企业官网建设流程全解析

最近 AI 生图圈最热闹的一件事，就是谷歌 Gemini 3.1 Flash Image（也就是大家口里那个代号 Nano Banana 2）在 Arena 文生图榜单上把第一给拿下了。Nano Banana 这个代号从 Gemini 2.5 Flash Image 时期就开始在圈子里流传，因为官方演示里反复拿一根香蕉做各种离谱编辑，后来干脆成了整个 Gemini 图像生成模型的代称。这次 Nano Banana 2 登顶，标题看着确实唬人，但实际用起来到底是不是真的能打，还是要自己跑一遍才知道。这篇就是我基于官方入口实测 Gemini 3.1 Flash Image 的完整记录，包含榜单机制的拆解、我设计的提示词测试集、以及一些真实图文工作流里的落地建议，适合正在做 AI 生图方案选型、或者想判断要不要把当前主力模型换掉的人参考。

先说明白，我不会只看排名就无脑吹。榜单反映人类对"好看"的偏好，但真正切换到干活场景时，模型的表现往往和榜单排名不完全是一回事。下面直接进入正题。

1. Nano Banana 2 是哪来的：Gemini 系图像生成的迭代逻辑

1.1 代号、名字与产品定位

很多朋友看到 Gemini 3.1 Flash Image 这个命名会有点懵，一会儿是 Nano Banana，一会儿是 Flash Image，到底谁是谁？先理清这个关系。

"Flash Image"表示这是一条独立的图像生成产品线，但它并不是像 Midjourney 那样单独训练一个"画图模型"，而是 Gemini 多模态大模型的原生能力之一。换句话说，模型既能读文字、看参考图，也能直接在对话里输出一张图，而不是走"文本编码器 + 扩散模型"的传统两段式管线。Nano Banana 则是社区和官方内部常用的一个昵称，主要来自 Gemini 2.5 Flash Image 时期那段经典的"香蕉编辑"演示——把香蕉换成草莓、让香蕉戴上墨镜、把香蕉P进各种离谱场景。名字虽然随意，但产品定位很清晰：它想做的不是"生成一张好看图片"的玩具，而是"能用自然语言反复修改图片"的通用图像助手。

到了 Gemini 3.1 Flash Image 这个版本，主干模型升级为 Gemini 3.1 Flash，图像生成能力也跟着往上走了一档。官方口径强调的是原生多模态、多轮编辑、文本渲染这几个方向，而这些恰好是前代 Nano Banana 已经打出口碑、但同时又做得不够完美的地方。所以 Nano Banana 2 更像是"已验证路线的增强版本"，而不是推倒重来的新物种。

1.2 相比前代，这代的变化集中在哪

我没法拿到官方内部的白皮书，但从实测体感和社区公开资料来看，变化主要集中在三件事。

第一是图像的精细度和真实感。前代 Nano Banana 的强项是编辑和创意，弱项是精细纹理偶尔会糊；这一代在皮肤质感、金属反光、复杂光影上的稳定性好了不少，特别是"一张图里同时出现多个物体"时，物体边缘和层次关系不再那么容易崩。

第二是文字渲染。AI 生图的文字一直是重灾区，英文大写短句现在基本稳定，中文方面比前代进步明显，但还没有到"排版级可靠"的程度。这部分我在后面实测章节里会细说。

第三是速度。Flash 这条产品线本身就是为"低成本、高吞吐"设计的，Nano Banana 2 的单张生成速度比我预想中快，测试时基本是秒级出图。如果你之前用过 Pro 级别的图像生成模型，再切回 Flash 会觉得"快得不太真实"。

当然，Flash 毕竟不是 Pro，复杂任务上的上限还是有一定差距。我的理解是：Nano Banana 2 的定位不是"最强的画师"，而是"最实用的画师"——单张质量足够好，同时能承担大量试错和迭代。

2. Arena 榜首的含金量：评测机制与榜单盲区

2.1 ELO 盲评是怎么运转的

Arena 文生图榜单（也就是大家常说的 LMArena 图像榜）的核心机制是人机对抗盲评。用户输入一段提示词，系统同时给出两个匿名模型生成的图，用户完全不知道哪张来自哪个模型，只凭直觉选更喜欢的那张。海量用户的投票结果最后汇总成 ELO 分数来排名。

这个机制的优点很明显：它测的是真实人类偏好，不是模型在某个固定指标（比如 FID、CLIP Score）上的自嗨。你投进去的是各种千奇百怪的 prompt，覆盖范围远超固定 benchmark，所以榜单结果往往和实际使用体感比较接近。

同时它也是推荐系统级别的"反馈闭环"——越多人用，榜单参考价值就越高。这也是为什么一个模型只要能在 Arena 上登顶，通常说明它的综合观感确实得到了大量真人用户的认可。

2.2 登顶说明什么、榜单没说清楚什么

Nano Banana 2 能登顶，首先说明它在"人类觉得好看"这件事上，综合表现已经压过了同期的头部选手。尤其考虑到 Arena 用户通常比较挑剔，这个第一含金量不算低。

但我也要泼一盆冷水：榜单对"好看"的偏好，并不完全等于对"好用"的判断。Arena 的用户投票天然偏向视觉冲击力强的图——高饱和、强光影、精致细节、一眼惊艳。可真实生产环境里的需求往往是这些：

• 需要精确的排版和指定字体，字一个都不能错；
• 需要同一人物、同一产品在几十张图里保持完全一致；
• 需要模型理解复杂的空间关系，例如"花瓶在桌子的左前方，背景是一扇窗户";
• 需要按品牌规范输出固定风格的图，而不是"自由发挥"。

这些场景里，榜单靠前的模型不一定赢，有些甚至会被开源专用模型按在地上摩擦。所以我的建议是：把 Arena 登顶当成一个重要参考信号，但它不该是你选型的唯一依据。真正决定要不要用某个模型的，永远是你自己的那批真实 prompt 和跑出来的几十张图。

3. 我的实测方案：不跟着榜单走，按真实工作流来

3.1 测试环境与对比基准

本次实测我是在官方提供的在线调试台里完成的，没用第三方聚合平台，因为聚合平台可能会有图像压缩、二次后处理，干扰对模型本体能力的判断。所有提示词我都尽量用同一个语言风格写，中英文混用的情况单独测了一组。

对比模型方面，我没有把 Arena 上所有模型都跑一遍——那既不现实也没必要。我挑了两个参照系：一类是榜单同段位的闭源头部模型，另一类是开源模型里高分的那几个。对比时不追求每个模型都跑完全部测试，而是只跑它们相对擅长的场景，这样更能看出 Nano Banana 2 的优势区间和短板。

3.2 六类提示词集的设计思路

与其盯着单张图看个热闹，我更想把测试拆成真实用户会遇到的几类任务。所以我准备了 6 组提示词：

1. 写实人像：考察皮肤质感、光影过渡、瞳孔细节，以及"像不像真实摄影作品"。
2. 产品图：无标签包装、玻璃材质、桌面布景、洗护用品质感，考察商业摄影里最常见的需求。
3. 文字海报：中英文混排、字体变形控制、笔画准确度。
4. 复杂空间布局：多个物体共存、明确的前后景/左右关系、场景氛围统一。
5. 多轮编辑：先生成一张图，再逐步改背景、改物体、改光线。
6. 长文本逻辑：一大段描述里包含超过 5 个关键约束，看模型能遵循几条。

每组我至少跑 5 次，取稳定出现的表现作为结果，不拿个别"神图"说事。下面放几个我记得比较清楚的例子。

写实人像的 prompt 类似这样：
"一张室内自然光人像，年轻女性坐在窗边的木椅上，穿米色针织衫，手里拿着一杯冒热气的咖啡，背景虚化，眼神看向窗外，胶片的颗粒感，35mm 镜头视角。"

产品图的 prompt 是：
"一张高端厨房用品的电商主图，玻璃油瓶放在浅色橡木桌板上，清晨侧光，瓶身有细密水珠，背景是干净的浅灰墙，画面干净有质感，商业摄影风格。"

海报类我特意加了中文：
"一张现代极简风格的音乐节海报，主标题是'夏夜声场'四个字，副标题是'6月14日晚7点·城市公园'，底部有一行英文小字'SUMMER SOUND FIELD'，文字不能变形，构图居中。"

3.3 为什么不用单一指标打分

图像质量这件事很难用"总分 10 分"来量化。同样是 8 分，一张可能赢在光影，另一张赢在细节；同一个模型，在"人像真实感"上 9 分，在"中文排版"上可能只有 5 分。所以我记录的是每个维度的主观表现等级，外加"翻车次数"。

翻车次数怎么数？只要出现明显硬伤就算，比如手指畸形、文字乱码、物体多了一个、左右关系搞反。最后再结合出图速度和整体观感，给出一个"综合值不值得用"的判断。这种方式虽然粗糙，但对我这种偏实践的用法来说，比任何单一分数都更有参考价值。

4. 实测结果：惊艳的地方、稳定的地方、翻车的地方

4.1 真实感与光影：最接近棚拍的一次

先说说最让我意外的部分——真实感和光影。

我拿写实人像那一组跑了 5 次，Nano Banana 2 的皮肤质感处理得非常稳。不仅没有以前那种"塑料感"，而且自然光从窗户打过来的方向一致性很好，脸部阴影是连续的、柔和的，没有明显的断层。我特意放大看瞳孔和眉毛，虽然偶尔还有轻微涂抹感，但整体已经到"发到社交平台没人会怀疑是 AI 图"的程度。

产品图这边也让人满意。玻璃油瓶的透光感、木头桌板的纹理、清晨侧光的暖色调，第一眼就很接近那种专门找摄影师拍的电商主图。尤其是瓶身上的高光和水珠位置，基本没有出现光源错乱的问题。对于电商团队来说，如果只是做概念图、提案图、详情页初稿，Nano Banana 2 已经能顶不少事。

4.2 文字与排版：英文稳了，中文还是看运气

这一段是拉开差距的地方，也是我不建议完全无脑切换模型的原因之一。

短英文文字基本没问题。单行、无衬线字体，像海报底部那行"SUMMER SOUND FIELD"，5 次里 4 次拼写完全正确。这说明模型的英文 OCR 相关能力已经比较成熟。

中文则是"能用但需要检查"。主标题"夏夜声场"四个字，5 次里有 3 次是完全正确的，另外 2 次出现单个字的笔画错误——比如"场"字的偏旁多了一笔，或者"夜"字的结构有点歪。副标题里出现过一个很有意思的 bug："6月14日晚7点·城市公园"被写成了"6月14日晚7点·城市公圆"，最后一个字被替换成形状相近的繁体/异体字。

所以如果你做中英文混排海报，我的建议很明确：模型生成完，文字部分一定要人眼逐字检查，关键项目或发布用的物料，最好把文字层拿出来在排版软件里重新覆盖一遍，不要直接拿生成图交付。

4.3 复杂场景与指令遵循：短指令优秀，长指令掉链子

短指令下，Nano Banana 2 的空间理解能力不错。像"一只橘猫坐在蓝色沙发上看窗外"这种单对象 prompt，几乎每次都能正确完成，前后景虚化也自然。

但我把约束数量拉高到 5 个以上时，翻车概率明显上升。比如那种同时包含"前景的猫、中景的绿萝、背景的楼群"的描述，容易出问题的是位置关系。有一次生成结果里，绿萝明明在窗台上，却被画到了沙发旁边；还有一次猫是坐在沙发上看镜头，而不是看窗外。这种"每个物体都认识，但关系搞错"的情况，本质上还是模型对复杂空间关系理解不够扎实。

我的应对方式是"拆步骤"。不要试图让模型一次画一张包含全部元素的完成图，而是先让它生成基础构图，再通过多轮编辑把元素一个个加进去。这样虽然多花一点时间，但最终的成功率比长指令一次成图高很多。

4.4 多轮编辑：这是 Nano Banana 2 最值钱的能力

聊完了短板，再说说我最推荐的功能——多轮编辑。这也是 Nano Banana 家族从第一代开始就打天下的核心卖点，在 Nano Banana 2 上变得更稳了。

我的测试操作很简单：

第一步，生成一张产品图；
第二步，输入"把背景换成深蓝色渐变，保持瓶子位置不变"；
第三步，再输入"把光线改成暖黄色，从左上角打过来"；
第四步，接着输入"在旁边加一片新鲜柠檬切片，放在桌子右前方"。

实测下来，前三步的完成质量非常高，大部分情况下能做到"只改该改的部分"，瓶子本体不会被莫名其妙地重构。第四步稍微有点风险，有两次柠檬的位置还是有点飘，但整体方向是对的。这种连续编辑能力对创意工作流简直是刚需——你不再需要为了一个小改动把整张图重新生成，而是像和设计师沟通一样，一句一句改。

多轮编辑还要注意一个细节：描述性的修改提示词最好放在每条回复的开头。比如"保持人物表情不变，把背景里的红色窗帘改成浅灰色窗帘"这种句式，实测的遵守率明显高于"帮她换个背景"这种模糊说法。

为了更直观，我把我这次的实测结果做了一个摘要表：

5. 从实测到落地：速度、成本与工作流建议

5.1 速度与成本区间

速度方面，我在官方调试台里体验到的单张出图时间基本在 5-10 秒这个区间，复杂场景会慢一点，但总体是"等得不烦躁"的水平。如果走 API 做批量生成，吞吐量大概率还会更高，毕竟 Flash 定位就是高性价比。

成本我只能给个粗略体感，因为官方定价页在不同套餐下差异不小，最稳妥的方法是去控制台看实时报价。以我目前的使用强度来看，日常创意探索和内容配图完全在可接受范围内。反而是"批量生成几百张后挑选"这种用法，虽然单价不高，累积起来也得算一笔账。所以我的建议是：能用多轮编辑解决的问题，就不要重新生成；能一次出图搞定的，就不要生成五张再挑。

5.2 三类值得切换进来的场景

实测跑完，我心里其实已经有一份"值不值得换模型"的判断。如果你是下面几类需求的用户，Nano Banana 2 值得优先试：

首先是用 AI 做大量"内容配图"的人。比如公众号头图、社交媒体卡片、视频封面、概念示意图，这类图的共同特点是一次性、不追求像素级精确、时间要求紧。Nano Banana 2 的质量和速度组合起来非常合适，多轮编辑还能快速出多个方向的草稿供挑选。

其次是电商和产品视觉方向的用户。虽然最终交付物可能还需要设计师精修，但用模型做早期创意提案、风格探索、场景预演，效率提升非常明显。以前找摄影师拍一组产品概念图可能要等好几天，现在几个人用一下午就能出几十种布景方案。

第三类是创意探索和故事板类需求。写脚本、画分镜、做角色的前期视觉设定，这种"先看方向再定稿"的用法恰好是 Nano Banana 2 的强项，特别是多轮编辑能力可以随时微调角色外形，灵感迭代会顺畅很多。

5.3 接口集成时几个要注意的实操点

如果你打算把模型接进自己的工具链，我分享几个实际踩过或看到别人踩过的点：

第一，图片对话和纯文本对话的参数结构不同。使用 Gemini 原生多模态接口时，输入里可以混排文本和图片，输出也能拿到图片；很多人在迁移代码时还沿用"文本模型 + 文生图接口"的老写法，会白白损失多轮编辑能力。

第二，批量并发要做限速。Flash 虽然吞吐高，但免费层和执行配额是分开计算的。我建议在批量任务里加入重试逻辑，同时把并发数设置得保守一些，避免触发限流后整批任务失败。

第三，输出图片记得做后处理。模型生成的图分辨率和你最终交付需要的尺寸不一定一致，建议在流程里加一步裁剪或等比缩放。另外关键文字内容一定要后端校验，不要信任单次生成结果。

6. 我的个人结论：不要神化榜首，但值得认真用起来

跑完这一轮测试，我的结论其实有点"反高潮"：Nano Banana 2 登顶 Arena 这件事是真的，但它的真正价值不是那个第一名的位置，而是把"快速试错 + 多轮编辑"这条工作流彻底打磨到了可以日常用的程度。对我这种经常要出图、又不想每次都给 Midjourney 写一堆繁琐参数的人来说，直接对话改图的体验太舒服了。

如果你问我建议怎么用，我会这么说：不要把现有所有生图流程都砍掉换过来，而是先挑一个真实业务场景，跑 50 条真实 prompt，看看多轮编辑的通过率能不能接受，再决定要不要整体迁移。特别是有中文排版硬需求的团队，一定要先做一轮文字正确率的抽检。

最后再分享一个小技巧，是我最近用得最顺的句式：把修改要求放到提示词前面，把"保持不动"的元素放到后面，例如"把背景改成夜晚的城市灯光，保持人物、服装、表情都不变"。同样的意思在 Nano Banana 2 上，遵守率会有肉眼可见的差别。这种细节在官方文档里几乎不会写，但对实际出图效率的影响比想象中大很多。