Google 將 Nano Banana 2.1 的輸出價格減半，並修復其最弱的功能

--- title: Google 將 Nano Banana 2.1 的輸出價格減半，並修復其最弱的功能 meta_title: Nano Banana 2.1 價格減半並重建編輯 meta_description: Google 的 Nano Banana 2.1 針對視覺設計、遮罩編輯與主體一致性，並將 1K 與 4K 解析度的輸出價格削減約一半。 ---

Google 於 10 月 6 日發布 Nano Banana 2.1，而最關鍵的細節不在功能清單上：價格。

在 Gemini API 標準定價下，每張 1K 影像的輸出成本從 $0.067 降至 $0.0336，每張 4K 影像則從 $0.151 降至 $0.0756。兩項降幅都接近一半，改變了任何大量生成影像的工作流程的成本結構，而新模型是建構在 Gemini 3.6 Flash 架構之上。

表面上看，該公司改善了三個方面：視覺設計、遮罩編輯與主體一致性。

視覺設計與文字渲染

Google 的展示鎖定影像生成一直以來最弱的部分：把文字與版面配置做對。範例展示了帶有重疊字形與座標字串的瑞士粗野主義字體排印、一張 1970 年代公路旅行海報（人物遮擋了身後的文字）、一個設計工作室首頁，以及一張以現有產品照片為藍本的商品海報。

其宣稱不只侷限於乾淨地渲染這些內容：模型會遵循特定的文字與版面配置指令，而不是產出看似合理的近似結果。提示詞在字體排印上的遵循度一直是個持續存在的缺口，而設計工作正是失敗最顯而易見的地方，因為一個放錯位置的字元就會毀掉整件作品。

該模型也支援不尋常的長寬比，包括 1:4、4:1、1:8 與 8:1，且 Google 表示 2K 與 4K 輸出中的拼接偽影已經修復。

遮罩編輯，以及它為何比聽起來更重要

遮罩編輯是指標記影像中的某個區域，並讓模型只改變該區域。Google 的示範使用帶有水滴的蒲公英種子球，在種子周圍手繪一條線，並用提示詞要求將圈選的物件提取到完全不同的環境中。

這是對正式專案工作最重要的功能，儘管它比影像品質更少受到關注。當你想改變其中一個元素時，一個會重新生成整張影像的模型，與一個只改變標記區域的模型，兩者之間的差異，就是你會用來打草稿的工具與用來修訂的工具之間的差異。迭代正是大多數真正創作時間所在。

這裡的技術門檻比表面上更高。要讓影像其餘部分保持不變，意味著模型必須保留特定的像素鄰域，同時生成能在邊界處令人信服地融合的新內容。Black Forest Labs 本月隨 FLUX 3 Image 發布了一項類似能力，其中部分編輯會讓 67.8% 到 89.7% 的像素保持位元完全相同。這個範圍是誠實的報告方式，因為該比例取決於編輯區域有多大。

主體一致性

Google 表示，該模型能在最多 14 張參考影像之間維持角色一致性，涵蓋最多四個角色。對一般影像模型而言，這個數量很高，並指向同一人物或產品必須出現在一組影像中的用途：漫畫分鏡、廣告活動變化版、產品目錄。

跨參考影像的一致性是個難題，因為模型必須將身分與風格、姿勢和光線分開。能在 14 張參考影像下做對，顯示這個數字是真正的能力，而非行銷上的最大值，儘管該公司尚未發布對上限的獨立驗證。

實用價值取決於上限實際上落在哪裡。能穩定維持四個角色，已足以應付有數個模特兒的產品目錄，或是有小型固定班底的廣告活動。但對於角色眾多的漫畫來說還不夠，那會需要多次呼叫或微調。獨立測試將是能解決這個問題的關鍵。

同一發布期間還有一項值得注意的相關能力。阿里巴巴的 Qwen-Image-2.1-Pro 自 10 月 2 日起在阿里雲上線，強調透明 RGBA 圖層生成與從照片提取主體，採用 70 億參數視覺生成元件與 32 層單流 DiT 設計。這兩個模型從不同方向匯聚到同一個問題上，這是個合理跡象，顯示一致性和編輯局部性現在已成買家關注的重點。

基準測試落差是誠實的但書

第三方對這次發布的報導包含一項 Google 自身說法省略的重要註記。報導描述該模型在某些影像生成基準測試上優於先前的 Pro 模型，同時也指出前代模型在測試中得分良好，且據報 Pro 模型在實際使用中產出更好的影像。

基準測試效能與實際輸出之間的落差，是影像模型評估中反覆出現的特徵。一個模型可以在結構化測試中得分很高，卻在使用者實際嘗試的任務上令人失望。較低的價格讓問題更加複雜：一個在實務中表現不佳的較便宜模型，並不是其定價所暗示的價值主張。

答案將來自獨立測試。如果將 Nano Banana 2.1 與 Pro 模型相比的使用者一致偏好較新的模型，基準測試就會獲得可信度。如果 Pro 模型在實際輸出上持續勝出，這些分數就會成為較弱的訊號。

還有一個值得注意的實務細節。對這次發布的報導指出一項不一致：Google 官方文件聲明已正式推出，但某些第三方聚合網站卻將該模型列為即將在特定平台上推出。早期報導也顯示，儘管介面已更新，在某些情況下請求可能仍會路由到先前的模型版本。任何要整合該模型的人都應該確認實際回應的是哪個版本。

模型退役與維護成本

對任何在正式環境中使用目前模型的人來說，有一個重要細節：Nano Banana 2 的 API 版本將於 10 月 29 日退役。

這是個很短的時間窗口。將 Nano Banana 2 用在流程中的團隊大約有三週時間測試 2.1、在自己擁有的資料集上比較輸出品質，並進行遷移。由於較新的模型更便宜，遷移很可能值得做，但這個時程比大多數團隊會選擇的更緊迫。

這種退役節奏正變得司空見慣，而這本身就是一些團隊傾向採用開放權重影像模型的原因。當權重屬於你時，模型不會依照供應商的時程消失。取捨在於你得自己負責部署、更新與品質退步，而這是供應商代管模型會替你吸收的真實成本。

值得關注的重點

基準測試與實務之間的落差是否會在獨立測試下縮小。這是核心問題，而答案將來自使用者用自己的作品進行比較，而不是來自新聞資料。

14 張參考影像的一致性在實務中是否成立。如果成立，該模型將開啟先前需要微調才能做到的使用案例：一系列作品中一致的角色、產品組合、廣告活動變化版。如果它對四個角色成立但對十四個角色不成立，那麼實際上限就會低於規格所暗示的。

這次降價是長久還是促銷性質。大約砍半的幅度相當積極，如果競爭對手跟進，大規模影像生成將全面變得便宜許多。如果這只是促銷期，圍繞此價格建立成本預估的團隊將需要重新檢視。

Nano Banana 2.1 是紮實的迭代，解決了正確的弱點，並將自身定價為讓人實際使用，而不只是試用。降價才是真正的重點，而這很可能也是其他供應商會回應的部分。