Nano Banana 2.1: Aipress testar Googles nya bildmodell

Aipress tester visar både vad modellen klarar och var instruktionerna tappas bort. Bildmodellen skrev texten rätt på en bageribild, men skyltens placering och textens radindelning blev fel. En illustrerad räv behöll sina kännetecken genom tre miljöer. De mest utdragna bildformaten gav däremot upprepade fyrbilder, och webbsökning räckte inte för att få rätt väderprognos.

Vad är nytt i Nano Banana 2.1?

Google lyfter fram mer naturtrogna bilder, bättre följsamhet till beskrivningar och tydligare text i bilder. Affischer och informationsgrafik ska också få bättre layout. Modellen kan skapa bilder i storlekarna 1K, 2K och 4K, med 1K som standard. Beteckningarna beskriver storleksklasser. Det exakta antalet pixlar beror på bildens form.

Redigeringen kan styras med en mask, där användaren markerar den del av bilden som ska ändras. Google framhåller också bättre förmåga att behålla samma personer och föremål mellan bilder. Den modellspecifika dokumentationen anger upp till 14 referensbilder, med stöd för att behålla utseendet hos upp till fyra figurer och tio föremål. Googles bredare produktsida anger andra antal. Här utgår vi från uppgifterna för just version 2.1.

Modellen kan använda Googles webb- och bildsökning för att hämta information och bildreferenser. Hur mycket den ska resonera före svaret går att ställa in med nivåerna minimal, medium och high. Nivån medium är förvald.

Google säger även att upprepade bilddelar har åtgärdats i de utdragna formaten 1:4, 4:1, 1:8 och 8:1 vid 2K och 4K. Våra tester av bildformer nedan gjordes i 1K, så de prövar inte det påståendet.

I Googles dokumentation för Nano Banana 2.1 finns modellens funktioner och tekniska gränser samlade. API är anslutningen som låter ett annat program använda modellen. Token är de enheter som modellen använder för att bearbeta innehåll och beräkna kostnaden.

Funktioner och gränser för Nano Banana 2.1

Nano Banana 2.1 följde vissa bildinstruktioner exakt

Aipress.se gav modellen sex beskrivningar som prövar antal, placering, färger, text, sådant som ska utelämnas och många samtidiga detaljer. Uppgifterna gick via Googles API. Ingen bildform eller storlek valdes, och alla sex bilder blev 1376 x 768 pixlar i bredformatet 16:9.

Antalen och färgerna blev rätt: tre gula koppar och en blå tekanna på ett träbord, liksom ett orange paraply mot en grön bänk med en lila cykel och en vit hund. Även köket med åtta efterfrågade detaljer stämde helt, inklusive en klocka som visade rätt tid.

Placering och förbud gav fler avvikelser. I vardagsrummet satt katten framför och till höger om golvlampans fot, fast den skulle vara till vänster om lampan. En gata som skulle vara fri från fordon fick en parkerad cykel. Modellens medföljande text påstod ändå att katten satt till vänster och att gatan saknade fordon. Bilden behöver därför granskas även när textsvaret beskriver den som korrekt.

På bagerifasaden var ”Åkes bageri”, ”Färska bullar” och ”Öppet varje dag” rätt stavade, och ingen oönskad text tillkom. Skylten hamnade dock över fönstret till höger om dörren, och griffeltavlans två önskade textrader blev fyra. Stavningen och layouten gav alltså olika resultat i samma bild.

Tiderna i tabellen är Aipress mätningar för respektive bild. Kostnaderna är beräknade från Googles listpris och anropets token, inklusive bilden, den korta svarstexten och modellens resonemang. Resultaten gäller de här beskrivningarna och testerna.

Vilka bildformat klarade Nano Banana 2.1?

Testet av bildformer använde samma motiv, en fyr på en klippa under klarblå himmel, i de 14 bildformer som Google anger vid 1K. Dessutom testades kvadratiska bilder i 2K och 4K. Formen räknades som rätt om förhållandet mellan bredd och höjd låg inom tre procent från beställningen. För rätt storlek krävdes exakt de pixelmått Google anger.

Alla 16 bilder kom tillbaka. Fjorton hade rätt form och tolv exakt rätt storlek. De kvadratiska bilderna i 2K och 4K stämde, liksom samtliga mindre utdragna former vid 1K. Undantagen var 1:4, 4:1, 1:8 och 8:1. I 1:4 och 4:1 blev långsidan 16 pixlar för lång, men proportionerna höll sig inom toleransen.

De två mest utdragna bilderna avvek både i form och pixelmått. Bilden i 8:1 bestod dessutom av samma fyrbild sju gånger sida vid sida. I 1:8 staplades sex fyrbilder ovanpå varandra, med fyren allt längre bort. Dessa två bilder tog också längst tid i testet av bildformer, omkring 47 respektive 50 sekunder.

Här är pixelmåtten Aipress uppmätta resultat, jämförda med Googles angivna storlekar. En bild i 1K behöver alltså varken vara kvadratisk eller ha exakt 1024 pixlar längs en sida.

Nano Banana 2.1 behöll rävens kännetecken

För att pröva en återkommande figur skapade vi tre bilder i samma samtal. Först fick modellen skapa en bild av en räv som går upprätt, med runda glasögon, gul regnrock och grön ryggsäck på en tågperrong. Därefter bad vi om samma räv i en skog och på ett kafé, utan att upprepa figurens beskrivning.

Alla fem kontrollerade detaljer stämde i varje bild: räven stod upprätt, behöll glasögonen, regnrocken och ryggsäcken och befann sig på rätt plats. Skogsbilden tog kortast tid och kostade minst i serien. Kafébilden tog längst tid och kostade mest. Kroppshållningen var dock densamma genom hela serien. På kaféet stod räven på en stol vid bordet. Testet visar att kännetecknen följde med mellan dessa tre bilder, men säger inte hur väl modellen klarar andra figurer eller fler förändringar.

Vi lät också Nano Banana 2.1 skapa samma kattmotiv i tretton stilar: en katt i ett fönster mot en regnig kvällsgata. Det var en samling exempel utan kvalitetsbetyg, från fotorealism och akvarell till pixelkonst och abstrakta färgfält. I den abstrakta bilden gick varken katten eller fönstret att känna igen, vilket var vad beskrivningen bad om. Retrobilden blev en stående affisch med texten ”EN REGNIG KVÄLL”, medan de övriga bilderna blev liggande.

Tabellen visar tidsåtgång och listpriskostnad för varje stilexempel. 3D-bilden tog kortast tid i den här samlingen, retroaffischen längst. Tiderna är inte ett mått på hur väl stilarna lyckades.

Hämtade Nano Banana 2.1 rätt väder med webbsökning?

Vädertestet prövade om modellen kunde hämta aktuella fakta och använda dem i en enkel affisch. Beställningen var morgondagens prognos för Paris med datum, högsta temperatur och en vädersymbol. Vi gav inga prognossiffror och hade webbsökning påslagen.

Affischen visade Paris och 16 °C. Temperaturen räknades som rätt eftersom den låg inom två grader från Météo-France, som angav högst 18 grader. Men affischens datum avsåg dagen då bilden skapades i stället för dagen efter. Den visade också regn, medan Météo-France angav sol och moln utan regn. Två av fyra kontrollerade detaljer blev rätt.

Modellens enda webbsökning gällde månadens normala medeltemperatur i Paris, inte en prognos. Sökfunktionen användes alltså, men hämtade inte den information som affischen behövde. Bilden tog 18,8 sekunder och kostade 0,0497 USD enligt listpriset. Kostnaden för själva webbsökningen ingår inte.

Nano Banana 2.1 har kvar begränsningar i text och redigering

Googles modellkort beskriver svårigheter med liten text, långa stycken och text som fyller en hel sida. Texten kan bli suddig i 1K. Figurer kan ändra utseende mellan bilder, och markerad redigering kan följa instruktionerna bara delvis eller lämna kvar ritade markeringar.

Google nämner också att en ursprunglig kroppsställning ibland blir kvar vid redigering, att vänster och höger kan blandas ihop och att faktakunskap och förståelse av tredimensionella förhållanden har begränsningar. Det ligger nära flera av de konkreta avvikelserna i våra tester, men varje testresultat gäller det motiv som faktiskt prövades.

Googles produktsida uppger att bilderna märks med SynthID, en osynlig digital vattenstämpel som kan användas för att identifiera genererat innehåll. Märkningen säger inget om huruvida bildens text eller faktauppgifter är korrekta.

Vad kostade bilderna med Nano Banana 2.1?

De 39 bilderna i Aipress tester kostade sammanlagt 1,8404 USD enligt Googles listpris för anropen, utan kostnaden för vädertestets webbsökning. Instruktionsuppgifterna stod för 0,2580 USD, format och storlekar för 0,8003 USD, stilarna för 0,6004 USD, rävserien för 0,1319 USD och väderaffischen för 0,0497 USD.

De flesta enskilda bilder i 1K kostade här omkring 0,04 till 0,05 USD. Den kvadratiska 2K-bilden kostade 0,0590 USD och 4K-bilden 0,1222 USD. Det är kostnaderna för just dessa anrop, inklusive text och resonemang, och inte fasta priser per bild eller priser för Gemini-abonnemang.

Den som vill göra egna bilder kan öppna Nano Banana 2.1 i Google AI Studio. För att köra modellen där krävs en betald API-nyckel eller en Google AI-plan. Testerna visar varför det är värt att kontrollera stavning, placering, bildmått och faktauppgifter var för sig innan en bild används.