Google po cichu odświeżyło jeden ze swoich najpopularniejszych modeli AI. Zmiany są większe, niż sugeruje niewielkie zmniejszenia numeru wersji.
Amerykanie udostępnili Nano Banana 2.1, czyli kolejną wersję modelu przeznaczonego do generowania oraz edycji obrazów. Jest to następca Nano Banana 2, znanego również jako Gemini 3.1 Flash Image, ale według dokumentacji DeepMind nowa odsłona bazuje już na Gemini 3.6 Flash. Model trafił do aplikacji Gemini, Google AI Studio i Gemini API.
Nano Banana 2.1 ma być lepsza nawet od starego Pro

Google deklaruje poprawę jakości i realizmu obrazów w rozdzielczościach 1K, 2K oraz 4K, dokładniejsze odwzorowanie tekstu i układu, a także usunięcie problemu z powtarzającymi się fragmentami obrazu przy bardzo szerokich proporcjach. Nano Banana 2.1 potrafi też korzystać jednocześnie z maksymalnie 14 obrazów referencyjnych, zachowując spójność do czterech postaci i dziesięciu obiektów. Dochodzi do tego dostęp do wyszukiwarki internetowej i wyszukiwarki obrazów Google oraz trzy poziomy „Thinking”: minimal, medium i high.

Najciekawiej wyglądają jednak wyniki testów. W kategorii ogólnej preferencji dla generowanych obrazów Nano Banana 2.1 z włączonym rozumowaniem osiągnęła 1050 punktów Elo, podczas gdy Nano Banana 2 uzyskała 990, a Nano Banana Pro 935. Jeszcze większą różnicę widać przy zgodności faktów w infografikach, gdzie wyniki wyniosły odpowiednio 0,521, 0,179 i 0,265. Nowa wersja prowadzi również w testach edycji, stylizacji i pracy z wieloma materiałami referencyjnymi.

Dość zaskakująco wypada przy tym cennik. W standardowym Gemini API wygenerowanie obrazu 1K kosztuje 0,0336 dolara, 2K – 0,0504 dolara, a 4K – 0,113 dolara. A więc w zestawieniu z Nano Banana 2 przy dwóch niższych rozdzielczościach cena spadła niemal dokładnie o połowę. Jeszcze atrakcyjniej ma się to w porównaniu do Banana Pro.

Nie oznacza to oczywiście, że Google rozwiązało wszystkie problemy. Firma sama przyznaje, że Nano Banana 2.1 nadal potrafi mieć kłopoty z drobnym tekstem, długimi akapitami, zachowaniem identycznego wyglądu postaci czy rozróżnianiem kierunków. Model może też halucynować. To prawdopodobnie tłumaczy, czemu nie zdecydowano się w nazwie na numer „3”, czy nawet „2.5”, a tylko „2.1”.

Jeden komentarz
ChatGPT i tak chyba nadal robi lepsze obrazki.