Google показала Nano Banana 2.1 для сложной верстки и панорам
Любой арт-директор знает эту тихую боль: заказываешь для городского медиафасада панораму с соотношением восемь к одному, а генератор послушно разрезает картинку на повторяющиеся куски обоев. В Google DeepMind решили разобрать этот кошмар на запчасти. В октябре 2026 года разработчики выкатили Gemini Nano Banana 2.1 — инструмент под кодовым именем gemini-nano-banana-2.1, нацеленный на высокоточную генерацию картинок и диалоговое редактирование прямо в рабочем потоке.
По своей архитектуре новинка опирается на фундамент Gemini 3.6 Flash и входит в третью линейку Gemini. По сути, перед нами прямой апгрейд модели Nano Banana 2 (известной как Gemini 3.1 Flash Image) и куда более легкий, шустрый противовес тяжелой Gemini 3 Pro Image. Модель сохранила стремительность ветки Flash, но закрыла давние пробелы в типографике, следовании промптам и передаче лиц под разными углами. Нас подкупило, что инженеры наконец избавились от тайлинг-артефактов: пропорции 1:4, 4:1, 1:8 и 8:1 теперь рендерятся монолитным полотном даже в разрешениях 2K и 4K при базовом значении в 1K.
Работа с референсами и поиск
Главная практическая фишка релиза — мультимодальный синтез на стероидах. В один запрос разрешено упаковать до 14 вспомогательных изображений. Система удерживает характер четырех независимых персонажей и сохраняет геометрию до десяти предметов сразу. Больше не нужно часами объяснять сетке, что фирменная бутылка лимонада на столике не должна менять этикетку при смене ракурса. Сюда же прикрутили заземление на поиск: модель умеет подтягивать данные через Google Web и Image Search, чтобы опираться на актуальную визуальную фактуру.
Степень осмысления сцены можно регулировать руками через параметры рассуждений Thinking. Предусмотрено три режима: minimal, medium (он активен по умолчанию) и high. Если дать модели подумать подольше, она аккуратнее раскладывает смысловые слои на плакатах и диаграммах.
Системные рамки и возможности интерфейса
Система всеядна на входе: принимает текст, статичные изображения, видеофайлы и документы PDF. Отдает наружу текст и сгенерированную графику. Контекстное окно архитектуры переваривает до 1 000 000 токенов, выдавая до 64 000 токенов текста и до 4 000 токенов под изображение. В рамках рабочего API лимиты зафиксированы на отметке 131 072 токена на вход и 32 768 токенов на выход. Документация распространяется по лицензии Creative Commons Attribution 4.0, примеры кода отданы под Apache 2.0.
Для массового продакшена открыли пакетную обработку через Batch API, но режимы Flex inference и Priority inference пока недоступны. Заодно компания очертила жесткий список ограничений. Модель не обучена генерировать аудио, музыку или речь через Lyria и Voice design, не поддерживает кэширование, выполнение кода, поиск по файлам и вызов функций. Прямой контекст URL, структурный вывод, Live API и связка с картами Google Maps тоже остались за бортом.
Что показывают тесты производительности
По результатам слепых пользовательских тестов и стандартных синтетических замеров Nano Banana 2.1 обошла предшественников почти во всех дисциплинах. Особенно заметен отрыв в верстке инфографики и удержании внешности героев.
| Бенчмарк генерации из текста | Nano Banana 2.1 (Thinking) | Nano Banana 2.1 (No Thinking) | Gemini 3.1 Flash Image (Thinking) | Gemini 3 Pro Image |
|---|---|---|---|---|
| Общее предпочтение (Overall) | 1050 ± 14 | 1015 ± 13 | 990 ± 7 | 935 ± 8 |
| Дизайн инфографики | 1048 ± 17 | 1001 ± 17 | 961 ± 12 | 912 ± 12 |
| Фактическая точность схем | 0.521 | 0.328 | 0.179 | 0.265 |
В задачах локальной коррекции включение блока рассуждений тоже дает ощутимый прирост, пускай даже без него модель держится на уровне профессиональной Pro-версии прошлого поколения.
| Бенчмарк редактирования | Nano Banana 2.1 (Thinking) | Nano Banana 2.1 (No Thinking) | Gemini 3.1 Flash Image (Thinking) | Gemini 3 Pro Image |
|---|---|---|---|---|
| Общее редактирование | 1026 ± 12 | 980 ± 15 | 938 ± 11 | 939 ± 10 |
| Консистентность одного героя | 1028 ± 14 | 1021 ± 14 | 981 ± 10 | 991 ± 9 |
| Группа персонажей | 1106 ± 14 | 1068 ± 14 | 978 ± 10 | 1011 ± 10 |
| Масочное редактирование (Ink) | 1049 ± 15 | 1042 ± 16 | 965 ± 12 | 927 ± 12 |
| Стабильность предмета | 1024 ± 18 | 981 ± 18 | 955 ± 22 | 965 ± 14 |
| Стилизация | 1062 ± 20 | 1036 ± 17 | 991 ± 12 | 990 ± 12 |
| Редактирование по референсам | 1066 ± 22 | 1041 ± 20 | 988 ± 13 | 989 ± 12 |
Границы возможностей и безопасность
Идеализировать релиз рано: слабые места видны невооруженным глазом. Мелкий кегль шрифта в разрешении 1K все еще расплывается пятнами, а длинные связные абзацы или журнальные полосы целиком модели пока не по зубам. При масочной правке дудлами на холсте порой остаются следы виртуальной туши, а сложные трехмерные пространственные построения приводят к банальной путанице левой и правой стороны. База знаний у архитектуры зафиксирована мартом 2026 года, а для отдельных дисциплин обрывается январем 2025 года.
Независимый ред-тиминг серьезных угроз не выявил. Проверка на детскую безопасность показала результаты на уровне или выше Gemini 3 Flash, а тесты в рамках внутренней программы Frontier Safety подтвердили, что опасных пороговых возможностей модель не достигла.
Мы бы попробовали встроить новинку в пайплайн сборки мудбордов, раскадровок и широкоформатных баннеров для наружки. Возможность скормить системе четырнадцать исходников и не бояться, что лица ключевых героев поплывут на соседних кадрах, бережет часы ручной отрисовки. Это еще не волшебная кнопка для чистовой верстки глянца, но уже чертовски быстрый ассистент, который перестал пугаться панорамных пропорций.
