Gemini 2.5 Flash (Nano Banana) 图像编辑能力测试

Nano Banana是很强，可以说是目前一致性做的最好的模型了，但是说要取代PS，那的确还有距离。 我提供了这么一张图片，就是英国最常见的牛奶。

我让Gemini 2.5 Flash，也就是Nano Banana给我把2 Litres换成1 Litres，需求并不复杂，唯一的难度估计就是文字在侧面，不是正对屏幕。

生成的效果粗看非常棒。

放在一起看几乎没有任何差别。

瓶身的两个凹痕一模一样。

甚至类似于水印，不仔细都会漏掉的跟脏东西一样的东西都非常像。

但这一步其实已经非常强了，但是我还是要说，细节还是不够。

这七点算是非常明显的：

• Litres，它直接搞混了，不知道创造了一个什么单词，粗看像
• Recycle可回收的标志不对，字肯定也不对
• USE BY，像但不对，SE已经被改的面目全非了
• 保质期的数字也是像
• MILK的字体都变了，其实证明的气体也变了，横都不直了
• 字不对
• 应该是keep refrigerated，又是像，但不对

但是怎么说呢，瑕不掩瑜，它已经可以做到形似甚至神似了，但是我考察到像素点级别也确实有点儿难为人了。

Nano Banana在这一点上其实已经非常接近”傻瓜式修图”的理想境界了。以前这种需求，哪怕是在PS里操作，也得花上几分钟，先抠字、再匹配字体、再调整透视，最后还要修补阴影和边缘。而现在只要一句话，它就能生成一个足以以假乱真的结果。

能从这个结果看到，Gemini走的应该还是DIffusion那一套。

但问题也同样明显：一致性做到极致并不意味着”可控性”也达到了。比如在这个牛奶瓶的例子里，它把「2 Litres」改成「1 Litres」的同时，却不可避免地”波及”了周边的一些元素，导致Recycle、Use By、Keep Refrigerated 这些细节出现了肉眼可见的偏差。

这其实揭示了一个更深层的问题：Diffusion 系模型在局部替换时，本质上还是在”重构整个画面”，它会生成一个与原图相似度极高的版本，而不是严格意义上的”逐像素覆盖”。所以当我们说它”像素级复现”的时候，本质是概率意义上的趋同，而不是严格的拷贝。

也就是说，它的优势在于自然感和整体一致性，而劣势就在于精确可控性。这也是为什么说”取代PS”还有距离：PS是矢量式、确定性的，你改哪里就只改哪里；而AI修图是概率式、生成性的，它会”照顾”上下文，但同时也会”过度照顾”。

不过，回过头来说，这种”过度”反而可能是未来的价值所在。它意味着AI在做的不仅是修改，而是在”理解+再创造”。就像我这里的例子，它已经不单是把 2 改成 1，而是几乎重新”再画”了一张瓶身标签。

所以结论很微妙：它离PS还有差距，但它也不是PS的替代品，而是另一条路线。未来可能出现的是两者的融合——AI负责生成自然感，PS负责精准控制。

最后，Lecun日思夜想的World Model恐怕要在Google手里面诞生了。

视觉，听觉，思维，Google现在每一个维度都在碾压Meta。