谷歌 Nano Banana 2 深度拆解：基于 Gemini 3.1 Flash Image 的新一代文生图模型，原理、操作与全面实测

快速摘要
谷歌于2026年2月26日正式发布了 Nano Banana 2（技术代号 Gemini 3.1 Flash Image），这是一款将 Pro 级画质与 Flash 级速度融合的文生图模型。它以 Elo 1272 分登顶 Artificial Analysis 文生图排行榜，超越了 GPT Image 1.5 和自家的 Nano Banana Pro；同时支持 512px 到 4K 分辨率输出，可维持最多 5 个角色的一致性和 14 个对象的高保真度，并拥有实时联网搜索、多语言文本渲染、图像内翻译等能力。API 调用成本约为 Pro 版本的一半。本文将从技术原理、核心能力、实操指南、API 调用代码到使用场景，为你做一次全方位的深度拆解。往下看有更详细的干货分析。

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）原创撰写，转载请注明出处。

一、从 Nano Banana 到 Nano Banana 2：谷歌生图模型的演进脉络

要理解 Nano Banana 2 为什么重要，我们需要先回顾一下谷歌在 AI 生图领域的整条产品线。

2025年8月，谷歌以匿名方式在 LMArena 评测平台上提交了一个代号为「Nano Banana」的图像生成模型。这个模型的底层技术是 Gemini 2.5 Flash Image，它在短短两周内就收到了超过 500 万次社区投票，并以 171 分的 Elo 领先优势创下了该平台有史以来最大的单模型性能飞跃。「Nano Banana」这个名字也从此成为谷歌生图能力的代名词，在全球范围内迅速走红。

2025年11月，谷歌趁热打铁推出了 Nano Banana Pro（技术代号 Gemini 3 Pro Image）。相比初代模型，Pro 版本基于更强大的 Gemini 3 Pro 推理引擎，将分辨率提升到了 4K，文本渲染准确率达到 94%，在画面精细度和事实准确性上都有了质的飞跃。但 Pro 版本的代价也很明显——速度较慢，API 单张图像调用成本约 0.134 美元。

而 2026年2月26日发布的 Nano Banana 2（Gemini 3.1 Flash Image），本质上是谷歌试图「鱼与熊掌兼得」的产物。它基于 Gemini 3.1 Flash 架构，继承了 Flash 系列一贯的高速推理优势，同时把 Pro 版本中那些原本「专业级独享」的能力（如世界知识、文本渲染、主体一致性等）下放到了这个更快、更便宜的模型上。

莫潇羽（无忆研习社站长）在这里帮大家梳理一下三代模型的关系：

从这个演进路径可以看出，谷歌的策略非常清晰：用 Nano Banana 2 覆盖绝大多数用户的日常需求——快、准、好看、能搜能翻译；把 Nano Banana Pro 留给那些对事实准确性有极高要求的专业场景。不是「要么 Pro 要么凑合」的二选一，而是让大多数人在不降速的前提下就能用上旗舰级的能力。

值得一提的是，Nano Banana 这个名字最初只是谷歌在 LMArena 平台上进行匿名盲测时使用的代号。当时平台上的用户并不知道这个模型来自谷歌，纯粹是凭借输出质量一路杀到了排行榜首位。等到谷歌正式公布身份时，Nano Banana 这个名字已经在社区中广泛传播，于是谷歌干脆将其保留为产品的正式品牌名称——这也是为什么你会在谷歌的官方博客和产品 UI 中看到这个看起来有些「呆萌」的名字。

在 LMArena 的盲测期间，Nano Banana 在短短两周内就吸引了超过 500 万次社区投票，其中单模型直接投票数超过 250 万次，创下了该平台有史以来的最高参与记录。它以 171 分的 Elo 领先优势碾压了此前的排行榜冠军 Flux One Context Max，这也是 LMArena 历史上最大的单模型性能飞跃。仅凭这一战，Nano Banana 就为 LMArena 带来了十倍的流量增长，月活用户突破 300 万。

在这半年多的时间里，全球用户通过 Nano Banana 系列模型生成了超过十亿张图像。这个数字的背后是一个清晰的市场信号：文生图已经从专业设计师的「小众工具」变成了普通用户日常创作的「标配功能」。而谷歌正是看准了这一趋势，才会在短短半年内连推三个版本，不断优化速度和成本，降低使用门槛。尤其是在印度等新兴市场，Nano Banana 引发了大规模的图像生成热潮，数百万用户在 Gemini App 中尝试了图像生成功能。

二、技术原理深度拆解：Nano Banana 2 凭什么又快又好

2.1 架构选择：为什么是 Flash 而不是 Pro？

Nano Banana 2 选择 Gemini 3.1 Flash 作为底层架构，而不是 Gemini 3.1 Pro，这个决策背后有深层的技术考量。

Flash 系列在谷歌的模型体系中一直承担着「大规模部署优化」的角色。相比 Pro 系列追求极致的推理深度和输出质量，Flash 系列的核心优势在于推理效率。具体来说，Gemini 3.1 Flash 采用了更紧凑的参数规模和更优化的注意力机制，使得它在同等硬件条件下能够实现远高于 Pro 系列的吞吐量。

根据 MarkTechPost 的技术分析报道，Nano Banana 2 基于约 18 亿参数的骨干网络，但通过一系列优化技术，其性能可以媲美参数量三倍于己的模型。在中端移动设备上，模型的推理延迟可以控制在 500 毫秒以内；在 512px 分辨率下，甚至能达到约每秒 30 帧的实时合成速度。

2.2 核心技术栈拆解

Nano Banana 2 的技术栈可以拆分为以下几个关键层次：

多步生成流程（Multi-step Generation Pipeline）

不同于传统的「一次性输出」模式，Nano Banana 2 采用了一个「规划-生成-审查-修正-输出」的多步生成流程。根据社区开发者对模型行为的深入分析，这个流程大致分为五个阶段：

• 规划阶段（Planning Phase）：模型首先理解用户的提示词，并规划图像的整体构图和元素布局。
• 生成阶段（Generation Phase）：通过内置的扩散头（Diffusion Head）合成初始图像。
• 审查阶段（Review Phase）：内部图像分析模块自动检查生成结果，识别常见问题。
• 修正阶段（Correction Phase）：针对发现的问题（如文字渲染错误、手指畸变等）进行自动修正。
• 输出阶段（Output Phase）：交付最终结果。

这种「自审查+自修正」的机制，是 Nano Banana 2 在保持 Flash 速度的同时维持高质量输出的关键技术原因。

潜在一致性蒸馏（Latent Consistency Distillation, LCD）

传统的扩散模型（Diffusion Model）之所以慢，是因为它们需要执行 20 到 50 步的迭代「去噪」过程才能生成一张图像。LCD 技术允许模型在仅需 2 到 4 步的情况下就预测出最终图像，通过大幅缩短推理路径来消除之前困扰端侧生成式 AI 的「延迟摩擦」。

动态量化感知训练（Dynamic Quantization-Aware Training, DQAT）

为了进一步压缩模型体积并提升推理速度，Nano Banana 2 采用了动态量化技术。通常来说，模型量化会导致输出质量下降，但 DQAT 允许模型在保持高信噪比的前提下完成量化，最终实现了小内存占用但不牺牲生成式 AI「质感」的效果。

分组查询注意力（Grouped-Query Attention, GQA）

这是解决移动设备散热问题的关键技术。在标准 Transformer 架构中，注意力机制是内存带宽的大户。GQA 通过共享键值头（Key-Value Heads）来显著减少推理过程中的数据搬运量，确保模型在长时间运行时也能保持「凉爽」，避免因 GPU/NPU 过热而导致的性能降频。这项技术对于移动端场景尤为重要——手机在长时间运行 AI 任务时很容易发热降频，GQA 从架构层面缓解了这个问题，使得模型即使在持续使用的场景下也能保持稳定的性能表现。

Android AICore 的深度集成

谷歌正在将 Nano Banana 2 直接集成到 Android 操作系统的 AICore 框架中，贯彻其「Local-First」（本地优先）的技术哲学。这意味着未来在支持的 Android 设备上，部分图像生成任务可以直接在设备端完成，无需通过云端 API——这不仅能进一步降低延迟，还能在没有网络连接的环境下提供基础的图像生成能力。当然，完整的云端能力（如联网搜索、4K 输出等）仍然需要通过 API 调用来实现。

2.3 世界知识引擎：不只是「画图」，而是「理解后再画」

Nano Banana 2 最让人眼前一亮的特性之一，是它整合了 Gemini 的完整知识库和实时网络搜索能力。莫潇羽在这里用一个通俗的比喻来解释：

传统的文生图模型就像一个只会照着描述画画的画师——你说画一座城堡，它就根据训练数据中「城堡」的统计特征画一个大致像城堡的东西。但它并不「知道」世界上具体有哪些城堡，每座城堡长什么样。

而 Nano Banana 2 更像一个既有美术功底、又能上网查资料的设计师——你让它画克洛·吕斯城堡（达·芬奇晚年居住的那座法国城堡），它会先联网搜索这座城堡的真实照片和视觉参考资料，搞清楚建筑的结构特征，然后再按照你指定的风格（比如「综合立体主义」）进行渲染。生成的作品不仅艺术风格到位，建筑的基本结构特征也是准确的。

这种「世界知识」能力带来了几个直接的实用价值：

• 画真实存在的建筑、地标、产品时，不再「凭空捏造」，而是基于真实参考。
• 生成信息图表时，能够调用知识库中的结构化信息来保证内容的准确性。
• 把手写笔记转换成专业示意图，或将数据直接可视化为图表。

谷歌还专门制作了一个名为「Window Seat」（靠窗座位）的演示应用来展示这一能力：通过调用知识库、网络图像搜索和实时天气数据，生成世界各地不同地点的逼真飞机窗外风景——每一帧窗外的景色都基于真实的地理和气象信息。

莫潇羽@无忆研习社在这里举几个更具体的例子，帮大家理解「世界知识」到底怎么用：

生成科普信息图：让模型生成「水循环的科普信息图」，模型会选择合适的视角（比如鸟瞰俯拍），在干净的背景上清晰地铺开水循环的每个步骤，配上箭头引导视线，整体风格既有教育感又不沉闷。这样的图你可以直接拿去课堂或者自媒体文章中使用。

生成专业对比图：比如让模型做一张「积云、层云和卷云的对比图」，它会采用三联画的形式，把三种云类型分别放在不同画幅中，每种云搭配极具戏剧感的天空背景和醒目的标签文字。整体可以做到高对比度、信息清晰、视觉冲击力强。

联网搜索后风格化渲染：你可以指定一个真实地点（比如某座历史建筑），然后要求模型用特定的艺术风格来表现它。模型会先上网搜索这个地点的真实图片，理解其结构特征后，再用指定风格进行创作。生成的作品既保留了建筑的真实特征，又具备了艺术风格的表现力。

生成实时新闻可视化：模型可以联网获取当前新闻信息，并据此生成新闻版面风格的图像。不过需要注意的是，在新闻类内容的细节准确性上仍有一定局限——大标题和主要信息通常没问题，但较小的文字细节可能存在偏差。

三、六大核心能力详解：Nano Banana 2 到底能做什么

3.1 精准文本渲染与多语言翻译

AI 图像生成领域有一个长期未解决的痛点：生成的文字像「鬼画符」。无论是英文还是中文，以往的模型在图像中渲染文字时经常出现字形扭曲、拼写错误、笔画缺失等问题，导致生成的海报、名片、产品包装图基本不可用。

Nano Banana 2 在这个问题上下了大功夫。根据谷歌官方和多家第三方测试的反馈，该模型的文本渲染能力有了质的飞跃，在实际生产环境中的可用性有了根本性的改善：

• 英文文本渲染清晰度和准确度接近手工排版水平，适合直接用于营销海报、贺卡、社交媒体素材等场景。
• 中文汉字的稳定性显著提升。多位测试者反馈，生成的汉字「稳得一批」，基本告别了以前那种歪歪扭扭的状态。
• 支持多种字体风格：手写体、衬线体、无衬线体、标题字等，都能按照提示词要求准确渲染。

更实用的是「图像内翻译和本地化」功能。你可以用一句话完成场景的本地化——比如将一个英文版的户外指示牌场景转换为印度场景，模型不仅会将所有文字翻译成印地语，还会同步调整植被、光线氛围等视觉元素来适配目标市场。对于做全球化内容的创作者来说，这种「一键本地化」能力意味着不再需要为每个市场单独重新设计素材。

谷歌为此还配套推出了一个「Global Ad Localizer」（全球广告本地化工具）的演示，能直接把广告素材翻译成不同语言版本，同步调整画面中的视觉元素。

3.2 主体一致性：同一角色在多张图中不再「变脸」

这是 Nano Banana 2 对创意工作者最有吸引力的升级之一。

具体来说，在一个工作流中，模型最多能保持 5 个角色的外观特征一致（包括服装、发型、肤色、体型等），以及 14 个对象的高保真度（道具、背景元素等不走样）。

什么概念？想象你在创作一个儿童绘本，故事里有三个主角需要在六个场景中反复出现。以前的做法是：每生成一张图都要祈祷模型不要把主角的脸换了、把衣服颜色改了。而现在，Nano Banana 2 能够做到：

• 三个角色在六张不同场景的图中，服装和外貌特征始终一致。
• 但表情、姿态、视角可以根据每个场景的需要灵活变化。
• 严格保证每张图中每个角色只出现一次（不会出现「分身」的问题）。

这个能力对于需要做连续叙事的创作者（绘本作者、漫画家、品牌 IP 设计师、分镜师等）来说价值巨大。莫潇羽@无忆研习社认为，这可能是 Nano Banana 2 在实际生产环境中最具商业价值的特性之一。

谷歌还推出了一个名为「Pet Passport」（宠物护照）的趣味演示应用：上传一张宠物照片，模型就能让你的宠物在全球各大地标「打卡旅行」，而且无论去到哪个目的地，宠物的外观始终保持高度一致。

在实际使用中，主体一致性的应用场景远不止绘本创作。以下是 莫潇羽@无忆研习社 整理的几个典型工作流：

品牌吉祥物的多场景应用：假设你设计了一个品牌吉祥物，需要它出现在不同的营销场景中——春节版、情人节版、国庆版等等。以前你需要每次重新手绘或让设计师重新制作，现在只需要在第一张图中定义好吉祥物的特征，后续的场景生成中它都会保持一致的外观。

电商产品的场景化展示：同一件产品需要在不同的使用场景中展示（比如一个背包分别出现在登山、通勤、旅行的场景中），模型可以确保产品在每个场景中的外观、颜色、细节都完全一致，不会出现「同一个产品换了三个颜色」的尴尬。

社交媒体连载内容：如果你在运营一个连载型的社交媒体账号（比如一个虚拟角色的日常故事），主体一致性功能可以让你的角色在数十张甚至上百张图中保持统一的视觉形象，大大减少后期修正的工作量。

游戏和动画的概念设计：在游戏或动画的前期概念设计阶段，设计师需要为同一个角色绘制不同动作、不同表情、不同角度的概念图。Nano Banana 2 的一致性功能可以显著加速这个过程，让设计师把更多精力放在创意本身而不是「保持画面统一」这种机械性工作上。

谷歌 DeepMind 的「氛围编码」演示也值得一提。在这个演示中，他们让 Nano Banana 2 进行连续的场景生成——每一帧画面，模型都只能看到前一张图，需要「脑补」出接下来的场景。结果表明，模型的场景连贯性达到了令人惊讶的水平，相邻帧之间的过渡非常自然。

3.3 灵活的分辨率与宽高比支持

Nano Banana 2 在输出规格上拉到了很高的灵活度：

• 分辨率范围：从 512px 一直到 4K（约 4096px），共分为四个档位：0.5K、1K、2K、4K。
• 512px 是新增的档位：专门为低延迟、高并发场景优化。如果你的工作流需要快速迭代大量草稿或进行 A/B 测试，这个档位能把效率拉到极致。
• 宽高比支持：除了常见的 1:1、16:9、9:16、4:3、3:4 等比例外，这次新增了 4:1、1:4、8:1 和 1:8 这些极端比例。横幅广告、竖屏长图、信息流卡片都能原生适配，不再需要依赖后期裁切。

值得一提的是，1:4、4:1、1:8、8:1 这些极端宽高比是 Nano Banana 2 独有的新增功能，Nano Banana Pro 并不支持。如果你的应用场景中有大量横幅或信息图需求，那这个模型就是唯一选择。

3.4 可配置的思考级别（Thinking Level）

这是面向开发者的一个进阶功能。你可以通过 API 参数手动调整模型在生成图像之前的「思考深度」：

• 默认级别（Low）：追求最快速度，适合批量生成和快速迭代。
• 高级模式（High）：模型会在渲染前对复杂提示词进行更充分的推理，显著提升输出质量和指令遵循度。
• 动态模式（Dynamic）：模型自动判断提示词的复杂度并动态调整思考深度。

这个功能的意义在于，它让开发者能够根据不同的业务场景灵活权衡速度和质量，实现真正的按需调配。生成缩略图预览时用低级别追求速度，生成最终交付件时切换到高级别追求质量——一个 API 参数就能完成质量档位的切换控制。

需要注意的是，根据开发者文档的说明，思考产生的 Token 是计费的，无论你是否在 API 响应中请求返回思考内容。

3.5 视觉质量的整体跃升

除了以上具体功能点，Nano Banana 2 在「基础画质」层面也有明显提升：

• 光影更生动：漫射光、逆光、侧光等复杂光照条件的渲染更加自然，不再出现「塑料感」。
• 纹理更丰富：皮肤的毛孔细节、织物的纤维质感、金属的反光效果等微观纹理有了显著改善。
• 细节更锐利：在高分辨率输出下，画面边缘清晰，不会出现模糊或涂抹感。
• 人像渲染突破：Google DeepMind 官方页面的评价提到，该模型在人像渲染方面表现突出，能够呈现皱纹、虹膜色彩细微差异、以及微妙的血管和纹路等精细的解剖层面细节。

3.6 指令遵循能力增强

「指令遵循」这个能力听起来简单，但实际上是文生图模型最难做好的事情之一。用户输入的提示词往往包含多个维度的要求（主体、风格、构图、光线、色调、元素数量等），模型需要同时满足所有这些约束条件。

Nano Banana 2 在这方面做了针对性优化。根据 Google DeepMind 的官方说明，模型在面对多约束提示词时能够更可靠地遵循指令，用户脑海中想象的那些微妙细节现在能被更好地捕捉到。复杂的描述不再被模型「自由发挥」成另一个东西。

四、实操指南：普通用户怎么用 Nano Banana 2

4.1 通过 Gemini App 使用（最简单的方式）

这是大多数人最直接的使用入口。操作步骤如下：

• 访问 gemini.google.com 或打开手机上的 Gemini App。
• 在界面顶部的模型选择器中，切换到 Fast 模式。此时生图请求会自动使用 Nano Banana 2。加载过程中你会看到「Loading Nano Banana 2…」的提示，表明你正在使用最新版本。
• 在对话框中直接输入你的图像生成描述（提示词），模型就会返回生成的图像。

关于模型切换的几个细节需要注意：

• Nano Banana 2 已在 Gemini App 的 Fast、Thinking 和 Pro 三种模式中全面取代了 Nano Banana Pro 成为默认生图模型。
• 如果你是 Google AI Pro 或 Ultra 的订阅用户，仍然可以手动切换回 Nano Banana Pro。方法是：在生成的图像上点击右上角的三点菜单，选择「重新生成图像」（Regenerate Image），然后选择 Nano Banana Pro。
• Gemini App 中新增了模板功能（Templates），你可以直接选择一个预设的图像风格来快速开始创作。

每日生成限额：

• 未订阅 Google AI 方案的用户：24 小时内最多生成 100 张图片。
• 已订阅 Google AI Plus、Pro 或 Ultra 的用户：上限为 1,000 张/24小时。

4.2 通过 Google 搜索使用

Nano Banana 2 也被集成到了谷歌搜索中。你可以在以下入口使用：

• Google App（手机端）
• 移动端和桌面端的 AI Mode
• 智能镜头（Google Lens）

该功能已在全球 141 个国家和地区上线，并新增了 8 种语言支持。

4.3 通过 Flow 使用

Flow 是谷歌的视频编辑工具。Nano Banana 2 已成为 Flow 中的默认图像生成模型，所有 Flow 用户都可以免积分使用。这意味着如果你在 Flow 中制作视频需要生成素材图，可以直接调用 Nano Banana 2 的能力。

4.4 通过 Google Ads 使用

在 Google Ads 中创建广告系列时，系统会基于 Nano Banana 2 自动生成智能素材建议。

4.5 在 Google AI Studio 中测试（开发者推荐）

如果你是开发者，或者想要在正式集成到自己的应用之前先测试效果，Google AI Studio 是最好的实验环境。它是一个基于浏览器的在线工具，可以让你在编写任何代码之前就试验所有可用的 AI 模型。

使用步骤如下：

• 访问 aistudio.google.com，用 Google 账号登录。
• 进入 Build 板块，选择 Gemini 3.1 Flash Image Preview 模型。
• 在提示词输入框中直接输入你的图像生成描述。
• 调整右侧的参数面板（分辨率、宽高比、思考级别等）。
• 点击生成，查看结果并进行迭代优化。

Google AI Studio 还有一个非常实用的功能：你可以直接在这里让 AI 帮你构建一个基于 Nano Banana 2 的简单应用原型。比如输入「基于 Nano Banana 为我构建一个带滤镜的图像编辑应用」，等待片刻就能得到一个可运行的 Demo。

4.6 提示词编写建议（莫潇羽@无忆研习社 实用技巧）

好的提示词是获得高质量输出的关键。以下是一些经过实测验证的提示词编写建议：

结构化描述法：按「主体 → 风格 → 构图 → 光线 → 色调 → 细节」的顺序组织你的提示词。例如：

一只绿眼睛的橘色猫咪坐在深棕色皮沙发上，
风格：电影级摄影，浅景深，
构图：中景特写，略微仰拍，
光线：窗户照进的柔和侧光，温暖的色调，
细节：猫咪毛发纹理清晰可见，背景有虚化的书架。

利用世界知识能力：当你需要画真实存在的地点或物品时，直接在提示词中明确指出名称，模型会自动联网搜索参考资料。例如：

用水彩风格画一张巴塞罗那圣家族大教堂的外观，
视角从正面拍摄，天空中有金色的落日余晖。

多角色叙事场景：如果需要在多张图中保持角色一致，建议先在第一张图中详细描述每个角色的特征，后续图片中引用这些描述。

使用否定描述：明确告诉模型你不想要什么。例如「无文字」「没有人物」「不要卡通风格」等。

利用 Thinking 模式提升复杂场景质量：如果你的提示词比较复杂（包含多个主体、特定的空间关系、精确的色彩要求等），建议在 API 调用中开启高级思考模式（thinkingLevel: high）。虽然这会增加一些生成时间和成本，但对于复杂场景的质量提升非常明显。

图像编辑的对话式技巧：Nano Banana 2 支持基于对话的迭代编辑。你可以先生成一张基础图像，然后在后续的对话中逐步修改细节，比如「把背景换成日落」「给人物加一顶帽子」「把文字颜色改为金色」。每一轮修改，模型都会在保持整体构图不变的前提下执行局部编辑。这比每次重新生成一张全新的图像要高效得多。

中文提示词的注意事项：Nano Banana 2 对中文提示词的理解能力已经比较成熟，你可以直接使用中文来描述你想要的图像内容。不过根据社区的实测反馈，对于一些涉及精确文本渲染的场景（比如在图像中生成特定的中文文字），建议在提示词中明确指出「用中文简体书写」或「汉字清晰可读」等额外说明，可以进一步提升中文文本的渲染质量。

提示词长度建议：一般来说，提示词的长度在 50-200 个词之间效果最好。太短可能导致模型的「自由发挥」空间太大，生成的结果和你的预期偏差较大；太长可能导致模型无法同时满足所有约束条件，某些细节被忽略。如果你的需求确实很复杂，建议将其拆分为多轮对话式的迭代编辑，而不是一次性在提示词中堆砌所有要求。

五、开发者指南：如何通过 API 调用 Nano Banana 2

这一部分是面向有编程基础的开发者的干货内容。莫潇羽在这里尽量写得清晰，但如果你完全没有编程经验，可以先跳到第六部分。

5.1 准备工作

获取 API Key：

• 访问 Google AI Studio（aistudio.google.com）。
• 使用 Google 账号登录。
• 在左侧菜单中找到「Get API key」选项，创建新的 API 密钥。
• 注意：使用 Nano Banana 2 的 API 需要付费 API Key（Paid API Key）。

模型 ID：

gemini-3.1-flash-image-preview

这是 Nano Banana 2 的正式 API 模型标识符。

5.2 Python 代码示例：基础文生图

以下是使用 Google Gen AI SDK（Python）调用 Nano Banana 2 进行文生图的基础代码：

# 安装依赖
# pip install google-genai Pillow

from google import genai
from PIL import Image
from io import BytesIO

# 使用你的 API 密钥配置客户端
client = genai.Client(api_key="YOUR_API_KEY")

# 编写提示词
prompt = """
创建一张照片般逼真的图像，内容是一只绿眼睛的橘猫坐在沙发上，
窗户透进柔和的侧光，背景有虚化的书架。
"""

# 调用 API 生成内容
response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=prompt,
)

# 响应是多模态的，可能同时包含文本和图像
# 遍历响应的各个部分来提取并保存图像
for part in response.candidates[0].content.parts:
    if part.text is not None:
        print("模型返回的文本:", part.text)
    elif part.inline_data is not None:
        image = Image.open(BytesIO(part.inline_data.data))
        image.save("output.png")
        print("图像已保存为 output.png")

5.3 Python 代码示例：图像编辑（多轮对话）

Nano Banana 2 支持在对话中持续修改同一张图像：

from google import genai
from PIL import Image
from io import BytesIO

client = genai.Client(api_key="YOUR_API_KEY")

# 第一轮：生成基础图像
prompt_1 = "生成一个简约风格的品牌 Logo，蓝色调为主。"
response_1 = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=prompt_1,
)

# 提取第一轮生成的图像
first_image = None
for part in response_1.candidates[0].content.parts:
    if part.inline_data is not None:
        first_image = part.inline_data

# 第二轮：基于第一轮结果进行编辑
if first_image:
    prompt_2 = "将颜色改为渐变紫色，并在下方添加公司名称 'TechFlow'"
    response_2 = client.models.generate_content(
        model="gemini-3.1-flash-image-preview",
        contents=[prompt_2, first_image],
    )

    for part in response_2.candidates[0].content.parts:
        if part.inline_data is not None:
            edited_image = Image.open(BytesIO(part.inline_data.data))
            edited_image.save("edited_logo.png")
            print("编辑后的图像已保存")

5.4 REST API 调用示例

如果你更倾向于使用 HTTP 请求直接调用，以下是 REST API 的基本格式：

curl -X POST \
  "https://generativelanguage.googleapis.com/v1/models/gemini-3.1-flash-image-preview:generateContent?key=YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [{
      "parts": [{
        "text": "一幅赛博朋克风格的东京夜景，霓虹灯倒映在雨后的街道上"
      }]
    }],
    "generationConfig": {
      "responseModalities": ["TEXT", "IMAGE"]
    }
  }'

5.5 关键 API 参数说明

以下是开发者在调用时需要关注的关键参数：

关于 Image Search（图像搜索）功能：这是 Nano Banana 2 的一个高级特性，允许模型在生成图像时联网搜索真实的视觉参考资料。这个功能需要通过 Google 原生 API 格式调用，部分第三方兼容接口可能不支持此功能。

5.6 API 调用成本对比

莫潇羽（无忆研习社）在这里整理了一份详细的成本对比表，帮助大家做预算评估：