4
0本期节目，由 Enpleasure 生成和提供。Enpleasure，是一个用母语收听外文播客的工具。如果你想体验更多可以使用母语收听的外文播客，欢迎访问 enpleasure.com ，开启你的探索之旅。
在本期 “Release Notes” 中，来自 Google DeepMind 的 Logan Kilpatrick 与 Kaushik、Robert、Nicole 和 Mostafa（这支全新 Gemini 原生图像生成模型背后的团队）展开讨论。他们谈到了 Gemini 和 2.5 Flash 在图像生成与编辑能力方面的最新更新，强调了模型在质量、一致性和速度上的提升。团队分享了模型能力的示例，例如根据复杂提示创建图像、在多次编辑中保持角色一致性，以及在图像中生成文本。他们还深入探讨了评估图像生成模型的挑战、将文本渲染作为衡量整体图像质量的重要指标，以及图像理解与生成之间的相互作用。团队也触及了 Gemini 与 Imagine 模型的差异，重点关注使用场景和未来方向，包括聪明程度与图解准确性。
要点：
- Gemini 原生图像生成模型在图像生成与编辑能力上实现了“巨大的质量飞跃”。
- 模型能够理解诸如“make it nano”这类模糊提示，展现了其创造力与世界知识。
- 通过自然语言指令在多次编辑中保持场景一致性，是新模型的一项关键进步。
- 文本渲染质量可作为评估模型整体图像质量与结构理解的一项有用指标。
- 原生图像生成模型可利用先前图像的多模态上下文来生成后续图像，从而产生更连贯且风格一致的输出。
- 交错式生成允许将复杂提示拆分为多个步骤，通过逐步编辑来生成高度细致、复杂的图像。
- Gemini 旨在将不同模态统一到一个模型中，以受益于知识迁移，并迈向 AGI。
- 来自先前模型的用户反馈（直接收集自 Twitter 等平台）被用于构建基准并改进模型在真实世界失效案例上的表现。
- 2.5 模型通过在保持角色核心特征的同时，允许从不同角度渲染角色，从而改进了角色一致性。
- 图像生成的一个关键未来方向是提升模型的“聪明程度”，使其能够生成超出用户最初设想的结果。
参考：
Google for Developers：Behind the scenes of Google's state-of-the-art "nano-banana" image model
