‏گوگل نانو بانا ۲ را عرضه کرد: پادشاه جدید تولید تصویر هوش مصنوعی؟

معرفی نانو بانا 2

گوگل اخیراً نرم‌افزارهای هوش مصنوعی را با سرعتی خیره‌کننده منتشر کرده است.

تنها در هفته گذشته، ما شاهد Gemini 3.1، Lyria و Pali بودیم که با ویژگی عکاسی همراه بود و به نظر می‌رسید مورد استقبال گسترده قرار گرفت. و اکنون، دنباله‌ای برای بزرگترین موفقیت تولید تصویر سال گذشته منتشر شده است.

نانو بانا 2 که پنجشنبه عرضه شد، «هوش با سرعت بالای Gemini Flash را به تولید بصری می‌آورد و امکان ویرایش و تکرار سریع را فراهم می‌کند»، گوگل در یک پست وبلاگ رسمی اعلام کرد و افزود: «این ویژگی‌های منحصربه‌فرد Pro را برای مخاطبان گسترده‌تری در دسترس قرار می‌دهد.»

در اینجا یک خلاصه سریع ارائه می‌شود. نانو بانا اصلی در واقع Gemini 2.5 Flash Image نام داشت و اساساً همین بود: یک تولیدکننده تصویر مبتنی بر Gemini 2.5 Flash. سپس نانو بانا پرو وارد شد که Gemini 3 Pro Image بود و در زمان عرضه در نوامبر گذشته به استاندارد طلایی برای ویرایش تصویر با هوش مصنوعی تبدیل شد.

معرفی نانو بانا 2: بهترین مدل تولید و ویرایش تصویر ما تا به امروز. 🍌

کیفیت سطح Pro، با سرعت Flash. امروز در سراسر @GeminiApp، Search و ابزارهای توسعه‌دهنده و خلاقیت ما عرضه می‌شود.

— Google (@Google) 26 فوریه 2026

نانو بانا 2 از نظر فنی Gemini 3.1 Flash Image است – بنابراین دنباله مستقیمی برای Pro نیست، بلکه بیشتر یک نسخه به‌روزرسانی شده قابل توجه از نسخه اصلی است که اکنون بر روی زیرساخت جدیدتر Gemini 3 Flash اجرا می‌شود. گیج‌کننده؟ بله.

هدف در اینجا ساده است: هر چیزی که نانو بانا پرو را خاص کرده است، بگیرید و آن را با سرعت Flash اجرا کنید.

نانو بانا 2 جدید امروز در سراسر اکوسیستم گوگل عرضه می‌شود. در برنامه Gemini، نانو بانا پرو را به عنوان پیش‌فرض در مدل‌های Fast، Thinking و Pro جایگزین می‌کند. مشترکین Google AI Pro و Ultra همچنان می‌توانند با بازسازی از طریق منوی سه نقطه‌ای، به نانو بانا پرو برای کارهای تخصصی دسترسی داشته باشند.

همچنین در حالت هوش مصنوعی و Lens در جستجوی گوگل فعال است، از طریق Gemini API در AI Studio و در Vertex AI در حالت پیش‌نمایش در دسترس است و مدل پیش‌فرض جدید تولید تصویر در Flow با صفر اعتبار برای همه کاربران است. گوگل همچنین در حال گسترش واترمارکینگ SynthID و افزودن پشتیبانی از C2PA Content Credentials است تا ابزارهای بهتری برای شناسایی رسانه‌های تولید شده توسط هوش مصنوعی در اختیار پلتفرم‌ها قرار دهد. از زمان نوامبر، از ویژگی تأیید SynthID بیش از 20 میلیون بار استفاده شده است.

قابلیت‌های جدید

بزرگترین خبر، دانش جهانی است. نانو بانا 2 می‌تواند در حین تولید تصویر از جستجوی وب در زمان واقعی استفاده کند، به این معنی که می‌تواند موضوعات خاص را با دقت رندر کند. لوگوها، نشانه‌ها، رویدادهای اخیر، هویت‌های برند – می‌داند که چیزها چگونه به نظر می‌رسند زیرا می‌تواند آن‌ها را جستجو کند، نه اینکه فقط از داده‌های آموزشی حدس بزند.

رندر متن نیز ارتقای جدی داشته است. اکنون می‌توانید متن دقیق و خوانا را در داخل تصاویر تولید کنید، چه آن را در اعلان خود هجی کنید یا به مدل اجازه دهید بر اساس زمینه تصمیم بگیرد چه چیزی بنویسد. همچنین ترجمه درون تصویر را انجام می‌دهد، بنابراین می‌توانید یک کمپین تبلیغاتی را در چندین زبان محلی‌سازی کنید بدون اینکه نیاز به بازسازی بصری از ابتدا داشته باشید.

ثبات موضوع نیز وارد قلمروهای جدید می‌شود. به گفته گوگل، این مدل می‌تواند شباهت شخصیت را در حداکثر پنج موضوع حفظ کند و وفاداری بصری را تا 14 شیء در یک گردش کار واحد حفظ کند. این برای هر کسی که در حال ساخت روایت، استوری‌بورد یا دارایی‌های برند ثابت است، یک معامله بزرگ است.

در بخش تولید، شما همه چیز را از 512 پیکسل تا 4K دریافت می‌کنید، با پشتیبانی بومی از طیف گسترده‌ای از نسبت‌های تصویر. دستورالعمل‌ها نیز نسبت به مدل‌های Flash قبلی دقیق‌تر هستند، که در عمل به معنای اعلان‌های کمتر است که تا حدودی کاری را که درخواست کرده‌اید انجام می‌دهند، و اعلان‌های بیشتری که دقیقاً همان کاری را که درخواست کرده‌اید انجام می‌دهند.

استدلال نیز اکنون قابل تنظیم است. توسعه‌دهندگان می‌توانند سطوح تفکر را از Minimal (پیش‌فرض) تا High یا Dynamic تنظیم کنند، و به مدل اجازه می‌دهند قبل از تعهد به رندر، از طریق اعلان‌های پیچیده استدلال کند. این ترکیب سرعت و تفکر اختیاری است که بسیاری از پیشرفت‌های کیفیتی از آن ناشی می‌شود.

ادعاهای سرعت واقعی هستند. ما از نانو بانا 2 خواستیم تا یک جدول زمانی کامل از اکوسیستم بیت‌کوین را تولید کند، از جمله تحقیق و آثار هنری نهایی. کل فرآیند تقریباً به همان اندازه زمانی طول کشید که نانو بانا پرو فقط برای تکمیل جدول زمانی بیت‌کوین نیاز داشت. وقتی این را با یک اعلان جدول زمانی اتریوم دنبال کردیم، به سختی به عنوان زمان اضافی ثبت شد. این یک شکاف معنادار برای هر کسی است که خطوط لوله تکراری را اجرا می‌کند یا در مقیاس بزرگ می‌سازد.

قابلیت دانش جهانی واقعاً نحوه احساس خروجی را تغییر می‌دهد. وقتی ما یک جدول زمانی رمزنگاری تاریخی را درخواست کردیم، مدل چندین منبع را جستجو کرد، مرتبط‌ترین رویدادها را انتخاب کرد و هنر را حول آن‌ها ساختار داد. عمومی نبود. مدل تصمیمات سرمقاله گرفت. تنها نقص واقعی که ما مشاهده کردیم، یک پیوند بصری از دست رفته بین پایان یک بخش و شروع بخش دیگر بود. بقیه همه با هم هماهنگ هستند. در مقایسه، نانو بانا پرو چیزی هنری‌تر و عمومی‌تر تولید کرد و هیچ تلاشی برای منبع‌یابی یا اولویت‌بندی رویدادها انجام نداد.

به عنوان مثال، این چیزی است که نانو بانا 2 هنگام درخواست «ایجاد یک جدول زمانی از تاریخچه بیت‌کوین، برجسته کردن مهم‌ترین رویدادها از زمان ایجاد آن تا امروز. صفحه عریض، سبک نقاشی کودکان» با استفاده از تفکر تولید کرد.

برای مقایسه، این همان تولید با استفاده از نانو بانا پرو است:

ثبات شخصیت و مدیریت متن چشمگیرترین بخش نتایج آزمایش ما بود. ما از مدل خواستیم تا جلد مجله را تولید کند و هر خط متن دقیق و واضح ظاهر شد. هیچ کاراکتر نامفهومی، هیچ تایپوگرافی سرگردانی وجود نداشت.

نانو بانا پرو نیز در اینجا قوی است، اما بیشتر دچار مشکل می‌شود و خروجی جلد مجله آن دارای کیفیت رندر سه‌بعدی است که مصنوعی به نظر می‌رسد.

نتیجه نانو بانا 2 واقع‌گرایانه به نظر می‌رسد. همچنین هنگام تولید متن با استدلال خود، نه فقط زمانی که صریحاً به آن گفته می‌شود چه چیزی بنویسد، کاراکترهای نامفهوم کمتری را نشان می‌دهد.

با این حال، این مدل یک سقف محتوایی مشخص دارد. ما از نانو بانا 2 خواستیم تا یک عکس واقعی را ویرایش کند و لباس را به لباس زیر تغییر دهد. پس از یک چرخه استدلال طولانی، آن را رد کرد. این انتظار می‌رود، اگر این واقعیت نبود که از تولید ویرایش در عکس یک زن خودداری کرد، اما نه در عکس یک مرد.

درخواست تعویض لباس شنا خوب کار کرد. سطح سانسور تقریباً معادل نانو بانا پرو است، به این معنی که هر چیزی که به سمت قلمرو صریح یا دستکاری افراد واقعی در زمینه‌های تحریک‌آمیز حرکت کند، مسدود می‌شود. این مهم‌تر از آن چیزی است که به نظر می‌رسد، و ما به زودی به دلیل آن خواهیم پرداخت.

رقابت در بازار

نکته در مورد راه‌اندازی یک مدل تصویر برجسته در اواخر فوریه 2026 این است: ByteDance Seedream 5 را در همان هفته راه‌اندازی کرد.

Seedream در سال گذشته به یک مورد علاقه در جامعه تبدیل شده است و دلایل خوبی هم دارد. انعطاف‌پذیر است، مقرون به صرفه است – حدود 0.035 دلار در هر تصویر از طریق API که حدود یک سوم قیمت گوگل است – و تعدیل محتوای آن به طور قابل توجهی آزادتر از گوگل است. این نکته آخر، طرفداران وفاداری را در میان سازندگانی که نیاز به فضای بیشتری برای کار با افراد واقعی یا فشار دادن مرزهای بصری دارند، ایجاد کرده است.

Seedream 5 جستجوی وب در زمان واقعی را به خط تولید خود، استدلال بهبود یافته، ثبات مرجع قوی‌تر و پشتیبانی از حداکثر 14 تصویر مرجع در یک گردش کار ویرایش چند دوره‌ای می‌آورد. در عرض چند ثانیه با کیفیت 2K و 4K تولید می‌کند. همچنین می‌تواند به صورت محلی اجرا شود، که گوگل اجازه نمی‌دهد، و در CapCut و Jianying ByteDance و از طریق API استاندارد در دسترس است.

به طور خلاصه، هم گوگل و هم ByteDance در همان هفته مدل‌های تصویری مبتنی بر جستجوی وب و تقویت‌شده با استدلال را منتشر کردند. این چیزی در مورد جهت‌گیری کل این دسته به شما می‌گوید.