# 凌晨两点随手起的代号，一张照片画对的脸：Nano Banana 幕后精读 > Training Data No. 71 中文精读 - 原标题：How Google’s Nano Banana Achieved Breakthrough Character Consistency - 发布日期：2025-11-11 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/071-how-googles-nano-banana-achieved-breakthrough-character-cons-5uutda.html - 精读字数：约 5161 字（阅读约 11 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 两年前，想让 AI 画一张「像你」的图，流程是这样的：凑齐 10 张自己的照片，跑一次微调，等 20 分钟，出来的结果还不一定认得出是你。成本太高，这个能力始终没能走进大众。 现在，一张自拍，一句话，几秒钟，还能像聊天一样接着改。 这组对比来自 Google Nano Banana 团队做客红杉资本播客 Training Data 的一期节目，主持人是红杉合伙人 Stephanie Zhan 和 Pat Grady。两位嘉宾，Nicole Brichtova 是这个项目的产品负责人，Hansa Srinivasan 是模型团队核心成员。Nano Banana 是 Gemini 图像模型的内部代号（对外名称 Gemini 2.5 Flash Image），今年八月底以匿名代号登上大模型竞技场 LMArena，几周内变成文化现象。这期节目把「角色一致性」这个突破拆得很细，从评估方法聊到模型架构，再到创业机会。以下是要点。 社区玩出的第一个花样出乎团队预料。Hansa 说她没想到大家会立刻把它和各家视频模型混着用：先用图像模型锁定角色长相和场景，再喂给视频模型生成动态画面。发布前后的视频对比非常明显，跨场景的角色稳了，场景切换也自然了。工作流还说不上顺滑，要在几个产品之间倒腾，但方向已经对了。 ## 红毯测试：「像不像你」，只有本人能判断 Nicole 的顿悟时刻发生在一次内部 demo。她上传一张自己的照片，输入「把我放到红毯上」。纯粹的虚荣心 prompt。结果出来，像她。她拿去和之前所有模型对比，**没有一个画得像她，只有这个新的可以**。同事们又花了几周才陆续被说服，因为每个人都得拿自己的照片试一遍。 **人脸像不像，外人其实没有评判资格**。Nicole 解释，她看一张 AI 版的别人，可能觉得挺像，但本人会立刻指出哪里不对。所以团队现在的评估方法之一，是让大量成员用自己的脸测模型。Hansa 补充，天天见的熟人和陌生路人，判断精度完全是两回事。 这也解释了为什么其他模型总差一口气。身份保持是这类模型能不能用的根基，但技术上出奇地难。Hansa 说，普通人用手机修图 App 或 Photoshop，默认规则是别动我没碰的地方，**生成模型要做到这一点，难度高到和直觉完全不符**。 怎么把「像」变成可度量的东西？Hansa 的回答很直接：人脸一致性恰恰最难量化，脸和美感这类东西很难变成指标，所以**人类评估是他们的基础建设**，有专门团队做评估工具和流程。Nicole 补充了另外两层：不同人轮流肉眼验收模型输出，加上社区测试，从 Google 和 DeepMind 的艺术家到高管都先玩一轮。她的观点是，定量基准只能告诉你「比上一代好 10%」，传达不出「我终于修复了五岁时剪坏的全家福」这种故事，而后一种故事才是产品的说服力。Hansa 拿数学推理做了个对比：数学题有标准答案，可以自动评估；视觉是主观的，必须靠人。 需求侧早就等着了。Nicole 说，广告客户把产品放进生活场景图，产品必须百分之百像，差一点都不能上广告。需求明确，模型有缺口，团队觉得配方对了。真正让他们意外的是成品比预期好那么多。 ## 配方：通用模型、长上下文，加偏执的手艺 被问到怎么做到的，Hansa 给了第一层答案：Nano Banana 建立在 Gemini 之上，是个见过多模态数据的基础模型。**泛化能力是秘密武器**，模型先得对世界有广泛理解，才能把这种理解用在「保持你的脸不变」这件事上。 Nicole 给了第二层：长上下文。输入端，可以给一张照片，也可以给多张；输出端，可以多轮对话迭代。她回顾两年前的老方案，10 张照片、20 分钟微调，注定无法主流化，因为没人存得下那么多自己的照片，也太费劲。 第三层答案听起来最不像技术突破：**数据质量和对细节的偏执，比堆量重要**。Nicole 说，团队里有人对文字渲染极度偏执，他们的文字渲染就一直在变好。Hansa 强调，每个环节都有大量小的设计决策，数据的质量和筛选决定成败。Nicole 给这起了个名字：AI 的「手艺」，行业聊得少，但极其重要。 Hansa 还对比了思路的变化：以前的 Imagen 系列是纯粹的图像生成，Gemini 这代图像模型把泛化当成了地基，很多能力是从「一个能理解视觉信息的基础模型」里自己长出来的。有人画一个几何题喂进去，问这个角是多少度，模型直接渲染出解答。没人专门训练过这个，它是推理、数学理解和视觉理解凑齐之后的自然产物。 团队规模也值得记一笔。核心建模团队不大，但 Nicole 说发布这件事「需要一个村庄」，算上各产品线的协作团队和优化推理基础设施的团队，轻松到几十上百人，他们内部开玩笑说「需要一个小国家」。 还有一个前置的设计决策：这是个对话式编辑器，所以必须快。**如果生成一张图要一两分钟，对话就没法进行下去**。图像模型比视频模型的优势就在这，不用等。所以它从第一天起就是个偏消费者的模型，pro 级的能力，通过一句文本就变得人人可用。 放到模型家族里看，Nicole 说了北极星：**造一个最强模型，任何模态进，任何模态出**。现在还没到，路上的专项模型各管一段，Imagen 管图像，Veo 管视频，Veo 3 把音频带进了视频生成，Genie 3 能让你实时导航一个世界。这些专项模型把单一模态的边界往前推，学到的经验再反哺 Gemini。图像永远领先一步，因为只有一帧，训练和推理都便宜，**图像上出现的能力，预计六到十二个月后会在视频上复现**。 ## 凌晨两点的代号，和「好玩」的战略价值 Nano Banana 这个名字，是个彻底的意外。模型要登上 LMArena 做匿名测试，需要代号，上线时间是凌晨两点，有人问团队另一位 PM 叫什么，她累坏了，随口说了句 Nano Banana。Nicole 特别声明这个功劳轮不到她，起名的是团队另一位 PM，凌晨两点的灵光一现。 结果成了营销教科书案例：好发音，自带 emoji，没人过度思考，大家就顺着用了。后来用户涌入 Gemini App 找不到模型，公开抱怨「Nano Banana 在哪」，团队干脆在 App 里到处放香蕉。Hansa 说她在 Google 内部都遇到同事问「怎么用 Nano Banana」，她的回答是：就是 Gemini，直接要图就行。 玩笑背后有正经逻辑。Nicole 的总结：**好玩是通往有用的入口**。用户进来玩红毯照，做自己的 3D 手办（这个玩法火过一阵：一个电脑，一个玩具盒，再加一个手办版的你），玩着玩着开始用它学习、解题、修图。Hansa 的妈妈先是用它玩图，然后发现可以去掉照片背景里的路人。Hansa 还观察到一个门槛问题：聊天机器人打破了很多人对 AI 的畏惧，但主要对年轻人有效；一个好玩的、不装腔作势的入口，把她父母那辈人也带进来了。 > 相机变得人人可得之后，每个人都能捕捉现实。而现在这批工具是在捕捉人的想象。你在给人们工具，让他们把脑子里的东西视觉化地放到纸面上，这是以前做不到的。 这是 Nicole 对这波图像生成的定位，也是整期节目里最像愿景陈述的一段。 ## 聊天框装不下视觉创作 产品接下来往哪走，Nicole 分了三层。 消费者侧，要跨过 prompt 工程阶段。她透露，很多 Nano Banana 的 prompt 长达一百词，用户真的会去复制粘贴别人的 prompt，因为回报值得。**消费者产品不该要求用户会写 prompt**，这事得产品自己解决。 专业侧，要精确控制、稳定性、可复现。Nicole 说他们「不动不该动的像素」已经做得很好，但没到百分之百，专业人士需要百分之百，可能还需要手势级的、对每个像素的控制。 更远的一层是信息可视化。节目开头有个例子：一个人把大学化学教授父亲的课程喂给 Gemini，生成连贯的视觉笔记，父子几十年第一次能聊父亲的工作。有意思的是，文字渲染恰恰还不是这个模型的强项，这个人是靠一大段反复调教的 prompt 硬绕过去的。Nicole 认为这打开了一个全新领域。**现在这些模型 95% 的输出是文本，但人类消费信息的方式从来是视觉的**。她的论据：过去二十年真正成功的知识平台，可汗学院起家于 YouTube，维基百科满是图片，搜任何数学概念都会得到图示。学习内容天然应该是图、是图示、是短视频，这应该成为模型的默认输出，而非需要专门索要的东西。 界面也要跟着变。聊天框是低门槛入口，不用学新 UI，但对视觉模态已经开始显得局促。Nicole 抛出的问题是：未来的视觉创作画布长什么样，怎么设计才不会让人一打开就不知所措。她提到 Google 内部由 Josh Woodward 领导的 Labs 团队在做的这类实验，产品有 NotebookLM 和视频侧的 Flow，她期待 Flow 成为那种创作场所。 交互上还有一条光谱。一端是全放手：Nicole 做咨询顾问出身，她举了自己的例子，给干系人汇报项目进展，你其实不想亲自排版，你想要的是把会议纪要、几个要点、旧 deck 丢进去，模型自己去把整套 deck 做好、配好图，这是 agent 该干的活。另一端是创作场景：设计自己的房子，你要亲自下场，玩材质、换颜色、拆墙看看效果。**好的产品要同时服务光谱的两端**。她的类比很准：就像今天雇一个设计师，你给需求文档，对方凭专业度把活干漂亮。模型应该能做到这一点，现在很多领域还做不到。 ## 创业者的空白，和一到三年的预言 Pat 问下一个竞争战场在哪。Nicole 给了两个答案：一是模型能力本身，任意模态进任意模态出，还没人真正做出来；二是用户界面，别再死守聊天框，想清楚用户是谁、要干什么、围绕它造什么产品。 被问到五年十年后前沿会不会还这么快，Nicole 笑了：五年十年后的感觉像二十年。**两年前你问我，我说这个领域很快；今天你问我，我说比两年前还快**。 创业机会，两人给了具体方向： - 创意工作流整合。现在的创作者要在四个工具之间跳：用 LLM 构思，用图像模型磨关键帧，用视频模型生成，再用传统软件做声音、音乐和剪辑。跨模态的工作流工具会大量出现。 - 垂直行业的工作流工具。咨询师的 slide deck 和 pitch deck、销售流程、金融流程，大量任务可以自动化。Google 专注底层技术，应用层是创业公司的位置。 - 未来 UI 的探索。精细控制和全自动化之间的产品形态，还是空白。 安全这块也聊了。所有输出带可见水印，标注由 Gemini 生成；同时每个图像、视频、音频输出都嵌入 SynthID，不可见的数字水印，这是 Google 的标准，Imagen 和 Veo 全线都有。模型能力每上一个台阶，团队就和外部伙伴一起找新的攻击向量，加新的缓解措施。Hansa 承认这个平衡很难：永远有人善意使用，也永远有人恶意使用，SynthID 是他们敢于放开这些能力的前提。 Pat 本想问五年十年，被拒了，改成一到三年，两个问题：届时能做到今天只能梦想的事是什么，生活会被怎么改变。 Nicole 的答案是个性化教育。她说，两个人的学习风格和起点不同，凭什么用同一本教科书，但现在的教育就是这样。她希望一两年内能看到真正的个性化导师、个性化教科书：你喜欢篮球，就用篮球类比给你讲物理。前提是解决幻觉问题，锚定真实世界的内容，教育对事实性的要求极高。Pat 追问这会不会是 Google 的产品，Nicole 回了句「有人应该去研究一下」。 Hansa 的答案是个人产能。她自己就在变：用模型做婚礼的 save the dates，用代码助手，用模型筛数据。**她今年能完成的工作量，是两年前的十倍**。但这只发生在科技行业，其他行业的工作流整合还没发生。她有咨询行业的朋友，花两个小时做 slide，时间全花在挪 logo 上。她期待一两年内这些人把时间还给内容本身。 主持人 Stephanie Zhan 补了一个家庭样本：三岁的儿子拿狗绳当战士披风，她拍下来做成超级英雄图，孩子觉得自己有了超能力；丈夫用 Google 的 Storybook 功能，把幼儿园发生的事编成有全家角色（包括狗）的绘本讲给儿子听。Nicole 说，这种只讲给一两个人听的故事，以前根本没人会去做。 Hansa 在节目结尾说了她最感慨的一点：她的姑姑叔叔、父母的朋友都在用这个模型。聊天机器人他们早就在用，问健康问题、查信息，但真正让他们兴奋起来的是视觉媒介。**视觉占人类体验生活的比重太大，它带来的情绪冲击是别的模态给不了的**。 ## 明天就能做的四件事 普通用户：把 Gemini 的图像生成当学习工具用一次。挑一个你一直没搞懂的概念，让它用图示或视觉笔记讲给你，别只要文字总结。那位化学家的儿子已经验证过这条路。 爱修图的人：评估任何图像模型，别看跑分，传一张自己的照片，看它像不像你。这是这个团队自己用的方法，也是目前唯一可靠的方法。 重度用户：既然 prompt 工程阶段还没过去，把用过的长 prompt 存进自己的备忘录，建一个私人 prompt 库，比每次重新写省时间。 做产品和创业的人：记录一下你或你的用户每周在几个 AI 工具之间来回搬运内容的次数。每一次搬运，都是一个产品机会。创意四件套只是最先暴露的那个，咨询、销售、金融的搬运还没人收拾。