梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

谷歌推出Gemini原生图像生成，测试版瞬间引爆网络。

如果你迟到了，但没有好的借口，甚至还没有出家门——只需要一张自拍，然后让AI把你P到地铁故障现场。

也可以凭空生成一个人物形象，把它放到原神游戏画面中（不用上传游戏截图），让角色往前走两步，再把视角往左移，走近一个建筑，开始爬墙。

二次元选手最喜欢的玩法，是草稿一句话变线稿，再上色，再上阴影等操作，注意每一步执行后人物形象都是保持一致的。

有漫画创作者用它来改变构图视角，同时保持画面内容的一致性。

游戏开发者则可以用一些素材组件自动拼成关卡场景。

除了精准遵循指令一键P图之外，还支持图文混排输出。

谷歌官方演示了生成菜谱，每个操作步骤都配上写实的图像，学起来更直观。

现在，这些功能都可以在Google AI Studio免费试玩。

模型命名很乱，请认准Gemini 2.0 Flash Experimental。

原生图像输出首次开放

目前Gemini 2.0 Flash原生图像输出能力还没有公开技术细节，简短的介绍中只讲了“结合多模态输入、增强推理和自然语言理解”。

而其他AI产品语言大多是语言模型把图像生成模型当做工具去调用，如ChatGPT调用Dall·E 3，Grok调用flux.1。

新范式下，Gemini 2.0 Flash的主要优势包括：

  • 图文故事模式：始终保持人物和场景的一致性。也可以中途提意见，让AI重新讲述故事或改变绘画风格。

  • 对话式图像编辑：支持多轮编辑，可以一句话p图，反复完善图像，实现实时协作和创意探索。

  • 基于世界知识的图像生成：利用大模型内置的知识和推理能力，生成与上下文更相关的图像

  • 改进文本渲染：减少拼写错误或字符扭曲，适合生成广告、甚至邀请函。

其实早在2024年5月，OpenAI总裁Brockman就曾展示过GPT-4o的这种原生多模态能力，但后来就没了消息。

现在谷歌抢先部署这项功能，让网友不禁好奇，出于什么原因让OpenAI放弃一年以上的领先优势。

OpenAI员工也只能感叹，谷歌真的回来了。

还有隐藏玩法

除常规玩法之外，还有网友探索出了一种隐藏玩法：用文字提问，要求AI只用图片回答。

他的问题是“生命的意义是什么”，AI用一系列图片来表达，画面逐渐诡异起来，令人毛骨悚然。

他把整个过程录制成视频，下面一起来看看。

在线试玩
https://aistudio.google.com/

参考链接：
[1]https://developers.googleblog.com/en/experiment-with-gemini-20-flash-native-image-generation/
[2]https://x.com/goodside/status/1900349595718148455
[3]https://x.com/ilumine_ai/status/1900017235898622025
[4]https://x.com/nobisiro_2023/status/1900150873734733859
[5]https://x.com/linaqruf_/status/1899977818563633466
[6]https://x.com/scaling01/status/1899932304388051216

— 完 —

评选报名｜2025年值得关注的AIGC企业&产品

下一个AI“国产之光”将会是谁？

本次评选结果将于4月中国AIGC产业峰会上公布，欢迎参与！


一键关注 👇 点亮星标

科技前沿进展每日见



一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！


内容中包含的图片若涉及版权问题，请及时与我们联系删除