Nano Banana，即谷歌发布的Gemini 2.5 Flash Image模型，正成为AI图像生成领域最引人注目的新星。尽管近期大模型发布节奏放缓，但技术演进并未停歇。与传统扩散模型不同，Nano Banana采用自回归架构，以类似ChatGPT的方式逐token生成图像，虽生成速度较慢（约30秒/图），但其在复杂提示理解与精准执行方面表现惊人。 该模型在LMArena上初露锋芒，迅速因“提示工程”能力爆火。用户通过极富创意的复杂提示，如“将一个枫糖浆滴落的头骨煎饼”“让Ugly Sonic与奥巴马握手”“在《纽约时报》头版风格中呈现这一场景”等，均能获得高度符合要求的输出。其强大之处在于对多条件、多步骤、跨模态指令的精准解析，甚至能处理JSON格式的超细粒度角色描述，生成高度符合设定的写实人物。 更令人惊叹的是，Nano Banana能同时处理五条编辑指令，实现局部修改而保持整体一致；能生成代码界面，且在提示中加入“Pulitzer Prize-winning”等风格词后，输出更具专业感；甚至在未提供“图像”一词的情况下，仍能正确生成图像。其32,768 token的上下文窗口，远超CLIP的77或T5的512，使其能处理长篇复杂提示，如完整HTML网页的渲染，尽管细节仍有瑕疵。 然而，该模型并非完美。它在风格迁移方面表现较差，难以将真人照片转化为吉卜力风格；对知识产权缺乏敏感性，可随意生成热门IP角色组合；且在NSFW内容过滤上较为宽松，存在滥用风险。 值得注意的是，Nano Banana的成功源于其底层架构——Gemini 2.5 Flash模型具备强大的文本编码能力，经过大量Markdown、JSON及结构化指令训练，使其能理解复杂规则与意图。谷歌并未公开系统提示，但通过对抗性测试发现其存在提示重写机制，且对“关键词”有特定防御策略。 尽管存在局限，Nano Banana展示了自回归图像模型在提示遵循、逻辑一致性与复杂控制方面的巨大潜力。它不仅是工具，更是提示工程的新范式。作者已开源工具包gemimg，并公开所有提示与代码，旨在打破“AI图像皆模糊泛黄”的误解，推动真实能力的可见与可复现。在AI快速发展的今天，真正理解其能力边界，比盲目崇拜或恐惧更为重要。