為什麼重要
Google 是少數在文字、影像和影片上都擁有前沿模型的公司之一,它的影像模型透過 Gemini 應用程式、Google 相簿、Workspace、搜尋和 Android 觸及了極其龐大的使用者群。Imagen 的研究也影響了整個領域:它發現文字編碼器和影像模型同樣重要,這一結論影響了 Stable Diffusion 3、FLUX 等許多模型。
Nano Banana 則讓對話式影像編輯走向了大眾。上傳一張照片,說一句「改成傍晚,再把那輛車去掉」,而其他一切(包括人物的面孔)都保持不變,這相比以往的工具是一次飛躍,幾週之內就帶來了數億次影像編輯。
深度解析
Imagen 曾是 Google 的文生圖模型家族。第一個版本於 2022 年 5 月以研究論文的形式發表,它表明把大型語言模型用作文字編碼器,再配上擴散模型,生成的影像比此前任何方法都更忠實於提示。Google 當時沒有公開發布它,之後才陸續把後續版本放進自家產品:2023 年底的 Imagen 2、2024 年的 Imagen 3 和 2025 年的 Imagen 4。此後 Google 已關閉所有 Imagen 模型(Imagen 4 於 2026 年 8 月 17 日關閉)。
在 Imagen 之外,Google 還把影像生成直接內建到了 Gemini 模型裡。這第二條產品線在 2025 年 8 月以 Nano Banana 的暱稱走紅,如今 Google 的影像生成全由它負責。
最初的設計
Imagen(2022 年)使用凍結的 T5-XXL 文字編碼器和一組級聯的擴散模型:一個生成 64×64 的影像,另外兩個超解析度模型先把它放大到 256×256,再放大到 1024×1024。與 Stable Diffusion 不同,它直接在像素上工作,而不是在壓縮的潛空間裡。後來的版本轉向了更高效的潛在擴散設計,照片級真實感、文字渲染和提示遵循度都穩步提升。Imagen 4 帶來了更銳利的細節、好得多的文字排版、最高 2K 解析度的輸出,以及一個快速版本。
兩條模型路線
直到 2026 年,Google 都有兩種影像生成路線:
- Imagen 模型曾是專用的文生圖生成器。你傳送提示,它回傳影像。它們速度快,單張影像的成本相對較低,在照片級真實感和風格方面很強。
- Gemini 影像模型把影像生成作為多模態 LLM 的原生能力。第一個被廣泛使用的是 Gemini 2.5 Flash Image(Nano Banana,2025 年 8 月)。基於 Gemini 3 Pro 的 Nano Banana Pro 於 2025 年 11 月推出,能在影像中準確渲染文字,輸出最高可達 4K,可以融合多張參考圖,還可選擇用 Google 搜尋做事實接地。此後這條產品線又陸續推出了新版本。
實際的區別在於,Gemini 模型是帶著 LLM 的全部知識和推理能力去理解請求的。它們可以在多輪對話中持續編輯,讓同一個角色在多張影像中保持一致,遵循複雜的版式,畫出標註正確的圖表和資訊圖表,並運用世界知識。過去,如果只是根據清晰的提示生成單張影像,Imagen 往往就夠了。如果要做編輯、多圖合成或任何需要推理的事,Gemini 模型是更好的選擇。
在哪裡使用
普通使用者可以在 Gemini 應用程式和各種 Google 產品裡用到 Gemini 影像模型。開發者則透過 Google AI Studio 裡的 Gemini API 和 Google Cloud 上的 Vertex AI 存取,按影像張數或輸出 token 計費。第三方平台也提供這些模型。
浮水印與安全措施
Google 模型生成的每張影像都帶有 SynthID,這是一種嵌入像素的隱形浮水印,設計上能經受裁剪、壓縮和濾鏡處理。Google 允許使用者在 Gemini 應用程式裡檢查影像是否帶有這種浮水印,在部分產品中還會附上 C2PA 內容憑證。這些模型會過濾不安全內容,並限制對真實人物的描繪,不過近期版本的逼真程度再次引發了人們對深度偽造和不實資訊的擔憂。
競爭格局
主要的替代選擇有:OpenAI 的 GPT Image 模型,採用類似的 LLM 原生路線;以美感見長的 Midjourney;提供開放權重和 API 的 Black Forest Labs 的 FLUX;以及來自中國實驗室的模型,比如字節跳動的 Seedream 和阿里巴巴的 Qwen-Image。這個領域發展很快,公開排行榜上的領先者每隔幾個月就會易主。