گوگل نسخه جدید مدل تولید و ویرایش تصویر خود، Nano Banana 2.1 را منتشر کرد. این مدل که بر پایه Gemini 3.6 Flash توسعه یافته، کیفیت تصویر، دقت در اجرای دستورها، رندر متن و مهم‌تر از همه، ثبات سوژه در ویرایش‌های پیاپی را بهبود می‌دهد. نسخه جدید از تولید تصویر در وضوح‌های 1K، 2K و 4K پشتیبانی می‌کند و امکان استفاده همزمان از حداکثر ۱۴ تصویر مرجع را در اختیار کاربر قرار می‌دهد.
Nano Banana ۲.۱ از ۶ اکتبر به‌تدریج در محصولات مختلف گوگل از جمله اپلیکیشن Gemini، حالت AI در جست‌وجوی گوگل، Google AI Studio، سرویس Gemini API، ابزار Flow، پلتفرم Stitch، Google Ads و Gemini Enterprise ارائه شده است.
ثبات بیشتر در ویرایش‌های چندمرحله‌ای
یکی از تغییرات مهم Nano Banana ۲.۱ به ثبات شخصیت‌ها و اشیا مربوط می‌شود. مدل می‌تواند تا ۱۴ تصویر مرجع را در یک فرایند ترکیب کند و در فرایندهای ویرایشی، ویژگی‌های حداکثر چهار شخصیت و ۱۰ شیء را حفظ کند.
این قابلیت برای پروژه‌هایی که یک شخصیت، محصول یا عنصر گرافیکی باید در چند تصویر و موقعیت مختلف ظاهر شود اهمیت زیادی دارد. هدف این است که با تغییر پس‌زمینه، لباس، ترکیب‌بندی یا سایر بخش‌های تصویر، ویژگی‌های اصلی سوژه کمتر دچار تغییر شود. نتایج منتشرشده توسط گوگل نیز نشان می‌دهد نسخه ۲.۱ در آزمون‌های مربوط به ثبات شخصیت، ویرایش چندمرجعی و حفظ محصولات نسبت به Nano Banana ۲ عملکرد بهتری داشته است.
گوگل همچنین عملکرد مدل را در ویرایش مبتنی بر ماسک بهبود داده است؛ روشی که در آن تنها بخش مشخصی از تصویر تغییر می‌کند و سایر قسمت‌ها تا حد امکان دست‌نخورده باقی می‌مانند.
پشتیبانی از 4K و کادرهای بسیار عریض
Nano Banana 2.1 می‌تواند تصاویر را در سه سطح 1K، 2K و 4K تولید کند. وضوح 4K در نسل قبلی نیز وجود داشت، اما گوگل در نسخه جدید کیفیت بصری و واقع‌گرایی را بهبود داده است.
یکی از تغییرات فنی قابل توجه، بهبود تولید تصاویر عریض و پانوراما است. در وضوح‌های 2K و 4K، مدل از نسبت‌های بسیار کشیده مانند ۱:۴، ۴:۱، ۱:۸ و ۸:۱ پشتیبانی می‌کند و مشکلات مربوط به ایجاد الگوهای تکرارشونده یا به‌اصطلاح tiling artifacts در این کادرها برطرف شده است.
این موضوع برای تولید بنرهای عریض، تصاویر محیطی و ترکیب‌های پانوراما کاربرد ویژه‌ای دارد.
متن و اینفوگرافیک دقیق‌تر
گوگل همچنین رندر متن را در Nano Banana ۲.۱ بهبود داده است. دقت مدل در چیدمان عناصر اینفوگرافیک نیز افزایش یافته و در ارزیابی داخلی گوگل، نسخه جدید نسبت به Nano Banana ۲ عملکرد بهتری در طراحی و صحت اطلاعات اینفوگرافیک داشته است.
البته این نتایج، ارزیابی‌های خود گوگل هستند و لزوماً به معنای عملکرد یکسان مدل در تمام زبان‌ها، فونت‌ها و کاربردهای گرافیکی نیستند.
جست‌وجوی گوگل وارد فرایند تصویرسازی می‌شود
یکی دیگر از قابلیت‌های Nano Banana ۲.۱ امکان استفاده از Google Web Search و Google Image Search برای بررسی اطلاعات پیش از تولید تصویر است. این قابلیت به مدل اجازه می‌دهد برای دستورهایی که به اطلاعات دنیای واقعی وابسته‌اند، از نتایج جست‌وجو برای افزایش دقت استفاده کند.
مدل همچنین سه سطح برای فرایند «Thinking» دارد: حداقل، متوسط و بالا. حالت متوسط به‌صورت پیش‌فرض فعال است و مدل می‌تواند پیش از تولید خروجی نهایی، مسئله را بیشتر تحلیل کند.
هزینه تولید تصویر نصف شده است
یکی از مهم‌ترین تغییرات Nano Banana ۲.۱ برای توسعه‌دهندگان، کاهش قیمت خروجی تصویر است. گوگل هزینه توکن‌های خروجی تصویر را از ۶۰ دلار به ۳۰ دلار برای هر یک میلیون توکن کاهش داده است.
بر اساس تعرفه اعلام‌شده، هزینه تقریبی تولید یک تصویر در API به این شکل است:
| وضوح | هزینه هر تصویر |
|---|---|
| 1K | ۰٫۰۳۳۶ دلار |
| 2K | ۰٫۰۵۰۴ دلار |
| 4K | ۰٫۰۷۵۶ دلار |
در پردازش‌های Batch، این هزینه‌ها یک بار دیگر نصف می‌شوند؛ بنابراین تولید یک تصویر 1K در این حالت حدود ۰٫۰۱۶۸ دلار هزینه خواهد داشت.
این کاهش قیمت در کنار حفظ سرعت پردازش خانواده Flash، Nano Banana ۲.۱ را به گزینه‌ای اقتصادی‌تر برای سرویس‌هایی تبدیل می‌کند که حجم بالایی از تصاویر تولید یا ویرایش می‌کنند.
Nano Banana ۲ کنار گذاشته می‌شود
گوگل همچنین مدل قبلی، Nano Banana ۲ با شناسه gemini-3.1-flash-image را در API منسوخ اعلام کرده و قرار است این مدل در ۲۹ اکتبر ۲۰۲۶ متوقف شود. گوگل Nano Banana ۲.۱ را به‌عنوان مسیر جایگزین این مدل معرفی کرده است.
Nano Banana ۲.۱ در حال حاضر به‌عنوان مدل تصویری کارآمدتر در خانواده Gemini، در کنار مدل حرفه‌ای‌تر Nano Banana Pro قرار می‌گیرد؛ با این تفاوت که تمرکز آن بیشتر بر سرعت، هزینه و استفاده گسترده در تولید و ویرایش تصویر است.