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。
图片
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。
图片
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。
图片
图片
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。
图片
游戏开发者则可以用一些素材组件自动拼成关卡场景。
图片
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。
图片
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。
图片
OpenAI员工也只能感叹，谷歌真的回来了。
图片
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。
图片
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
