联储主席）威廉姆斯（John C. Williams，🔥Vice Chairman）；（美联储理事）Michael 😁S. Barr；[本月新增：（美联储理事）Michelle ⭐W. Bowman」]；（波士顿联储主席）Susan M. 🤔Collins；（美联储理事）Lisa D. Cook；（芝😂加哥联储主席）Austan D. Goolsbee；(美联储🙄理事）Philip N. Jefferson；（圣路易斯联储👏主席）Alberto G. Musalem； （堪萨斯城联储😅主席）Jeffrey R. Schmid；[本月新增：（美联😡储理事）Christopher J. Waller]；投票反😴对这一行动的有米兰（Stephen I. Miran）[7月🙌原文：鲍曼（Michelle W. Bowman）和沃勒（C😢hristopher J. Waller）]，他倾向于在本次🤗会议上降息0.5个百分点（7月原文：0.25个百分点）。[删🙄去7月原文：库格勒（Adriana D. Kugler）缺席🤯，并未参与投票]。返回搜狐，查看更多