मुख्य सामग्री पर जाएँ
Zubnet AI › सीखें › Wiki › Imagen
मॉडल

Imagen

इसे भी कहा जाता है: Gemini Image
Google के image generation models की श्रृंखला, Imagen diffusion models से लेकर Nano Banana नाम से मशहूर conversational Gemini image models तक।

यह क्यों मायने रखता है

Google उन गिनी-चुनी कंपनियों में से है जिनके पास text, images और video तीनों के लिए frontier models हैं, और इसके image models Gemini app, Google Photos, Workspace, Search और Android के ज़रिए बहुत बड़े audience तक पहुँचते हैं। Imagen की research ने पूरे field को भी आकार दिया: इसकी यह खोज कि text encoder उतना ही मायने रखता है जितना image model, Stable Diffusion 3, FLUX और कई दूसरे models पर असर डाल गई।

वहीं Nano Banana ने conversational image editing को mainstream बना दिया। एक photo upload करके यह कहना कि "इसे शाम का बना दो और car हटा दो", और बाकी सब कुछ, लोगों के चेहरे भी, जस का तस रहना पहले के tools से एक बड़ी छलाँग थी, और कुछ ही हफ़्तों में इससे दसियों करोड़ image edits हुए।

गहन अध्ययन

Imagen, Google का text-to-image model परिवार था। पहला version मई 2022 में एक research paper के रूप में प्रकाशित हुआ और उसने दिखाया कि text encoder के तौर पर एक बड़े language model को diffusion model के साथ जोड़ने से ऐसी images बनती हैं जो prompts का पालन पहले की किसी भी चीज़ से ज़्यादा ईमानदारी से करती हैं। Google ने उस समय इसे सार्वजनिक रूप से release नहीं किया, फिर अपने products में एक के बाद एक versions उतारे: 2023 के आखिर में Imagen 2, 2024 में Imagen 3 और 2025 में Imagen 4। उसके बाद Google ने सभी Imagen models बंद कर दिए (Imagen 4 को 17 अगस्त 2026 को)।

Imagen के साथ-साथ Google ने image generation को सीधे अपने Gemini models में भी बना दिया। यह दूसरी line अगस्त 2025 में Nano Banana उपनाम से मशहूर हुई, और आज Google का पूरा image generation इसी पर चलता है।

मूल design

Imagen (2022) एक frozen T5-XXL text encoder और diffusion models का एक cascade इस्तेमाल करता था: एक model 64×64 की image बनाता था, और दो super-resolution models उसे पहले 256×256 और फिर 1024×1024 तक upscale करते थे। Stable Diffusion के उलट, यह compressed latent space की जगह सीधे pixels पर काम करता था। बाद के versions ज़्यादा efficient latent diffusion designs पर चले गए, और photorealism, text rendering तथा prompt following में लगातार सुधार हुआ। Imagen 4 ने ज़्यादा sharp detail, कहीं बेहतर typography, 2K resolution तक का output और एक fast variant जोड़ा।

Models की दो lines

2026 तक Google के पास images के लिए दो तरीके थे:

  • Imagen models dedicated text-to-image generators थे। आप prompt भेजते थे और images पाते थे। ये तेज़ थे, प्रति image अपेक्षाकृत सस्ते थे और photorealism तथा style में मज़बूत थे।
  • Gemini image models एक multimodal LLM के हिस्से के रूप में natively images generate करते हैं। इनमें पहला व्यापक रूप से इस्तेमाल हुआ model Gemini 2.5 Flash Image (Nano Banana, अगस्त 2025) था। Gemini 3 Pro पर बना Nano Banana Pro नवंबर 2025 में आया, जिसमें images के अंदर सटीक text, 4K तक का output, कई reference images को blend करने की क्षमता और Google Search के साथ optional grounding थी। तब से आगे के versions ने इस line को जारी रखा है।

व्यावहारिक फ़र्क यह है कि Gemini models किसी LLM के पूरे ज्ञान और reasoning के साथ request को समझते हैं। ये कई conversational turns में edit कर सकते हैं, किसी character को कई images में consistent रख सकते हैं, जटिल layouts का पालन कर सकते हैं, सही labels के साथ diagrams और infographics बना सकते हैं और world knowledge इस्तेमाल कर सकते हैं। साफ़ prompt से एक अकेली image के लिए Imagen अक्सर काफ़ी था। Editing, multi-image composition या ऐसी किसी भी चीज़ के लिए जिसमें reasoning चाहिए, Gemini models बेहतर विकल्प थे।

इन्हें कहाँ इस्तेमाल करें

Gemini image models आम उपभोक्ताओं को Gemini app और Google के बाकी products में मिलते हैं। Developers इन्हें Google AI Studio में Gemini API के ज़रिए और Google Cloud पर Vertex AI के ज़रिए access करते हैं, जहाँ कीमत प्रति image या प्रति output token लगती है। Third-party platforms भी इन्हें उपलब्ध कराते हैं।

Watermarks और safeguards

Google के models की हर image में SynthID होता है, एक अदृश्य watermark जो pixels में embed किया जाता है और cropping, compression तथा filters झेलने के लिए design किया गया है। Google, users को Gemini app में images में इसकी जाँच करने देता है, और कुछ products में C2PA content credentials भी जोड़ता है। Models असुरक्षित content के लिए filters और असली लोगों को दिखाने पर सीमाएँ लागू करते हैं, हालाँकि हाल के versions के यथार्थवाद ने deepfakes और गलत सूचना को लेकर चिंता फिर से बढ़ा दी है।

प्रतिस्पर्धा की तस्वीर

मुख्य विकल्प हैं OpenAI के GPT Image models, जो ऐसा ही LLM-native तरीका अपनाते हैं, aesthetics के लिए Midjourney, open weights और API इस्तेमाल के लिए Black Forest Labs का FLUX, और चीनी labs के models जैसे ByteDance का Seedream और Alibaba का Qwen-Image। यह field तेज़ी से बदलता है, और public leaderboards पर बढ़त हर कुछ महीनों में हाथ बदलती है।

← सभी शब्द
ESC