不怠

凡所有相皆是虚妄，若见诸相非相，即见如来。

[不怠 @vrainerd]

Nano Banana 2 Lite + Omni Flash：图片四秒，再让它动起来

2026 年 6 月 30 日，谷歌又发布了两个面向开发者的模型，一个更便宜的生图模型，一个视频模型。

Nano Banana 2 Lite 是谷歌目前最快、最便宜的图像模型：文生图大约 4 秒出图，1K 分辨率每张约 0.034 美元。它取代了最初的 Nano Banana，并且会进入 Gemini 应用、Google 相册、Google 广告等消费级产品。

Gemini Omni Flash 负责视频：用文字生成和编辑最长 10 秒的视频片段，价格约每秒 0.1 美元。它支持用自然语言做对话式编辑，比如替换角色、重新布光、调整机位。

谷歌官方推荐的工作流是：先用 Nano Banana 2 Lite 生成一张满意的图，再用 Omni Flash 让它动起来。

两个模型都默认带有 C2PA 内容凭证和 SynthID 水印。

这件事值得关注的不是某个参数，而是两个趋势：

生图的价格正在快速下探。 几美分一张、几秒一张，意味着 AI 生图从"偶尔用一下"变成"可以嵌入每一个产品流程"。
图片和视频正在打通。 先定画面、再加运动，是比直接文生视频更可控的方式，因为第一帧已经是你确认过的。

对内容创作者来说，"一张图 → 一段短视频"的流水线，成本已经低到可以每天批量做了。

[不怠 @vrainerd]

Nano Banana 2：Pro 的能力，Flash 的速度

2026 年 2 月，谷歌推出 Nano Banana 2，正式名字是 Gemini 3.1 Flash Image。官方定位很明确：Nano Banana Pro 的高效版，给追求速度和大批量调用的开发者用。

它把很多原本 Pro 独有的能力下放了：

世界知识和搜索：可以调用 Gemini 的知识库和网页搜索结果来辅助生成；

图像搜索接地（Image Search Grounding）：同时参考文字搜索和图片搜索的结果，用实时网络数据来指导画面；
文字渲染和翻译：做营销样图、贺卡时能写出准确清晰的文字，也能翻译图里的文字；
更多分辨率和极端比例：除了默认的 1K，还有 0.5K、2K、4K；画幅比例新增了 1:4、4:1、1:8、8:1。

8:1 这种极端比例很实用：网站横幅、长条广告、手机长图，不用再先生成再裁剪。

谷歌的 Vertex AI 文档显示，Nano Banana 2 在 2026 年 5 月 28 日正式商用（GA），GA 版本还加入了"视频转图片"的输入能力。

如果说 Nano Banana Pro 是"专业相机"，Nano Banana 2 就是"旗舰手机"：大部分时候够用，而且快得多、便宜得多。对需要每天生成成百上千张图的电商、广告公司来说，这才是真正能大规模落地的版本。

[不怠 @vrainerd]

Nano Banana Pro：把 Gemini 的脑子装进画笔

2025 年 11 月 20 日，谷歌 DeepMind 发布 Nano Banana Pro，正式名字叫 Gemini 3 Pro Image。它是 2025 年 8 月走红的 Nano Banana 的专业版，底层建立在 Gemini 3 Pro 大模型之上。

它的几个能力，在当时几乎重新定义了"AI 画图能做什么"：

1. 用推理和实时信息做信息图。 你可以让它"根据今天的天气数据，做一张本周天气信息图"，它会调用 Gemini 的推理能力和搜索结果，把真实信息画进图里。

2. 多语言文字渲染。 图里的文字清晰可读，还能把图里的文字翻译成另一种语言。

3. 最多 14 张参考图，最多保持 5 个人物一致。 这对做系列海报、漫画分镜、电商多场景图非常关键。

4. 2K 和 4K 输出。 初代 Nano Banana 最高只有 1024×1024。

5. 专业摄影参数控制。 可以调整机位角度、光线、景深、焦点和调色。

另外，谷歌所有 AI 生成的图片都带有肉眼看不见的 SynthID 水印，可以把图片上传到 Gemini 应用里检测是不是谷歌 AI 生成的。免费和普通付费用户的图片还会带一个可见的 Gemini 标志。

Nano Banana Pro 的意义在于，它证明了一件事：最强的生图模型，不一定是"最会画画"的模型，而是"最懂世界"的模型。

[不怠 @vrainerd]

GPT Image 2.5：一快一慢两个版本

gpt-image-2 发布不到五个月，OpenAI 又在 2026 年 9 月 8 日推出了 ChatGPT Images 2.5。

这次的思路很有意思：API 拆成了两个模型。

GPT-Image-2.5 Flare：通用版，主打速度，适合大批量、日常的生图需求；
GPT-Image-2.5 Sunburst：慢一点但更精确，适合细节要求高的专业工作流。
一快一慢、按需选择，这个思路和大语言模型分"快速模式"和"深度思考模式"如出一辙。

ChatGPT 里也加了几个面向普通用户的新工具：

Sketch（草图）：直接手绘一个草图当视觉参考，告诉模型"大概长这样"；
模板：常见格式（海报、封面、社交媒体图）一键套用；
图内评论：在图片的某个位置直接点一下、写一句修改意见，只改那一处；
提示词分享：把好用的提示词分享给别人。
OpenAI 称新版本比 Images 2.0 延迟最多降低 50%。不过这是官方说法，有评论文章提醒，在没有独立测速之前，这个数字只能当方向参考。

榜单方面，在 Arena 官方的文生图排行榜上，GPT-Image-2.5 Sunburst 在最近一次快照中排名第一。不过不同榜单、不同时间点的排名差别很大，后面我们专门讲怎么看榜。

[不怠 @vrainerd]

gpt-image-2：OpenAI 重写的生图模型

2026 年 4 月 21 日，OpenAI 在 API 和 Codex 上线 gpt-image-2，第二天以 ChatGPT Images 2.0 的名字推送给所有 ChatGPT 用户。官方称它是 OpenAI 迄今最强的图像模型，发布后几个小时就登上了 Image Arena 排行榜榜首。

根据官方公告和多家媒体报道，几个关键升级：

1. 思考模式。 生成前先规划构图、核对物体数量和约束。ChatGPT 里思考模式只对 Plus、Pro、Business 等付费用户开放；API 里则可以设置低、中、高三档思考强度。

2. 文字渲染。 这是报道里被提到最多的进步。中文、日文、韩文、印地文等非拉丁文字的密集排版准确率明显提升，做海报、做菜单、做多语言广告图终于可用。

3. 分辨率和比例。 最高 2K 输出，支持更多画幅比例，从横幅到竖屏都能直接出图。

4. 结构化内容。 图表、示意图、海报这类"有信息量"的图片，版式和内容准确性明显改善。

5. 编辑和指令遵循。 局部修改更精准，改一处不会把其他地方也改乱。

OpenAI 的研究负责人表示，这个模型的架构是"从头重写"的，但没有透露它到底是扩散模型还是自回归模型。

需要说明的是，网上流传的"文字准确率 99%"之类的数字，来自第三方博客，并不是 OpenAI 的官方数据。具体效果，还是要用自己的场景测一测。

[不怠 @vrainerd]

2026 年生图模型最大的变化：先想，再画

如果只用一句话总结 2026 年的生图模型，那就是：画图模型学会了"思考"。

过去的生图模型拿到提示词就开始去噪，提示词里写了"桌上有 5 个苹果"，画出来常常是 4 个或 7 个。因为它只是在"凭感觉"往那个方向画，没有一个检查的环节。

2026 年 4 月 21 日，OpenAI 发布 gpt-image-2，在 ChatGPT 里叫 Images 2.0。它最大的卖点是"思考模式"：动笔之前，模型先规划构图、核对物体数量、逐条检查提示词里的约束条件，有的报道说它在思考时还能联网搜索，核对事实和参考资料。

谷歌走的是同一条路。2025 年 11 月的 Nano Banana Pro 建立在 Gemini 3 Pro 之上，直接借用大模型的推理能力和世界知识来做信息图；字节的 Seedream 5.0 Lite 也把"深度思考"和"联网搜索"写进了官方介绍；腾讯 HunyuanImage 3.0 的 Instruct 版本，也加入了推理能力来改写提示词、做智能编辑。

这背后的逻辑很简单：画一张漂亮的图，靠的是审美；画一张"对"的图——数字准确、文字无误、布局合理、符合事实——靠的是推理。当生图模型被大量用于做海报、做信息图、做产品图，"对"变得比"美"更重要。

对使用者来说，这意味着提示词的写法也在变：不用再堆砌"高清、大师作品、8K"这些咒语，而是像给设计师写需求一样，把内容、结构和约束讲清楚。

[不怠 @vrainerd]

生图模型 + 推理模型：AI 下一步会怎么走？

生图模型和推理模型，看起来是两条完全不同的技术路线：一个负责"画"，一个负责"想"。

但最近的发展趋势是，这两条线正在汇合。

第一，画图之前先想。
新一代的多模态模型，在生成图片之前，可以先用语言推理一遍：这张信息图要放哪些数据？版面怎么分区？人物之间的空间关系是什么？先把逻辑理清，再动笔画。复杂指令的遵循能力、图里文字和数字的准确性，都因此提升。

第二，用视觉来推理。
推理也不再只发生在文字里。模型可以看图、看图表、看几何题的示意图，在推理过程中放大局部、对比细节，像人一样"边看边想"。拍一道带图的物理题、一张复杂的电路图、一份扫描的报表，它都能一步步分析。

第三，从生成走向编辑和迭代。
推理能力让模型能理解"把左边第二个人的外套换成红色，其他都别动"这种精确的修改要求，并在多轮对话里记住前面的上下文。画图正在从"抽卡"变成"沟通"。

第四，视频和三维是下一个战场。
视频本质上是一连串要保持一致的图片，需要理解物理规律和时间顺序。扩散模型负责画面，推理能力负责逻辑和连贯，两者的结合会决定视频生成能走多远。

对内容创作者和普通用户来说，最实际的变化是：你越来越不需要学复杂的提示词技巧，而是需要把自己想要什么讲清楚。

工具越聪明，"想清楚自己要什么"的能力就越值钱。

[不怠 @vrainerd]

推理模型的"思考过程"，能全信吗？

很多推理模型会把思考过程展示出来，一大段一大段，看起来特别有说服力。但这里有一个容易被忽略的问题：你看到的思考过程，未必就是模型真正得出答案的方式。

研究者把这叫做思维链的"忠实性"问题。已有不少研究发现：

在问题里悄悄塞一个暗示（比如"我觉得答案是 B"），模型的答案会被影响，但它的思考过程里，常常不会承认自己用了这个暗示；
有时思考过程推出了一个结论，最终答案却给了另一个；
思考过程可能是一段事后"合理化"的解释，而不是真实的计算路径。

这对使用者意味着几件事：

第一，思考过程是很好的参考，但不是证据。它能帮你理解模型的思路、发现它在哪个前提上理解错了，但不能因为"推理过程看起来很严谨"就默认答案是对的。

第二，关键结论要独立验证。数学结果代回去算一遍，代码跑一跑测试，事实性内容查一查来源。

第三，推理模型同样会幻觉，而且因为想得多、写得长，错误可能藏得更深，包装得更像真的。

另外，有些产品展示的并不是原始思考内容，而是经过总结的摘要，这一点也要心里有数。

对 AI 安全研究来说，能不能读懂模型的"真实想法"，是一个非常重要的课题。对普通用户来说，记住一句话就够了：看它的思路，验它的结果。

[不怠 @vrainerd]

什么时候该用推理模型，什么时候不该用？

推理模型很强，但不是万能的，用错了地方，只会更慢、更贵，效果还可能更差。

适合用推理模型的任务：
数学、物理、竞赛题这类需要多步推导的问题；
复杂的编程任务：调试一个找了半天找不到的 bug、设计系统架构、读懂一大段陌生代码；
需要权衡多个条件的规划：排课、排班、制定一个有很多约束的项目计划；
分析类工作：对比几份合同的差异、找出一份财务数据里的异常、审查一个方案的漏洞；
你自己都要想很久的问题。

不太需要推理模型的任务：
简单问答、查一个事实、翻译一段话；
写一封普通邮件、润色文案、起标题；
需要快速来回聊天的场景。

这些任务用普通模型就够了，响应更快，成本更低。有研究和用户反馈都指出过一种"想太多"现象：推理模型面对简单问题，也可能绕一大圈，甚至把本来对的答案改错。

现在很多产品已经把两者融合：同一个模型，可以选择"快速回答"或"深度思考"，有的还能设置思考的长度或预算。一个实用的习惯是：先用快速模式，发现答不好，再切到深度思考。

判断标准其实很简单：如果这个问题，你自己需要拿纸笔算一算、想一想，那就交给推理模型；如果你自己张口就能答，那它也不需要想。

[不怠 @vrainerd]

推理模型怎么用？提示词的写法要反过来

很多人用推理模型，还沿用以前的提示词习惯，结果效果并不好。其实推理模型的用法，有几处要反过来。

1. 不用再教它"一步一步想"

给普通模型写"请分步骤推理"很有用，但推理模型本来就会想。你再规定它每一步怎么想，反而可能干扰它自己的思路。把精力花在把问题说清楚上。

2. 给目标和约束，而不是给过程

告诉它：你要达成什么、有哪些限制条件、什么样的答案算好、最终用什么格式交付。比如："设计一个数据库表结构，要支持 X 和 Y，每天写入约一百万条，查询以 Z 为主，给出表结构和索引，并说明取舍。"

3. 背景信息给足

推理模型擅长在复杂信息里找关系。相关的代码、数据、文档、已经试过但失败的方案，都可以一起给它。信息越完整，它推得越准。

4. 少用花哨的角色扮演

"你是一位世界顶级专家"这类开场白，对推理模型的帮助通常不大。清晰的任务描述比身份设定重要。

5. 让它说明假设和不确定的地方

加一句"列出你做的假设，以及你最不确定的部分"。推理模型想得深，也可能在某个前提上一开始就理解错了，让它把假设摆出来，你能更快发现问题。

一句话总结：对普通模型，你要当老师；对推理模型，你要当一个把需求讲清楚的甲方。

[不怠 @vrainerd]

从"一步一步想"到强化学习：推理能力是怎么练出来的

推理模型的故事，要从一句提示词说起。

2022 年，谷歌的研究者发表了"思维链"（Chain-of-Thought）论文：在给模型的例子里写出推理步骤，模型就会模仿着一步步推，数学题正确率大幅提升。同年另一篇论文发现，甚至只要加一句"让我们一步一步地想"，效果就很明显。

但这还只是"提示"出来的推理。真正的推理模型，是用强化学习"训练"出来的。

思路大致是这样：给模型大量有标准答案的问题——数学题、编程题、逻辑题。模型自己生成思考过程和答案，答对了给奖励，答错了不给。这种奖励不需要人去打分，程序就能自动判断对错，所以叫"可验证奖励"。

在一轮轮训练里，模型会自己摸索出有用的思考习惯：把问题拆小、验证中间结果、发现矛盾时回头重来。没有人手把手教它这些，是"答对才有奖励"这个规则逼出来的。

2025 年 1 月，DeepSeek 发布 R1，并公开了详细的技术报告。其中的 R1-Zero 实验，几乎只用强化学习，就让模型学会了长链推理。报告里还记录了一个有趣的现象：模型在训练中途突然开始在思考里写出类似"等等，我再检查一下"的话，研究者称之为"顿悟时刻"。他们使用的强化学习算法 GRPO，也因为省去了单独的价值模型、训练成本更低，被很多团队借鉴。

这件事的意义在于：推理能力不再是少数公司的秘密，它有了一套可以复现的方法。

[不怠 @vrainerd]

推理模型和普通大模型，到底差在哪？

最近两年，你可能经常听到"推理模型"这个词。它和普通的聊天模型有什么不同？

普通大模型拿到问题，基本是"脱口而出"：一个 token 接一个 token 地往下写，写到哪算哪。简单问题没问题，可一遇到需要多步推导的数学题、逻辑题、复杂代码，就容易在中途走错一步，后面全错。

推理模型的做法是：先想，再答。在给出最终答案之前，它会先生成一段很长的"思考过程"——拆解问题、尝试一种思路、发现不对、回头检查、换一种方法——最后才输出结论。

这个转折点通常被认为是 2024 年 9 月 OpenAI 发布的 o1。它展示了一个关键现象：让模型在回答时多"想"一会儿，也就是在推理阶段投入更多计算，数学和编程能力会显著提升。业内把这叫"测试时计算"（test-time compute）的扩展。

过去几年，提升模型能力的主要办法是"训练时堆算力"：更多数据、更大模型。推理模型打开了第二条路：在回答问题的时候堆算力。

当然，代价也很明显：更慢、更贵。一道题可能要想几十秒甚至几分钟，消耗的 token 是普通回答的很多倍。所以推理模型不是越用越好，而是要用在真正需要"想"的地方。

[不怠 @vrainerd]

生图的精细控制：ControlNet、LoRA 和局部重绘

只靠提示词画图，就像只用语言指挥一个画师：大方向能说清，细节总是差点意思。专业用户会用几种工具，把控制权拿回来。

ControlNet（结构控制）：2023 年提出的一种方法，允许你额外给模型一张"结构图"——比如人体骨架、线稿、深度图、边缘图——模型会在保持这个结构的前提下生成画面。想让人物摆一个指定的姿势、想把草图变成成品，用它最合适。

LoRA（低秩微调）：一种轻量的微调方法，只训练很少一部分参数，就能让模型学会一个特定的人物、画风或产品。文件通常只有几十到几百 MB，可以像插件一样叠加使用。品牌想要固定的视觉风格，电商想让产品在不同场景里保持一致，都靠它。

局部重绘（Inpainting）和扩图（Outpainting）：选中图片的一块区域，只重画这一块，其余保持不变；或者把画面往外延伸。改一只手、换一件衣服、把竖图扩成横图，都不用重新生成整张图。

图生图：给一张参考图，控制"变化强度"，在保留构图的基础上换风格、换细节。

一个实用的工作流是：先用提示词找到满意的构图 → 用 ControlNet 固定结构 → 用 LoRA 统一风格 → 用局部重绘修细节。

需要提醒的是：用 LoRA 训练真实人物的脸、模仿在世艺术家的画风，涉及肖像权和版权争议，商用前一定要想清楚。

[不怠 @vrainerd]

为什么新一代模型突然会"写字"了？

用过早期 AI 画图的人都知道，让它在图里写字基本是灾难：招牌上是一堆鬼画符，海报标题全是乱码。

原因不难理解。对扩散模型来说，文字只是一种"纹理"，它能学会"这里应该有一些像字的笔画"，但不理解每个字母、每个汉字的准确结构。早期的文字编码器还会把单词切成碎片，模型连拼写都"看"不清。

新一代模型在几个方向同时改进：

用更强的语言模型做文字编码器，对拼写和字符的理解更精确；

训练数据里专门加入大量带文字的图片，并用更准确的描述来标注；

更大的 Transformer 主干，能处理字形这种需要全局一致性的细节。

还有一条更激进的路线：干脆让一个多模态大模型直接生成图像，把图片也当成一种 token 来"写"。语言能力和画图能力在同一个模型里，渲染文字、遵循复杂指令的能力都明显变强。2025 年起，好几家公司推出的"原生"图像生成，走的就是这个方向。

对使用者来说，最实际的变化是：做海报、做信息图、做带标题的封面，终于可以交给 AI 了。不过中文长句和小字号，依然是容易出错的地方，发布前要逐字检查。

[不怠 @vrainerd]

从 U-Net 到 Transformer：生图模型的架构换代

如果你关注生图模型的技术报告，会发现一个明显的趋势：去噪网络的主干，正在从 U-Net 换成 Transformer。

U-Net 是一种卷积网络，形状像字母 U：先一层层压缩图像、提取特征，再一层层放大还原。它擅长处理局部细节，是早期扩散模型的标配。

2022 年底，一篇叫 DiT（Diffusion Transformer）的论文提出：把图像切成一个个小方块，像处理文字 token 一样交给 Transformer 去噪。实验发现，模型越大、算力越多，生成质量提升得越稳定——也就是大语言模型那套"规模定律"，在生图上也成立。

这件事的意义在于：生图模型可以和语言模型共享同一套架构、同一套训练基础设施，规模可以一路往上堆。之后很多知名的图像和视频生成模型，都采用了 Transformer 作为主干。

与此同时，训练目标也在演进。"流匹配"（Flow Matching）一类方法，让模型学习从噪声到图像的一条更"直"的路径，采样步数可以更少、速度更快。

架构换代听起来很技术，但它直接决定了你能用到的模型：画面更复杂、文字渲染更准、生成更快。

[不怠 @vrainerd]

模型是怎么"听懂"你的提示词的？

扩散模型会去噪，但它怎么知道要往"橘猫"而不是"柴犬"的方向去噪？答案是：文字编码器 + 引导。

第一步，把你的提示词交给一个文字编码器，变成一串向量。早期常用的是 CLIP——它在几亿对"图片—文字"上训练过，知道"橘猫"这个词和橘猫的图片在语义上是靠近的。后来很多模型改用更大的语言模型做编码器，对长句子、复杂关系的理解好了很多。

第二步，去噪网络在每一步都会"参考"这串向量，通过一种叫交叉注意力的机制，让图像的每个区域都去对照文字。

第三步，是一个很关键的技巧：无分类器引导（CFG）。模型每一步其实算两次：一次带着提示词，一次不带。然后把两者的差距放大，推着图像更靠近你的描述。很多工具里的"提示词相关性"或"CFG 值"，调的就是这个放大倍数。

调得太低，图片和描述对不上；调得太高，画面会过饱和、发硬、失真。大多数时候，用默认值附近就好。

懂了这一点，你就明白为什么"把主体写在最前面、描述具体一点"有用：你给编码器的信号越清楚，引导的方向就越准。

[不怠 @vrainerd]

为什么 Stable Diffusion 能在普通显卡上跑？

早期的扩散模型有个大问题：太慢、太贵。它直接在像素上做去噪，一张 512×512 的图有 26 万多个像素点，每一步都要算一遍，普通电脑根本扛不住。

2022 年，一篇叫"潜在扩散模型"（Latent Diffusion）的论文换了个思路：别在像素上算了，先把图片压缩到一个小得多的"潜在空间"里。

具体分三步：

1. 用一个编码器，把图片压缩成一个小尺寸的特征图，信息量少了几十倍，但关键的结构和语义都保留着；

2. 在这个小空间里做去噪，计算量大幅下降；

3. 最后用解码器把结果"解压"回高清图片。

基于这个方法的 Stable Diffusion 在 2022 年开源，第一次让普通人在自己的游戏显卡上就能生成图片。之后围绕它出现了海量的社区模型、插件和教程，AI 绘画的门槛一下子被拉到了地上。

今天你用到的很多生图工具，底层依然是"压缩—去噪—解压"这个框架。它的意义，有点像当年把大型机变成个人电脑。

[不怠 @vrainerd]

AI 画图，其实是在"去噪"。你在 AI 画图工具里输入一句话，几秒后出来一张图。很多人以为它是在"拼贴"网上的图片，其实完全不是。
今天主流的生图模型，大多基于一种叫"扩散模型"的方法。它的训练过程是这样的：拿一张清晰的图，一点一点往上加噪点，直到变成一片纯雪花；然后训练一个神经网络，学会反过来，从雪花里一步步把噪点去掉，还原出图像。

学会之后，生成就简单了：随机给它一片雪花，告诉它"一只在窗台上晒太阳的橘猫"，它就按这句话的方向，一步步去噪，最后"雕"出一张从来不存在的图。

所以 AI 画图更像雕塑，而不是拼图。每一张都是从噪声里重新算出来的，这也是为什么同一句提示词，每次生成的结果都不一样——起点的那片雪花不同。

这条路线的奠基论文是 2020 年的 DDPM（去噪扩散概率模型）。短短几年，它就从实验室走进了每个人的手机。

[不怠 @vrainerd]

回头看，你会发现：AI 最好用的地方，往往不是那些惊天动地的大事。
而是帮你写好一封邮件、看懂一份说明书、给孩子讲一个故事、陪你练一次面试。
它正在一点一点渗进生活的每个角落。
别等到 AI 完美了才开始用，用着用着，你就知道它最适合帮你做什么了。
今天就挑一条，试试看。