Deepmind负责Nano Banana的模型研究员最近在播客里拆解了Gemini 2.5 Flash的技术内核，这个号称「原生图像生成」的模型确实有些反常识的设计。

最核心的变化在于，它把图像生成、理解和编辑打包塞进了同一个多模态上下文。简单说就是模型在连续出图时，每一步都能「看见」自己之前生成的图像和文本——就像画家会不断审视画布调整笔触，而不是闭着眼睛连画十张风格各异的草图。这种设计让「保持一致性」从后期修图需求变成了底层能力。

团队把图像理解与生成比作「姐妹」，这个比喻意外地准确。传统做法像让两个陌生人背对背传话，而他们通过统一训练目标，硬是把这对姐妹培养出了心电感应——理解能力提升会带动生成质量，生成数据反哺又能优化理解精度。

有意思的是对「文本渲染」的执着。现在多数团队还在用人类标注数据当裁判，但Deepmind显然受够了这种又贵又慢还带主观色彩的评估方式。他们试图让模型自己建立审美标准，这招要是真能跑通，说不定能终结「甲方审美」的世纪难题。

至于未来方向，研究员提到两个关键词：「聪明感」和「靠谱」。前者要求模型能自动补全用户潦草的指令（比如把「画只猫」脑补成「布偶猫在窗台晒太阳」），后者则要解决AI绘图祖传的「六根手指」这类硬伤。

播客链接在最后，建议开二倍速——这些搞模型的人说起话来，语速总比他们的迭代速度慢三拍。


完整内容：https://www.youtube.com/watch?v=H6ZXujE1qBA