先把“好不好”改成可检验的问题
Google 的图像生成文档将 Nano Banana 放在 Gemini 原生图像生成能力的语境中,并列出多个模型。比较时,应写出实际使用的模型代码和访问日期;一个应用里的展示名不足以锁定后台版本。官方资料说明支持的输入与输出,实际任务是否达标仍需检验。
以下流程是本站的测试设计建议。先把需求压缩成一句话,例如“给定一张产品照,更换背景,同时保持产品形状与印字不变”。把输入、允许改动的区域和不可改变的要素分开记录,再规定什么情况算失败。漂亮与正确应分别判断。
冻结条件,让每个结果都能追溯
保存原始提示词、参考图、图像顺序、尺寸、会话上下文和可设置的生成参数。对照组使用同一批材料;新会话与连续编辑要分组,不把一个有历史上下文的结果与另一个单轮结果直接相较。若入口无法控制某个参数,将它记为不可控变量。
| 记录项 | 推荐记录方式 | 遗漏后的问题 |
|---|---|---|
| 模型与入口 | 完整代码、版本说明、API或应用 | 无法判断比较的是模型还是应用包装 |
| 输入材料 | 同一文件与原始提示词,保留顺序 | 压缩或裁切可能改变任务难度 |
| 运行条件 | 时间、地区、并发、设置项、会话状态 | 延迟或结果差异无法解释 |
| 输出与失败 | 保存每次结果、错误信息和重试次数 | 只看精选结果会高估稳定性 |
按错误类型评分,别让美感掩盖硬错误
先列必须通过的条件,再评审风格。用于商品说明图时,标签文字错误可能比画面略平淡更严重;用于概念草图时,则可以把构图探索放在更前。权重应在看结果之前确定,不能看到某个模型擅长什么以后才改评分。
- 指令遵循:请求的对象、数量、位置和尺寸是否满足;缺一个条件就记录具体缺项。
- 保真与一致性:未要求修改的形状、文字、配色是否变化;用原图与输出逐项对照。
- 内容准确性:可核验的文字、标注和空间关系有无错误,不能只看像不像专业作品。
- 可用性:是否需要重新生成或人工修补;区分完全通过、可修复、必须重做。
保留全部尝试,再做盲评与重复运行
可以先用一小组自备且有权使用的材料试跑,修正含糊评分项,再锁定正式题目。每个条件重复多次,事先约定次数;不能对偏爱的模型一直重试直到满意,却只给另一个一次机会。首次通过率与多次尝试后的通过率应分开。
将结果换成随机编号,暂时隐藏模型名称和左右位置。让评审按同一张表独立判定;出现分歧时记录争议原因,再讨论是否为标准不清。人数和样本很少时,应称作小样本观察,不推导全场景排名。
一个虚构的报告范例
下面只是说明报告口径的虚构示例,不是任何真实模型的成绩:“在12个背景替换任务、每题3次独立运行中,方案甲36次输出有24次满足全部必选条件;8次产品印字改变,4次主体轮廓变化。这些数字只是展示报告格式的假设值。”
读者可以计算这组示例的尝试通过率,但不能据此说方案甲在所有图像任务中有相同成功率。报告还应注明样本选择、运行入口、版本、评审人数、原始错误记录和中途故障。若更换了模型别名对应的版本,应另起一轮记录。
结论只覆盖被测任务
选择模型时,先排除达不到任务必选条件的方案,再比较剩余方案的等待时间和完整成本。不要把图像编辑结果外推为文字推理能力,也不要把受网络影响的等待时间直接称为模型推理速度。
值得保留的结论通常是“在这批材料与这些设置下,哪类错误更少、人工修补更省时”。即使不宣布总冠军,这样的记录也足以指导下一次任务,并能在版本变化时进行有依据的复测。
常见问题
只测一次,能判断香蕉模型的能力吗?
一次结果能暴露具体问题,不能估计稳定性。固定任务与参数后重复运行,保留失败结果,并明确样本范围。
应用界面里的测试能与 API 测试混在一起吗?
宜分别报告。应用可能加入未公开的提示、工具、压缩或后处理;无法控制的环节应列作限制。
资料出处与适用范围
外部文档可能更新。以下链接用于核对相关事实;本站的流程、检查表与明确标记的虚构练习属于教学内容。
- Google:Nano Banana image generation
核对日期2026-11-16;支持名称语境、模型选择和图像生成/编辑任务说明。本站评分流程为独立方法建议,不代表Google测试结果。
- HEIM:Holistic Evaluation of Text-To-Image Models
2023 年文生图多维评价研究;用于方法背景,不含后来推出的 Nano Banana,也不代表本站已进行该研究中的实验。