Google Deepmind 正在為 Gemini 應(yīng)用添加一款全新的圖像編輯模型，該模型能按需對(duì)照片進(jìn)行大幅修改，同時(shí)確保人物和動(dòng)物保持可識(shí)別性。
這款全新的?“Gemini 2.5 Flash 圖像生成”?模型基于?Gemini 早期原生圖像生成工具構(gòu)建，但在提示詞處理上更加精準(zhǔn)。谷歌表示，其表現(xiàn)通常優(yōu)于?ChatGPT?所使用的 GPT-4o 模型，尤其是在遵循文本指令進(jìn)行圖像編輯方面。雖然許多純圖像模型仍在與提示詞準(zhǔn)確性作斗爭(zhēng)，但 Gemini 2.5 Flash 的準(zhǔn)確率更高。
一個(gè)關(guān)鍵特性是“角色一致性”：該模型能夠使人物、動(dòng)物或物體在多張圖像中保持視覺(jué)上的一致，即使姿勢(shì)、背景或光線發(fā)生變化。
Gemini 2.5 Flash 能在新場(chǎng)景中保持角色一致性。其表現(xiàn)是否優(yōu)于更復(fù)雜的微調(diào)方法仍有待觀察。| 圖片來(lái)源：Google Deepmind
這為創(chuàng)建圖像系列或多角度產(chǎn)品拍攝開(kāi)辟了新的可能性。谷歌表示，該模型非常適合生成一致的品牌資產(chǎn)和產(chǎn)品目錄，并聲稱 Gemini 2.5 Flash 在廣泛的編輯任務(wù)上優(yōu)于其他圖像系統(tǒng)。
Gemini 2.5 Flash 在多項(xiàng)人工評(píng)分的圖像編輯基準(zhǔn)測(cè)試（ELO 分?jǐn)?shù)）中優(yōu)于之前的模型。| 圖片來(lái)源：Google
該模型還支持通過(guò)文本提示進(jìn)行精確的局部編輯。用戶可以模糊背景、去除瑕疵、添加顏色或擦除整個(gè)對(duì)象，而無(wú)需手動(dòng)選擇。一款名為?“PixShop”的模板應(yīng)用?通過(guò)簡(jiǎn)單的界面和提示控制展示了這些編輯功能。
PixShop 展示了 Gemini 2.5 Flash 基于文本的編輯工具。| 圖片來(lái)源：Google Deepmind
圖像合成、風(fēng)格遷移與真實(shí)世界推理
Gemini 2.5 Flash 可以一次性融合最多三張圖像。例如，您可以將產(chǎn)品照片和房間照片結(jié)合起來(lái)，創(chuàng)造出逼真的室內(nèi)場(chǎng)景。包含多個(gè)元素的復(fù)雜構(gòu)圖可以通過(guò)單次提示生成。谷歌還提供了一個(gè)?交互式畫(huà)布工具?用于多圖像融合。
Gemini 2.5 Flash 將多張圖像混合成一個(gè)構(gòu)圖。| 圖片來(lái)源：Google Deepmind
該模型也能處理風(fēng)格遷移，將圖案、顏色或紋理從一個(gè)物體轉(zhuǎn)移到另一個(gè)物體，同時(shí)保持形狀和細(xì)節(jié)不變。典型的例子包括帶有蝴蝶圖案的連衣裙或帶有花卉紋理的靴子。
Gemini 2.5 Flash 跨物體應(yīng)用圖案和風(fēng)格。| 圖片來(lái)源：Google Deepmind
Gemini 2.5 Flash 還能可視化簡(jiǎn)單的因果關(guān)系，谷歌稱之為“真實(shí)世界推理”。在一個(gè)演示中，模型生成了一張氣球飄向仙人掌的圖像，然后又生成了另一張顯示接下來(lái)會(huì)發(fā)生什么的圖像。
該模型可以闡釋因果關(guān)系，例如氣球遇到仙人掌。| 圖片來(lái)源：Google Deepmind
谷歌表示，這些語(yǔ)義特性借鑒了 Gemini 2.5 的世界知識(shí)。您可以使用一款?遵循文本指令的繪畫(huà)應(yīng)用?親自嘗試這些功能。
面向用戶和開(kāi)發(fā)者開(kāi)放
Gemini 2.5 Flash 圖像工具現(xiàn)已可在?Gemini 應(yīng)用?中使用。您無(wú)需在聊天欄中選擇 “Imagen” 圖像模型，而是需要在左上角切換到 “Flash” 語(yǔ)言模型才能使用新功能。這個(gè)設(shè)置起初可能有點(diǎn)令人困惑，但考慮到 Gemini 基于語(yǔ)言的編輯方法，這是合理的。
要使用 Gemini 2.5 Flash 圖像編輯，請(qǐng)?jiān)?Gemini 應(yīng)用中選擇 “Flash” 語(yǔ)言模型。| 圖片來(lái)源：THE DECODER 截圖
選擇正確的模型后，您可以上傳圖像并向 Gemini 發(fā)出編輯指令。每張圖像都帶有可見(jiàn)水印和不可見(jiàn)的?SynthID 數(shù)字水印。
Gemini 2.5 Flash Image?也通過(guò)?Gemini API、Google AI Studio?和?Vertex AI?提供預(yù)覽版。定價(jià)為每百萬(wàn)輸出 tokens 30 美元。每張圖像使用約 1290 個(gè) tokens，即每張圖像約 0.039 美元，與 Gemini 2.0 Flash Image 相同。
精選文章：
我們現(xiàn)在為誰(shuí)設(shè)計(jì)？
借助人工智能聊天機(jī)器人，大型科技公司正在快速發(fā)展并打破人們的幻想
他們本來(lái)不想當(dāng)建筑師，卻成了普利茲克獎(jiǎng)得主