Im August 2025 tauchte ein mysteriöses Text-zu-Bild-Modell namens „Nano Banana“ auf LMArena auf, das schnell zu einem globalen Phänomen wurde. Offenbar wurde es von Google als Teil des Gemini 2.5 Flash-Ökosystems entwickelt und später als „Gemini 2.5 Flash Image“ öffentlich freigegeben. Im Gegensatz zu den meisten modernen Bildgeneratoren, die auf Diffusionsmodellen basieren, ist Nano Banana autoregressiv – ähnlich wie GPT-Image-1 – und generiert Bilder durch das sequenzielle Erzeugen von 1.290 Tokens, die dann in ein Bild decodiert werden. Obwohl dies zu einer langsamen Generierung von etwa 30 Sekunden pro Bild führt, überzeugt das Modell durch eine außergewöhnlich hohe Prompt-Adhärenz. Es versteht komplexe, mehrschichtige Anweisungen mit präzisen visuellen Spezifikationen, wie etwa die Darstellung einer Schädel-Pfannkuchen-Form mit tropfendem Ahornsirup, der an den Knochen haftet. Auch bei mehrfachen simultanen Bearbeitungsbefehlen – wie das Entfernen von Beeren und das Anpassen der Sirupverteilung – zeigt das Modell eine beeindruckende Genauigkeit. Ein besonders eindrucksvolles Beispiel ist die Generierung eines Bildes, in dem der kritisch umstrittene „Ugly Sonic“ mit Barack Obama die Hand schüttelt. Trotz des absurden Szenarios und der fehlenden Vorkenntnis des Modells über diese Figur gelang eine plausibel proportionierte, detaillierte und konsistente Darstellung, die sogar spezifische Merkmale wie Hände, Kleidung und Haltung erfasste. Die Integration von Buzzwords wie „Pulitzer-Preis-Preis-gekrönter Titelbild für The New York Times“ verbesserte die Komposition signifikant, was auf ein tiefes Verständnis von künstlerischen und journalistischen Stilmerkmalen hindeutet. Auch die Fähigkeit, Code-Beispiele in Bildform darzustellen, oder die Verarbeitung von JSON- und HTML-Prompts mit komplexen Strukturen – wie die exakte Replikation einer Webanwendung – unterstreicht die Leistungsfähigkeit des Modells. Die 32.768-Token-Context-Länge ermöglicht es, detaillierte, mehrseitige Anweisungen zu verarbeiten, was für agentele Systeme und iterative Bearbeitungsschleifen ideal ist. Trotz dieser Fortschritte weist Nano Banana auch erhebliche Schwächen auf. So ist es bei Stiltransfer, etwa „Mach mich zu einem Studio-Ghibli-Charakter“, auffallend schlecht, was auf die autoregressive Architektur zurückzuführen sein könnte, die Stiländerungen blockiert. Zudem fehlt jegliche IP-Moderation: Das Modell generiert beliebige urheberrechtlich geschützte Inhalte, auch in Kombination, und ignoriert Wasserzeichenanweisungen. NSFW-Inhalte lassen sich ebenfalls problemlos erzeugen, was erhebliche ethische und rechtliche Bedenken aufwirft. Die hohe Leistung bei Prompt-Adhärenz und strukturiertem Eingabedatenverarbeitung (z. B. Markdown, JSON) deutet darauf hin, dass das Modell nicht nur auf Bild-Captions, sondern auf agentele, codierungsorientierte und multimodale Daten trainiert wurde – ein entscheidender Vorteil gegenüber älteren Modellen wie CLIP oder T5. Insgesamt stellt Nano Banana eine bahnbrechende Entwicklung in der KI-Bildgenerierung dar, die weit über die Fähigkeiten von ChatGPT hinausgeht, insbesondere in der präzisen Umsetzung komplexer, technischer Anweisungen. Obwohl es technisch anspruchsvoll und teuer ist, ist es ein leistungsstarkes Werkzeug für professionelle Anwendungen, die exakte Kontrolle erfordern. Die offene Veröffentlichung der Prompts und Jupyter-Notebooks im Rahmen des Projekts „gemimg“ unterstreicht die Notwendigkeit, die tatsächlichen Fähigkeiten von KI-Modellen durch Reproduzierbarkeit zu demonstrieren – und nicht durch PR-Boosterism. Die Zukunft der KI-Generierung liegt nicht in der Einfachheit, sondern in der präzisen, ingenieurmäßigen Steuerung, und Nano Banana ist ein Meilenstein in diese Richtung.