Ir para o conteúdo principal
Zubnet AI › Aprender › Wiki › Imagen
Modelos

Imagen

Também conhecido como: Gemini Image
A linha de modelos de geração de imagens do Google, dos modelos de difusão Imagen aos modelos de imagem conversacionais do Gemini conhecidos como Nano Banana.

Por que isso importa

O Google é uma das poucas empresas com modelos de fronteira para texto, imagens e vídeo, e seus modelos de imagem alcançam um público enorme pelo aplicativo Gemini, Google Fotos, Workspace, Busca e Android. A pesquisa do Imagen também moldou a área inteira: sua descoberta de que o codificador de texto importa tanto quanto o modelo de imagem influenciou o Stable Diffusion 3, o FLUX e muitos outros.

O Nano Banana, por sua vez, popularizou a edição conversacional de imagens. Enviar uma foto e dizer "deixe no fim da tarde e remova o carro" enquanto todo o resto, incluindo o rosto das pessoas, continuava igual foi um salto em relação às ferramentas anteriores, e gerou centenas de milhões de edições de imagens em poucas semanas.

Em profundidade

O Imagen era a família de modelos de texto para imagem do Google. A primeira versão, publicada como artigo de pesquisa em maio de 2022, mostrou que combinar um grande modelo de linguagem como codificador de texto com um modelo de difusão produzia imagens que seguiam os prompts com mais fidelidade do que tudo o que havia antes. O Google segurou o lançamento público na época e depois foi colocando versões sucessivas em seus produtos: Imagen 2 no fim de 2023, Imagen 3 em 2024 e Imagen 4 em 2025. Desde então, o Google desativou todos os modelos Imagen (o Imagen 4 em 17 de agosto de 2026).

Ao lado do Imagen, o Google incorporou a geração de imagens diretamente em seus modelos Gemini. Essa segunda linha ficou famosa em agosto de 2025 com o apelido Nano Banana, e hoje responde por toda a geração de imagens do Google.

O desenho original

O Imagen (2022) usava um codificador de texto T5-XXL congelado e uma cascata de modelos de difusão: um gerava uma imagem de 64×64, e dois modelos de super-resolução a ampliavam para 256×256 e depois para 1024×1024. Diferentemente do Stable Diffusion, ele trabalhava diretamente nos pixels em vez de em um espaço latente comprimido. Versões posteriores passaram para desenhos de difusão latente mais eficientes, com ganhos constantes em fotorrealismo, renderização de texto e fidelidade ao prompt. O Imagen 4 trouxe detalhes mais nítidos, tipografia muito melhor, saída em até 2K de resolução e uma variante rápida.

Duas linhas de modelos

Até 2026, o Google tinha duas abordagens para imagens:

  • Os modelos Imagen eram geradores dedicados de texto para imagem. Você enviava um prompt e recebia imagens. Eram rápidos, relativamente baratos por imagem e fortes em fotorrealismo e estilo.
  • Os modelos de imagem do Gemini geram imagens de forma nativa, como parte de um LLM multimodal. O primeiro de uso amplo foi o Gemini 2.5 Flash Image (Nano Banana, agosto de 2025). O Nano Banana Pro, construído sobre o Gemini 3 Pro, veio em novembro de 2025 com texto preciso nas imagens, saída em até 4K, a capacidade de combinar muitas imagens de referência e grounding opcional com a Busca do Google. Novas versões continuaram a linha desde então.

A diferença prática é que os modelos do Gemini entendem o pedido com todo o conhecimento e o raciocínio de um LLM. Eles conseguem editar ao longo de vários turnos de conversa, manter um personagem consistente entre imagens, seguir layouts complexos, desenhar diagramas e infográficos com rótulos corretos e usar conhecimento de mundo. Para uma única imagem a partir de um prompt claro, o Imagen costumava bastar. Para edição, composição com várias imagens ou qualquer coisa que exigisse raciocínio, os modelos do Gemini eram a melhor escolha.

Onde usar

Os consumidores encontram os modelos de imagem do Gemini no aplicativo Gemini e nos produtos do Google. Desenvolvedores os acessam pela API do Gemini no Google AI Studio e pela Vertex AI no Google Cloud, com preço por imagem ou por token de saída. Plataformas de terceiros também os oferecem.

Marcas d'água e salvaguardas

Toda imagem dos modelos do Google carrega o SynthID, uma marca d'água invisível embutida nos pixels e projetada para sobreviver a cortes, compressão e filtros. O Google permite que os usuários verifiquem se uma imagem a contém no aplicativo Gemini, e também anexa credenciais de conteúdo C2PA em alguns produtos. Os modelos aplicam filtros para conteúdo inseguro e limites para retratar pessoas reais, embora o realismo das versões recentes tenha renovado a preocupação com deepfakes e desinformação.

O cenário competitivo

As principais alternativas são os modelos GPT Image da OpenAI, que seguem uma abordagem parecida, nativa de LLM, o Midjourney pela estética, o FLUX da Black Forest Labs para pesos abertos e uso via API, e modelos de laboratórios chineses como o Seedream da ByteDance e o Qwen-Image da Alibaba. A área anda rápido, e a liderança nos rankings públicos muda de mãos a cada poucos meses.

← Todos os termos
ESC