Full text · 原文
2,434 字
Jay 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
虽然Coding还是一坨，但谷歌搞「多模态」确实有两把刷子。<br>
Gemini Omni Flash正式开放API，视频版Nano Banana。<br>
麻瓜爆改「哈利波特」不再是梦想。且看官方用Gemini Omni表演的这四个数字魔术：<br>
太离谱了，这一致性和文字清晰度，还要啥绿幕和特效，直接现场直播奇异博士。<br>
与此同时，大家心心念念的「香蕉」，也迎来了「光速版」。<br>
Nano Banana 2 Lite：迄今为止最快、最经济高效的Gemini图像模型。<br>
毫不夸张——4秒出一张图，1K分辨率图像仅需约2毛多。<br>
和Nano Banana 2放在一起对比，这个速度，简直起飞了。<br>
更别说一次生图能干3分钟的GPT Image 2……<br>
怪不得半天没憋出来Gemini 3.5 Pro，敢情时间全花在心心念念的多模态上了是吧，哈萨比斯！！<br>
Gemini Omni Flash<br>
Google I/O 2026大会上首次亮相的Gemini Omni Flash，把Gemini的多模态推理能力与视频生成、编辑深度结合，当时就引发了不少关注。<br>
如今，这个模型已通过Gemini API和Google AI Studio正式向开发者开放。能基于文本、图像和视频等多种输入，轻松生成高质量视频并进行编辑。<br>
四项关键能力：<br>
对话式视频编辑：用自然语言修改和精修视频，跟改飞书文档似的。<br>
多模态参考：组合图像、文本、视频输入，保持场景控制和一致性。<br>
现实世界知识：调用Gemini在历史、生物、叙事逻辑等方面的知识来构建视频，不用你再写三页Prompt描述建筑风格。<br>
文字与动作同步：通过简单提示词，将文字和图形直接连接到视频动作。<br>
价格也很有竞争力：每秒视频输出成本0.10美元，跟Veo 3.1 Fast持平。<br>
定位方面，同为轻量版视频生成模型，Omni Flash更强调Gemini世界知识，生态方面也是全面朝Gemini层靠拢的。<br>
不过谷歌也挺坦诚，主动列了一堆现阶段局限：<br>
1、目前只支持10秒视频生成，后续会支持更长；<br>
2、暂不支持音频参考上传和场景扩展；<br>
3、API支持最长3秒的视频作为参考素材，但目前模型还无法正确处理这类输入；<br>
4、场景切换和运镜时的人物一致性仍有局限。<br>
Nano Banana 2 Lite<br>
Nano Banana 2 Lite（又名gemini-3.1-flash-lite-image），专为高速处理而设计。<br>
经过针对性优化，它瞄准的是那些对延迟极度敏感、需要短时间内批量处理大量图像的实时应用场景——比如电商素材批量生成、广告创意快速迭代、自动化内容流水线。<br>
两大核心卖点——<br>
光速：出图延迟约4秒，是Nano Banana 2的五分之一（后者约20秒）。<br>
白菜价：一张1K图片仅需约0.034美元，是Nano Banana 2的一半，Nano Banana Pro的四分之一。<br>
速度砍了，价格砍了，但生图和图像编辑能力并没有明显缩水。Nano Banana 2 Lite 依然保持了出色的文字渲染效果，在benchmark上和Grok等模型处于同一水平线。<br>
因此谷歌的建议是：如果你还在贪便宜用初代Nano Banana，赶紧换。Lite版在各项关键指标上已经全方位碾压了。<br>
双剑合璧<br>
等等，先别走。<br>
本以为这只是两款并行的模型发布，没想到谷歌表示：还有新花样。<br>
真正的神奇之处，在于将这些模型串联起来使用。<br>
众所周知，AIGC创作需要反复迭代，素材管理相当麻烦。<br>
如今，借助这两个模型，终于不用再反复上传文件了，图像生成与视频创作无缝衔接。<br>
具体来说，可以先用Nano Banana 2 Lite高速出图，再把生成的图像作为参考素材喂给 Gemini Omni Flash，一键转化为视频。<br>
为了展示这套1+1>2的魔法Workflow，谷歌甚至专门做了3个Demo APP：<br>
1、Anywhere<br>
自拍一张或上传照片，NB2 Lite瞬间把你P到几十个地标景点里。<br>
接着点一下图片，Omni Flash把静态景点变成动态短片。<br>
赛博旅游，这下也端到端了。<br>
2、Space Lift<br>
这有点吓人，感觉再和Genie世界模型结合一下，未来怕是要威胁到不少传统装修方案SaaS公司。<br>
上传一张房间照片，NB2 Lite先出各种装修风格方案。找到喜欢的，点视频按钮，Omni能直接给你一段电影级空间漫游。<br>
3、Omni product studio<br>
跨境电商的福音来了。<br>
给产品拍张白底图，NB2 Lite出各种场景化商品图，Omni Flash再把静态图变成电商短视频。<br>
从「产品」到「广告素材」，全链路自动跑完。<br>
所以，多模态到底有什么用？<br>
这个问题谷歌肯定被问了无数次。<br>
尤其在2026年，Coding几乎等同于模型智商的代名词。每家都在Coding上往死里卷。<br>
死磕多模态，图什么？<br>
AGI叙事那一套就不说了，短期来看的话，谷歌这套多模态模型确实能赋能旗下不少产品。<br>
AGI叙事那一套就不展开了。短期来看，谷歌这套多模态模型确实能赋能旗下不少产品——Stitch是一个，Pixel内置的P图是一个，NotebookLM的横空出世也蛮惊艳。<br>
这次发的两个新模型，则让人看到了多模态在垂直场景落地的更多潜力。电商、装修、短视频……这些业务的需求是真的，钱也是真的。<br>
加上有安卓生态加持，基本不用太担心商业化的问题。<br>
Coding谷歌暂时追不上，但多模态这张牌桌，谷歌可能是唯一能组齐一套牌的玩家。<br>
不过……<br>
Gemni 3.5 Pro到底啥时候来啊！！！<br>
参考链接：<br>
[1]https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni-flash-nano-banana-2-lite/