ในช่วงปลายเดือนสิงหาคม พ.ศ. 2025 Google (DeepMind) ได้เปิดตัว ภาพแฟลช Gemini 2.5 — มีชื่อเล่นเรียกกันทั่วไปว่า “กล้วยนาโน” — โมเดลการสร้างและแก้ไขภาพคุณภาพสูง หน่วงเวลาต่ำ ซึ่งผสานรวมเข้ากับแอป Gemini, Google AI Studio, Gemini API และ CometAPI โมเดลนี้ออกแบบมาเพื่อสร้างภาพที่สมจริง รักษาความสอดคล้องของตัวละครระหว่างการแก้ไข ผสานรวมรูปภาพที่นำเข้าหลายภาพ และแก้ไขเฉพาะจุดอย่างละเอียดผ่านคำสั่งภาษาธรรมชาติ โมเดลนี้พร้อมใช้งานในเวอร์ชันพรีวิว/GA เบื้องต้น และกำลังติดอันดับท็อปในการจัดอันดับรูปภาพ (LMArena) พร้อมจัดส่งพร้อมกลไกความปลอดภัย (SynthID ลายน้ำ และฟิลเตอร์ระดับผลิตภัณฑ์)

Gemini 2.5 Flash Image (หรือที่เรียกว่า “Nano Banana”) คืออะไร?

Gemini 2.5 Flash Image — มีชื่อเล่นว่า กล้วยนาโน — คือโมเดลการสร้างและแก้ไขภาพล่าสุดของ Google DeepMind ในตระกูล Gemini โมเดลนี้เปิดตัวเมื่อปลายเดือนสิงหาคม 2025 โดยวางตำแหน่งเป็นรุ่นพรีวิวที่มาพร้อมการปรับแต่งภาพที่มีความแม่นยำสูงขึ้น การรวมภาพหลายภาพ ความสอดคล้องของตัวละครที่ดีขึ้น (ทำให้สามารถจดจำบุคคล/สัตว์เลี้ยง/วัตถุเดียวกันได้แม้ผ่านการตัดต่อหลายครั้ง) และการสร้างภาพที่มีความหน่วงต่ำ รวมอยู่ในชุดเครื่องมือแบบมัลติโมดัลของ Gemini สามารถใช้งานได้ผ่าน Gemini API, Google AI Studio, แอปพลิเคชัน Gemini บนมือถือ/เว็บ และ Vertex AI สำหรับลูกค้าองค์กร

ที่มาและการตั้งชื่อ

ชื่อเล่น "กล้วยนาโน" กลายเป็นคำย่อไวรัลบนฟีดโซเชียลและกระดานผู้นำชุมชน หลังจากที่ผู้ทดสอบรุ่นแรกๆ และผู้เข้าร่วม LMArena ใช้ป้ายกำกับธีมผลไม้ Google ยืนยันความเชื่อมโยงนี้และนำชื่อเล่นนี้ไปใช้อย่างเปิดเผยในโพสต์เกี่ยวกับนักพัฒนาและผลิตภัณฑ์ ชื่อผลิตภัณฑ์อย่างเป็นทางการคือ ภาพแฟลช Gemini 2.5 และโดยทั่วไปคุณจะเห็นตัวระบุโมเดลที่ใช้ในโค้ดและการเรียก API (สำหรับการใช้งานตัวอย่างจะปรากฏเป็นเช่น gemini-2.5-flash-image-preview).

ฟีเจอร์หลักของ Gemini 2.5 Flash Image มีอะไรบ้าง?

“ความสอดคล้องของตัวละคร” จริงๆ แล้วหมายถึงอะไร?

ความสามารถที่โดดเด่นประการหนึ่งคือ ความสม่ำเสมอของตัวละครคุณสามารถขอให้โมเดลนำวัตถุเดิม (บุคคล สัตว์เลี้ยง มาสคอต หรือผลิตภัณฑ์) มาใช้ซ้ำในการแก้ไขหรือฉากใหม่ๆ หลายๆ ครั้ง โดยยังคงรักษาคุณลักษณะทางภาพ (ใบหน้า/รูปร่าง จานสี เครื่องหมายแสดงความแตกต่าง) ไว้ได้ ซึ่งจะช่วยแก้ไขจุดอ่อนที่พบบ่อยในโมเดลภาพรุ่นก่อนๆ ที่การแก้ไขครั้งต่อๆ มาจะสร้างภาพบุคคล/วัตถุที่ดูสมจริงแต่แตกต่างกันอย่างเห็นได้ชัด ดังนั้น นักพัฒนาจึงสามารถสร้างเวิร์กโฟลว์สำหรับแคตตาล็อกผลิตภัณฑ์ การเล่าเรื่องแบบเป็นตอน หรือการสร้างสินทรัพย์ของแบรนด์ โดยไม่จำเป็นต้องแก้ไขด้วยตนเองมากนัก

มีการควบคุมการแก้ไขอื่น ๆ อะไรรวมอยู่บ้าง?

Gemini 2.5 Flash Image รองรับ:

• การแก้ไขเฉพาะเป้าหมาย ผ่านทางคำแนะนำภาษาธรรมดา (ลบวัตถุ, เปลี่ยนชุด, ปรับแต่งผิว, ลบองค์ประกอบพื้นหลัง)
• การรวมภาพหลายภาพ:รวมภาพอินพุตสูงสุดสามภาพเข้าเป็นองค์ประกอบเดียวที่สอดคล้องกัน (เช่น ใส่ผลิตภัณฑ์จากภาพ A ลงในฉาก B โดยยังคงรักษาแสงไว้)
• การควบคุมรูปแบบและสไตล์:คำแนะนำที่สมจริง คุณลักษณะของกล้องและเลนส์ อัตราส่วนภาพ และผลลัพธ์ที่ออกแบบอย่างมีสไตล์ (ภาพประกอบ สติกเกอร์ ฯลฯ)
• ความรู้เกี่ยวกับโลกพื้นเมือง:โมเดลนี้ใช้ประโยชน์จากความรู้ของครอบครัว Gemini ที่กว้างขวางขึ้นเพื่อทำการแก้ไขโดยคำนึงถึงความหมาย (เช่น ทำความเข้าใจว่า "แสงไฟในยุคฟื้นฟูศิลปวิทยา" หรือ "ทางม้าลายโตเกียว" หมายถึงอะไร)

แล้วเรื่องความเร็ว ต้นทุน และความพร้อมใช้งานล่ะ?

Gemini 2.5 Flash Image เป็นส่วนหนึ่งของระดับ Flash ของ Gemini 2.5 ซึ่งได้รับการปรับแต่งให้มีความหน่วงต่ำและต้นทุนต่ำ แต่ยังคงรักษาคุณภาพที่แข็งแกร่งไว้ Google ได้แสดงตัวอย่างราคาสำหรับโทเค็นเอาต์พุตภาพและเปิดให้ใช้งานผ่าน API และ AI Studio ลูกค้าองค์กรสามารถเข้าถึงได้ผ่าน Vertex AI ณ การประกาศราคาที่เผยแพร่สำหรับระดับ Gemini 2.5 Flash Image คือ $30 ต่อโทเค็นเอาต์พุต 1 ล้านโดยมีตัวอย่างต้นทุนต่อภาพรายงานเป็น โทเค็นเอาท์พุต 1290 อัน ≈ $0.039 ต่อภาพ.

Gemini 2.5 Flash Image ทำงานอย่างไรภายใต้ประทุน?

แนวทางสถาปัตยกรรมและการฝึกอบรม

Gemini 2.5 Flash Image สืบทอดสถาปัตยกรรมตระกูล Gemini 2.5: โครงสร้างหลักแบบผสมผสานผู้เชี่ยวชาญ (MoE) ที่มีการฝึกแบบหลายโหมดที่ผสานรวมข้อความ รูปภาพ เสียง และข้อมูลอื่นๆ Google ได้ฝึก Flash Image บนคอร์ปอราแบบหลายโหมดขนาดใหญ่ที่ผ่านการกรอง และปรับแต่งโมเดลให้เหมาะสมกับงานด้านภาพ (การสร้าง การแก้ไข การผสานรวม) และพฤติกรรมความปลอดภัย การฝึกนี้ดำเนินการบน TPU Fabric ของ Google และประเมินผลด้วยเมตริกทั้งแบบอัตโนมัติและแบบประเมินโดยมนุษย์

การแก้ไขตามการสนทนา

ในระดับสูง โมเดลจะใช้การปรับสภาพตามบริบท: เมื่อคุณใส่รูปภาพ (หรือหลายรูปภาพ) พร้อมข้อความแจ้งเตือน โมเดลจะเข้ารหัสอัตลักษณ์ภาพของวัตถุลงในภาพแทนภายใน ระหว่างการแก้ไขหรือฉากใหม่ โมเดลจะกำหนดเงื่อนไขการสร้างภาพแทนนั้น เพื่อรักษาคุณลักษณะภาพที่ต้องการ (รูปทรงใบหน้า เสื้อผ้าหลักหรือตัวระบุผลิตภัณฑ์ จานสี) ไว้ ในทางปฏิบัติ สิ่งนี้ถูกนำไปใช้เป็นส่วนหนึ่งของกระบวนการเนื้อหาแบบมัลติโมดัลที่ Gemini API เปิดเผย: คุณส่งรูปภาพอ้างอิงพร้อมกับคำแนะนำในการแก้ไข และโมเดลจะส่งคืนผลลัพธ์ของรูปภาพที่แก้ไขแล้ว (หรือรูปภาพที่เป็นตัวเลือกหลายรูป) ในการตอบสนองครั้งเดียว

ลายน้ำและแหล่งที่มา

Google ได้ผสานรวมตัวกรองความปลอดภัยและนโยบายเนื้อหาเข้ากับ Gemini 2.5 Flash Image การเปิดตัวนี้เน้นการประเมินและการทำ Red-Team ขั้นตอนการกรองข้อมูลอัตโนมัติ การปรับแต่งอย่างละเอียดภายใต้การดูแล และการเรียนรู้แบบเสริมแรงสำหรับการปฏิบัติตามคำแนะนำ พร้อมกับลดผลลัพธ์ที่เป็นอันตรายให้เหลือน้อยที่สุด ผลลัพธ์ประกอบด้วยลายน้ำ SynthID ที่มองไม่เห็น เพื่อให้สามารถระบุได้ว่ารูปภาพที่สร้างหรือแก้ไขโดยโมเดลในภายหลังเป็นรูปภาพที่สร้างโดย AI

มีประสิทธิภาพดีแค่ไหน? (ข้อมูลเกณฑ์มาตรฐาน)

Gemini 2.5 Flash Image (วางตลาดในชื่อ "nano-banana" ในบริบทการเปรียบเทียบประสิทธิภาพบางกรณี) บรรลุผลแล้ว อันดับ 1 บนกระดานผู้นำการแก้ไขรูปภาพและข้อความเป็นรูปภาพของ LMArena ณ ปลายเดือนสิงหาคม 2025 โดยมี Elo/ค่าความชอบนำหน้าคู่แข่งอย่างมากในการเปรียบเทียบที่รายงานไว้ ผมอ้างอิงผลการประเมินโดยมนุษย์ของ LMArena และ GenAI-Bench ซึ่งแสดงคะแนนความชอบสูงสุดสำหรับทั้งงานแปลงข้อความเป็นรูปภาพและงานแก้ไขรูปภาพ

การเปรียบเทียบข้อความกับรูปภาพ

แก้ไขรูปภาพ

เกณฑ์มาตรฐานเหล่านี้หมายถึงอะไรในทางปฏิบัติ?

เกณฑ์มาตรฐานบอกเราสองสิ่ง: (1) โมเดลนั้นสามารถแข่งขันในการสร้างภาพที่สมจริงได้ และ (2) มันโดดเด่นในด้าน การแก้ไข งานที่ความสอดคล้องของตัวละครและการทำตามคำสั่งเป็นสิ่งสำคัญ การจัดอันดับความพึงพอใจของมนุษย์บ่งชี้ว่าผู้ใช้ที่ดูผลลัพธ์ให้คะแนนผลลัพธ์ของ Gemini สูงในด้านความสมจริงและความสอดคล้องกับคำสั่งในคำสั่งที่ได้รับการประเมินจำนวนมาก อย่างไรก็ตาม มีการระบุข้อจำกัดที่ทราบอย่างชัดเจน (ความเสี่ยงต่อการเกิดภาพหลอนจากรายละเอียดข้อเท็จจริงที่ละเอียดอ่อน การแสดงผลข้อความแบบยาวภายในภาพ และกรณีพิเศษของการถ่ายโอนสไตล์) ดังนั้นเกณฑ์มาตรฐานจึงเป็นเพียงแนวทาง ไม่ใช่การรับประกัน

คุณสามารถทำอะไรได้บ้างด้วย Gemini 2.5 Flash Image (กรณีการใช้งาน)?

Gemini 2.5 Flash Image ถูกสร้างขึ้นมาโดยเฉพาะสำหรับสถานการณ์การใช้งานเชิงสร้างสรรค์ เชิงผลิตภาพ และเชิงประยุกต์ ตัวอย่างการใช้งานทั่วไปและที่เกิดขึ้นใหม่ ได้แก่:

การจำลองผลิตภัณฑ์อย่างรวดเร็วและอีคอมเมิร์ซ

ลากรูปภาพผลิตภัณฑ์ลงในฉาก สร้างภาพแคตตาล็อกที่สอดคล้องกันในทุกสภาพแวดล้อม หรือสลับสี/เนื้อผ้าระหว่างสายผลิตภัณฑ์ ทั้งหมดนี้โดยยังคงรักษาเอกลักษณ์ของผลิตภัณฑ์ไว้ ฟีเจอร์การรวมภาพหลายภาพและความสอดคล้องระหว่างตัวละครและผลิตภัณฑ์ทำให้น่าสนใจสำหรับเวิร์กโฟลว์แคตตาล็อก

การปรับแต่งภาพและแก้ไขเฉพาะจุด

ลบวัตถุ แก้ไขจุดบกพร่อง เปลี่ยนเสื้อผ้า/เครื่องประดับ หรือปรับแต่งแสงด้วยคำแนะนำภาษาธรรมชาติ ความสามารถในการแก้ไขเฉพาะพื้นที่ช่วยให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญสามารถรีทัชภาพแบบมืออาชีพโดยใช้คำสั่งสนทนาได้

การสร้างสตอรี่บอร์ดและการเล่าเรื่องด้วยภาพ

วางตัวละครเดียวกันในฉากต่างๆ และรักษารูปลักษณ์ให้สอดคล้องกัน (มีประโยชน์สำหรับการ์ตูน สตอรี่บอร์ด หรือพิทช์เด็ค) การแก้ไขแบบวนซ้ำช่วยให้ผู้สร้างปรับแต่งอารมณ์ การจัดเฟรม และความต่อเนื่องของเรื่องราวได้โดยไม่ต้องสร้างทรัพยากรใหม่ตั้งแต่ต้น

การศึกษา แผนผัง และการสร้างต้นแบบการออกแบบ

เนื่องจากสามารถรวมข้อความและรูปภาพเข้าด้วยกันได้ และมี "ความรู้เกี่ยวกับโลก" โมเดลนี้จึงสามารถช่วยสร้างไดอะแกรมพร้อมคำอธิบายประกอบ ภาพเพื่อการศึกษา หรือแบบจำลองอย่างรวดเร็วสำหรับงานนำเสนอ Google ยังเน้นเทมเพลตใน AI Studio สำหรับกรณีการใช้งานต่างๆ เช่น แบบจำลองอสังหาริมทรัพย์และการออกแบบผลิตภัณฑ์

คุณใช้งาน Nano Banana API ได้อย่างไร?

ด้านล่างนี้เป็นข้อความเชิงปฏิบัติที่ดัดแปลงมาจาก เอกสาร API ของ CometAPI และเอกสาร API ของ Google ซึ่งแสดงขั้นตอนทั่วไป: ข้อความเป็นภาพ และ ภาพ + ข้อความเป็นภาพ (แก้ไข) โดยใช้ GenAI SDK อย่างเป็นทางการหรือจุดสิ้นสุด REST

หมายเหตุ: ในเอกสารของ CometAPI ชื่อรุ่นตัวอย่างจะปรากฏเป็น gemini-2.5-flash-image-previewตัวอย่างด้านล่างนี้สะท้อนตัวอย่าง SDK อย่างเป็นทางการ (Python และ JavaScript) และตัวอย่าง REST curl ปรับคีย์และเส้นทางไฟล์ให้เหมาะกับสภาพแวดล้อมของคุณ

ตัวอย่าง REST curl จาก CometAPI

ใช้ Gemini อย่างเป็นทางการ generateContent จุดสิ้นสุดสำหรับการสร้างข้อความเป็นรูปภาพ วางพรอมต์ข้อความใน contents.parts[].text.ตัวอย่าง (เชลล์ Windows โดยใช้ ^ สำหรับการต่อบรรทัด):

curl --location --request POST "https://api.cometapi.com/v1beta/models/gemini-2.5-flash-image-preview:generateContent" ^
--header "Authorization: sk-xxxx" ^
--header "User-Agent: Apifox/1.0.0 (https://apifox.com)" ^
--header "Content-Type: application/json" ^
--header "Accept: */*" ^
--header "Host: api.cometapi.com" ^
--header "Connection: keep-alive" ^
--data-raw "{    "contents": [{
      "parts": [
        {"text": "A photorealistic macro shot of a nano-banana on a silver fork, shallow depth of field"}
      ]
    }]
  }'}"
| grep -o '"data": "*"' \
| cut -d'"' -f4 \
| base64 --decode > gemini-generated.png

การตอบสนองประกอบด้วยไบต์ภาพ base64 ไพพ์ไลน์ด้านบนจะแยกข้อมูล "data" สตริงและถอดรหัสเป็น gemini-generated.png.

จุดสิ้นสุดนี้รองรับการสร้าง "ภาพต่อภาพ": อัปโหลดภาพอินพุต (ในรูปแบบ Base64) และรับภาพใหม่ที่ปรับเปลี่ยน (ในรูปแบบ Base64 เช่นกัน)ตัวอย่าง:

curl --location --request POST "https://api.cometapi.com/v1beta/models/gemini-2.5-flash-image-preview:generateContent" ^
--header "Authorization: sk-xxxx" ^
--header "User-Agent: Apifox/1.0.0 (https://apifox.com)" ^
--header "Content-Type: application/json" ^
--header "Accept: */*" ^
--header "Host: api.cometapi.com" ^
--header "Connection: keep-alive" ^
--data-raw "{  \"contents\":     }  ],  \"generationConfig\": {    \"responseModalities\":   }}"

**รายละเอียด:**ขั้นแรก ให้แปลงไฟล์ภาพต้นฉบับของคุณเป็นสตริง Base64 และวางไว้ใน inline_data.data. อย่าใส่คำนำหน้าเช่น data:image/jpeg;base64,.เอาท์พุตยังอยู่ใน candidates.content.parts และประกอบด้วย: ส่วนข้อความเสริม (คำอธิบายหรือคำเตือน) ส่วนภาพเป็น inline_data (ในกรณีที่ data เป็น Base64 ของภาพเอาต์พุต สำหรับภาพหลายภาพ คุณสามารถผนวกโดยตรงได้ ตัวอย่างเช่น:

{
  "inline_data": {
    "mime_type": "image/jpeg",
    "data": "iVBORw0KGgo...",
    "data": "iVBORw0KGgo..."
  }
}

ด้านล่างนี้คือตัวอย่างนักพัฒนาที่ดัดแปลงมาจากเอกสารและบล็อกอย่างเป็นทางการของ Google โปรดแทนที่ข้อมูลประจำตัวและเส้นทางไฟล์ด้วยของคุณเอง

Python (รูปแบบ SDK อย่างเป็นทางการ)

from google import genai
from PIL import Image
from io import BytesIO

client = genai.Client()

prompt = "Create a picture of a nano banana dish in a fancy restaurant with a Gemini theme"

# Text-to-Image

response = client.models.generate_content(
    model="gemini-2.5-flash-image-preview",
    contents=,
)

for part in response.candidates.content.parts:
    if part.text is not None:
        print(part.text)
    elif part.inline_data is not None:
        image = Image.open(BytesIO(part.inline_data.data))
        image.save("generated_image.png")

นี่คือตัวอย่าง Python ดั้งเดิมจากเอกสารของ Google (แสดงรหัสโมเดลตัวอย่าง) รูปแบบการเรียกใช้ SDK เดียวกันรองรับการแก้ไขรูปภาพ + คำสั่ง (ส่งรูปภาพเป็นหนึ่งใน... contents).รายละเอียดเพิ่มเติมดูได้ที่ หมอเจมินี่

สรุป

หากผลิตภัณฑ์ของคุณต้องการการสร้างภาพที่มีประสิทธิภาพและมีความหน่วงต่ำ และโดยเฉพาะอย่างยิ่ง การแก้ไขที่เชื่อถือได้พร้อมความสอดคล้องของเรื่องGemini 2.5 Flash Image เป็นตัวเลือกระดับโปรดักชั่นที่ควรค่าแก่การประเมิน เนื่องจากผสานรวมคุณภาพของภาพอันล้ำสมัยเข้ากับ API ที่ออกแบบมาเพื่อการบูรณาการกับนักพัฒนา (AI Studio, Gemini API และ Vertex AI) ควรพิจารณาข้อจำกัดปัจจุบันของโมเดลอย่างรอบคอบ (เช่น ข้อความขนาดเล็กในภาพ และกรณีพิเศษด้านสไตล์) และนำมาตรการป้องกันการใช้งานอย่างรับผิดชอบมาใช้

เริ่มต้นใช้งาน

CometAPI เป็นแพลตฟอร์ม API แบบรวมที่รวบรวมโมเดล AI มากกว่า 500 โมเดลจากผู้ให้บริการชั้นนำ เช่น ซีรีส์ GPT ของ OpenAI, Gemini ของ Google, Claude ของ Anthropic, Midjourney, Suno และอื่นๆ ไว้ในอินเทอร์เฟซเดียวที่เป็นมิตรกับนักพัฒนา ด้วยการนำเสนอการตรวจสอบสิทธิ์ การจัดรูปแบบคำขอ และการจัดการการตอบสนองที่สอดคล้องกัน CometAPI จึงทำให้การรวมความสามารถของ AI เข้ากับแอปพลิเคชันของคุณง่ายขึ้นอย่างมาก ไม่ว่าคุณจะกำลังสร้างแชทบ็อต เครื่องกำเนิดภาพ นักแต่งเพลง หรือไพพ์ไลน์การวิเคราะห์ที่ขับเคลื่อนด้วยข้อมูล CometAPI ช่วยให้คุณทำซ้ำได้เร็วขึ้น ควบคุมต้นทุน และไม่ขึ้นอยู่กับผู้จำหน่าย ทั้งหมดนี้ในขณะที่ใช้ประโยชน์จากความก้าวหน้าล่าสุดในระบบนิเวศ AI

นักพัฒนาสามารถเข้าถึงได้ ภาพแฟลช Gemini 2.5(รายการ Nano Banana CometAPI gemini-2.5-flash-image-preview/gemini-2.5-flash-image รายการสไตล์ในแคตตาล็อกของพวกเขา) ผ่าน CometAPI รุ่นล่าสุดที่ระบุไว้เป็นข้อมูล ณ วันที่เผยแพร่บทความ เริ่มต้นด้วยการสำรวจความสามารถของโมเดลใน สนามเด็กเล่น และปรึกษา คู่มือ API สำหรับคำแนะนำโดยละเอียด ก่อนเข้าใช้งาน โปรดตรวจสอบให้แน่ใจว่าคุณได้เข้าสู่ระบบ CometAPI และได้รับรหัส API แล้ว โคเมทเอพีไอ เสนอราคาที่ต่ำกว่าราคาอย่างเป็นทางการมากเพื่อช่วยคุณบูรณาการ