📝 本期播客简介

本期我们深入 Google DeepMind 的播客《Release Notes》，与 Gemini 全新原生图像生成模型背后的核心团队成员进行了一次深度对话。本期嘉宾包括 Kaushik Shivakumar、Robert Riachi、Nicole Brichtova 和 Mostafa Dehghani，他们是该模型的研究与产品负责人。在这期节目中，你将了解到这次更新如何实现了业界顶尖的图像质量飞跃。团队成员们将通过生动的“香蕉服”和“80年代购物中心”等实例，现场演示 Gemini 强大的多轮编辑、自然语言交互和角色一致性保持能力。你还会听到许多幕后故事：开发团队如何利用“文本渲染”这一看似不相关的指标作为衡量模型结构理解能力的“试金石”？“交错生成”技术如何像语言模型的“思考链”一样，将复杂的图像创作任务分解执行？以及，未来的图像生成模型将如何从追求“美观”走向追求“智能”。这不仅是一次产品发布介绍，更是一堂关于前沿 AI 图像技术如何演进的深度解析课。

🎙️ 本期嘉宾

Kaushik Shivakumar, Robert Riachi, Nicole Brichtova, Mostafa Dehghani，Google DeepMind 团队成员，Gemini 原生图像生成模型的研究与产品负责人。

📒 文字版精华

见微信公众号（点击跳转）

🌟 精彩内容

🗣️ 自然语言驱动的多轮编辑

Gemini 的新能力允许用户通过非常自然的对话方式，对图像进行连续、多轮的编辑。不再需要复杂的提示词工程，只需像和人聊天一样下达指令，模型就能理解并执行，大大降低了使用门槛。

“用户可以用非常自然的语言和模型互动。我不需要输入一长串提示词，我只是给出非常自然的指令，就能跟模型进行多轮有趣的对话。”

🎬 交错生成：上下文中的创意构思

模型可以按顺序生成多张图片，并且在生成后续图片时会参考前面已生成的内容。这使得模型能在保持主题或角色一致性的前提下，进行多种风格的创意探索，就像在一个连续的上下文中进行创作。

“模型会参考前面已经生成的图片，然后决定是生成一张完全不同的，还是只做微小的修改。它至少拥有已经生成内容的上下文信息。”

✍️ 文本渲染：衡量图像质量的“试金石”

团队发现，模型渲染文本的能力，能很好地反映其生成图像整体结构的能力。当模型能处理好文本这种结构化信息时，它处理图像中其他结构的能力也会更强，这成为了一个评估模型整体质量的有效代理指标。

“文本渲染能力能很好地反映出模型生成场景结构的能力有多强。”

🧩 图像生成的“思考链”

面对极其复杂的编辑或生成指令，模型可以将其分解成多个简单的步骤，然后一步步执行。这种“分步思考”的方式，类似于语言模型中的“思考链”，让模型能够完成过去一次性生成难以实现的复杂任务。

“你可以让模型把一个复杂的指令…分解成好几个步骤，然后一步一步地进行编辑…这跟我们在语言模型上做的‘思考链’非常像。”

🧠 未来的模型：追求“智能”而非仅仅“美观”

团队的终极目标是创造一个“智能”的图像生成模型。这种智能体现在，模型不仅能生成高质量的图像，更能理解用户的深层意图，甚至在某些情况下，生成比用户原始指令更好的结果，让用户感觉在与一个聪明的创意伙伴互动。

“当用户和它互动时，他们不仅会被图像质量惊艳到，更会觉得：‘哇，这东西真聪明。’”

🌐 播客信息补充

翻译克隆自：Behind the scenes of Google's state-of-the-art "nano-banana" image model

本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的

使用 AI 进行翻译，因此可能会有一些地方不通顺；

如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight