Nano Banana 2 Lite：Google 把生成媒体拆成流水线

Google 这次不是只发了一个更便宜的生图模型，而是在把「图片草稿 → 视频生成 → 对话式修改」打成一条更短的开发链路。2026 年 6 月 30 日，Google DeepMind 同时把 Nano Banana 2 Lite 推向 AI Studio、Gemini API 和企业平台，并把 Gemini Omni Flash 首次开放给开发者做视频生成与对话式编辑。1

这件事的重点不在「又多一个模型名字」，而在 Google 明确给生成媒体分层：Lite 负责高频低成本出图，Omni 负责把静态参考推进到 10 秒级视频和后续编辑。对开发者来说，这更像一个可组合的媒体 Agent 接口，而不是单点模型升级。

Nano Banana 2 Lite 的定位很直接：在 Nano Banana 家族里优先解决延迟和成本。官方博客称它可在 4 秒内给出文生图输出，价格是每张 1K 图片 0.034 美元，并建议仍在用 Gemini 2.5 Flash Image 的开发者迁移到它。1

这说明 Google 对图像模型的产品分工已经很清楚：不是所有场景都要用最强模型。广告 A/B 草稿、社交应用批量生成、设计探索、Agent 自动做幻灯片或网页配图，真正卡人的往往是「等不起」和「烧不起」，而不是最后 5% 的画质。

这里有一个容易被忽略的变化：Lite 并不是低端替代品，而是流水线里的前置节点。DeepMind 在发布页里直接建议，把 Nano Banana 2 Lite 生成的图片交给 Gemini Omni Flash 做动画化；同时通过 Interactions API 保留会话历史，让用户最多叠加三次连续编辑。1

传统文生图或文生视频 API 更像一次性任务：给 prompt，拿结果，失败就重来。Google 这次反复强调 Interactions API，是因为它希望生成媒体也能变成有状态过程。Gemini Omni Flash 的开发文档支持用 previous_interaction_id 继续编辑上一轮结果，用户可以说「把小提琴变透明」「换一个背景」「保持其他部分不变」，模型在前一轮视频状态上做修改。3

这对产品形态影响很大。一个创意工具不再只提供「生成按钮」，而可以做成带历史记忆的编辑器；一个电商 Agent 也不必每次重新描述产品、场景和风格，而是在已有静态图或视频上逐步替换背景、灯光和动作。

不过，这种「状态」还很短。官方发布页明确说，Gemini Omni Flash 当前生成 10 秒视频，未来才会支持更长时长；上传音频参考和场景延展在 Gemini API 当前版本也还不支持。1 开发文档进一步列出限制：音频参考不可用，最多 3 秒的视频参考虽然被 API schema 接受，但当前模型不能正确处理；多视频引用、视频延展、视频插帧、语音编辑、YouTube 视频作为素材也不支持。3

所以，Omni Flash 现在更适合短视频片段、素材变体和交互式 demo，不适合直接承接长广告、剧情视频或需要多段素材统一调度的完整后期流程。

Nano Banana 2 Lite 的模型卡给了几个有用信号。它基于 Gemini 3.1 Flash-Lite，输入支持文本和图片，模型卡写明上下文窗口最高 1M token；输出侧包括图像输出和 64K token 文本输出。4 这意味着它不是一个单纯图像扩散接口，而是挂在 Gemini 多模态推理体系上的图像生成模型。

但从评测数字看，Lite 的取舍也很清楚。模型卡的人类侧评 Elo 里，General T2I 项 Nano Banana 2 Lite Thinking 为 1059±7，低于 Nano Banana 2 的 1080±6，也低于 GPT 2 Response API Low 的 1122±6；Text Editing 项 Lite 为 961±10 / 968±10，明显低于 Nano Banana 2 的 1107±10。4

换句话说，Lite 的卖点不是榜首能力，而是「够好且快」。这对实际工程很关键：很多产品并不需要每一次草稿都达到最高 Elo，只要模型能快速生成可筛选候选，再把少数通过筛选的结果交给更强模型精修，整体成本反而更低。

模型卡也没有回避短板：小字、长段落和整页文字仍可能模糊；角色一致性不是总能完美保持；遮罩 / 涂鸦编辑会有指令跟随不足和残留墨迹；左右等空间定位偶尔会混淆；世界知识、3D 推理和事实性能力仍有限。4 对需要品牌物料、信息图、商品图一致性的团队来说，这些限制比「4 秒出图」更值得先看。

我更倾向于把这次发布理解成 Google 在生成媒体上的「工程分层」。

第一层是快速草稿。Nano Banana 2 Lite 用低延迟和低单价扩大尝试次数，让应用可以在后台批量生成候选，而不是让用户盯着进度条等一张图。

第二层是多模态引用。Omni Flash 可以把文本、图像和视频作为输入，文档称它能同时处理这些模态，并用自然语言继续编辑视频。3 这让「先有一张图，再变成一段可改的视频」成为平台原生工作流。

第三层是来源标识和治理。DeepMind 发布页说两类模型都使用 SynthID 水印；Google Cloud 补充页还写到，企业平台默认启用 C2PA 内容凭证和不可见 SynthID 水印。1 5 这对企业客户很现实：生成媒体越接近生产系统，越需要可追溯和可审核。

第一，Lite 能不能稳定承担大规模前置筛选。 4 秒和 0.034 美元是漂亮数字，但真正的生产问题是：在多语言文字、品牌一致性、复杂参考图、商品细节这些场景里，它的返工率能降到什么水平。

第二，Omni 的状态编辑能走多远。 当前 10 秒限制、音频参考缺失、视频参考处理问题，都说明它还不是完整后期工具。它更可能先进入营销素材、游戏原型、教育短片和电商视频变体，而不是替代专业剪辑链路。

第三，Google 会不会把生成媒体变成 Agent 平台的默认组件。 这次两个模型都接到 Gemini API、AI Studio 和企业 Agent 平台；Google Cloud 也把它们放在 agentic workflow 语境里讲。5 如果后续图像、视频、音频和搜索引用都能在同一个有状态接口里编排，生成媒体就不再只是创意工具，而会变成 Agent 自动完成产品展示、广告测试和内容本地化的一块基础能力。

目前可以下一个克制结论：Nano Banana 2 Lite 不是最强图像模型，Gemini Omni Flash 也还不是完整视频后期系统。但二者组合起来，已经清楚展示了 Google 的路线：用便宜快速的图片模型扩大试错，用有状态的视频模型承接动画化和编辑，再用水印与内容凭证把这条链路推向企业生产环境。