谷歌贴身对标字节：最新轻量版 Nano Banana 2 四秒出图，单张仅 0.034 美元，还能直出视频

谷歌 Nano Banana 2 Lite 正式上线，不仅以对标Seedream 5.0 Lite 的微弱价格优势，挑起文生图领域的价格战，更凭借 4 秒极速生成与直出视频能力，向多模态的头号劲敌字节跳动发起正面挑战。

刚刚，谷歌把 Nano Banana 家族最轻的一颗“香蕉”推到了台前。

Nano Banana 2 Lite 全面登陆 Google AI Studio 、 Gemini API 和 Gemini 企业代理平台，官方调用名称是gemini-3.1-flash-lite-image。其核心参数直接对标字节最新款文生图模型Seedream5.1 Lite（2026.2 月推出）：

单张 1K 图生成成本压低至 0.034 美元，平均生图速度仅需 4 秒。

这意味着，在 API 调用成本上，二者几乎是贴身肉搏：

• Nano Banana 2 Lite 定价为0.034 美元每张图 1K分辨率
• Seedream 5.0 Lite 约为0.035 美元每张（国内官方渠道折算后 0.22 元/张，主流第三方 API 接口定价$0.035/张）。

0.001 美元的差距在单张上小到可以忽略，但放到内容、电商、游戏、教育、广告这类业务里，会被调用量成倍放大。批量生成、A/B 测试、个性化素材、实时预览……等任务下，延迟和成本都会成为“放大器”。

更有意思的是，在性能维度，NB Lite 2 同时在文生图“审美偏好”（基于人类盲测）与端到端延迟两个关键指标上，对 Seedream 5.0 Lite 实现了“双反超”。

第三方数据显示，Nano Banana 2 Lite 的 Text-to-Image Elo 为 1251，高于 Seedream 5.0 Lite 的 1132；而 Lite 的延迟约为 4.0 秒，Seedream 5.0 Lite 的端到端时延则高达 45.1 秒。

（注意：延迟数据参考AI 模型评测与数据平台 Artificial Analysis，测量为 API 环境下的端到端时间，可能包含排队、服务商封装与图片下载等环节）。

两个指标里，前者影响观感，后者决定产品形态：Elo 决定“图片好不好看”，延迟决定“能不能嵌进产品交互”。

换句话说，Nano Banana 2 Lite 不是单纯更便宜，而是在几乎同价位上，把1K分辨率的文生图质量和响应速度都向上拉了一档。

在字节的官方口径里，此前并没有围绕 Seedream 5.0 Lite 指标的具体量化描述，主要强调“在跨模态理解与推理、精准指令遵循、联网实时检索三大能力上全面提升，让每一个需求都能及时响应、准确呈现”。

至于 Nano Banana 2 Lite，谷歌则将其定义为 Nano Banana 家族里最快、最具成本效率的图像模型，面向高吞吐、低延迟和规模化生成场景。

可以看到，NB 2 Lite 并非取代 Pro，而是把“高频海量出图”这一档补齐。在牺牲多分辨率（仅 1K）和部分重型能力的同时，把全部算力压在速度与单位成本上，从而打中当前文生图场景下“又慢又贵”的真实痛点。

此外，它还能无缝接入谷歌多模态 Gemini Omni Flash，能够把静态图直接推进视频生成与对话式编辑。

4 秒 vs 45 秒

如果只看价格标签，谷歌 Nano Banana 2 Lite 很难说对字节的 Seedream 5.0 Lite 形成了压倒性优势。

但作为一家美国模型厂商，能够做到价格对标（0.034 美元对 0.035 美元）也足够罕见，这更像是谷歌主动踏进了此前由中国模型主导的性价比战场。

而真正能拉开二者差异的还是“单位时间产能”。

在第三方口径下，NB 2 Lite 的优势并不是一张图省了 0.001 美元，而是在接近同价的情况下，把 1K 文生图的生成体验压缩成了 4 秒。

这意味着它的想象力不再只是一个图片生成工具，而有机会变成产品交互的一部分，真正嵌入业务流。

用户改一句提示词、换一个风格、调整一处背景，几秒后就能看到结果。这种“所见即所得”的即时反馈，对设计工具、电商后台、广告平台、社交应用和游戏 UGC来说，比单纯便宜一点更重要。

这背后折射出的，是谷歌和字节两家公司在商业落点的差异。

字节的多模态优势根植于其强大的内容产业链，尤其是短剧/短视频、电商和营销场景。数据显示，Seedance 在国内 AI 短剧行业的渗透率已高达约 95%，仅 2.0 单个版本模型就能为火山引擎每月带来超过 10 亿元人民币收入。

字节的路线，是服务海量的内容分发与变现，离“爆款内容”更近。

而谷歌的优势则来自开发者工具、设计生态、云平台和企业工作流。在其博客所展示的客户案例里，不乏Artlist、Figma、Manus这类专业化工具平台。

Google 自己也更愿意把它放在“快速创意、广告 A/B 测试、面向百万用户的社交应用”这些场景里，是服务于基础设施与生产工具，离“生产接口”更近。

也正是为了适配这些对速度和成本极度敏感的企业级工具场景，谷歌在技术实现上做了极其激进的工程优化。

与 Nano Banana 2 标准版和 Pro 版相比，Lite 版在模型层数与注意力机制的计算量上做了大幅裁剪，并引入了更具针对性的推理策略：

• 默认“低思考”模式：在官方定义中，Lite 版默认运行在 Low-Thinking 模式下。这意味着模型在生成图像时，跳过了大部分用于复杂逻辑推理和长链条规划的计算步骤，直接利用训练好的潜空间映射进行快速采样。这正是其能将延迟压缩至 4 秒的关键。
• 针对性算子优化：为了适应高频 API 调用，Lite 版在服务端针对常见的 1K 分辨率生图请求进行了算子融合与批处理优化，极大提升了 GPU 的利用率，从而摊薄了单张图片的推理成本，才得以打出 0.034 美元的价格牌。

1K 单图甜区模型

Nano Banana 2 Lite 另一个容易被低估的指标，是文生图的人类审美偏好得分（Elo）。

在看图盲测的生成任务里，Nano Banana 2 Lite 拿到了 1251，不仅高于 Seedream 5.0 Lite 的 1132 分，在部分基准上甚至超越了参数量更大的 Pro 版。

这个结果打破了“参数量决定一切”的传统认知，也展现出谷歌的轻量模型并不是单纯靠降配换速度，而是在基础观感、提示词遵循和图像完成度上，依然保留了极强的竞争力。

其核心技术逻辑在于知识蒸馏与场景化特训的结合：

站在巨人的肩膀上：虽然 Lite 版本体量小，但“见识”很大。谷歌在训练时，利用了Gemini 3.1 系列更大规模模型（如 Ultra 或 Pro）生成的合成数据进行对齐。

这使得 Lite 版继承了旗舰模型对物理世界、复杂物体关系的理解能力，实现了“世界知识的强继承”。

放弃大而全，专注高频场景：Lite 版并未追求所有数据通吃，而是针对用户最高频的提示词场景进行了精细化清洗与权重提升。

这种“专项训练”策略，使得它在处理风景、人像、常见物体等通用场景时，比一个试图面面俱到的大模型更加稳定和精准。

不仅如此，针对轻量模型最容易“露怯”的细节控制，谷歌也做了针对性的“加固”。

在以往的轻量化过程中，图内文字渲染（OCR）和跨图角色一致性往往是最先被牺牲的。但 Nano Banana 2 Lite 通过特殊的损失函数设计，尤其强化了这两项能力：

OCR 级别的文字生成：通过引入额外的文本感知分支，Lite 版在生成海报、UI 界面等包含文字的图像时，依然能保持极高的字符准确率。

特征锚定机制：为了解决 AI 生图“千人千面”的问题，Lite 版引入了更高效的特征锚定技术，确保在多轮生成或批量生成时，同一主体的面部特征、服装细节能保持高度一致。

这一点对于商业化落地至关重要。

很多轻量模型的问题在于“便宜但不敢用”——出图快是快，但细节质量差强人意，最后省下的 API 费用，全花在了人工筛图和重新生成上。

Nano Banana 2 Lite 的产品逻辑则非常清晰：把能力压在最常见、最高频的 1K 单图场景里，确保每一张图都是“可用”的，从而真正打通降本增效的最后一公里。

图像不是终点，视频才是

在发布 Nano Banana 2 Lite 的同时，谷歌还顺势解禁了多模态模型 Gemini Omni Flash。两者在谷歌的生态版图中扮演着接力跑的角色：

Nano Banana 2 Lite 负责极速出图，而 Omni Flash 负责视频生成与对话式编辑。

这种组合让 Lite 不再只是一个孤立的图像生成工具，而是成为了一条完整多媒体生产链路的“入口”。

在性能对标上，谷歌也更强调 Omni Flash 的视频编辑能力。

在“Overall Preference”（总体偏好）和“Instruction Following”（指令遵循）两个关键维度上，其 Elo 分数均位居榜首，领先于包括阿里的 HappyHorse、快手 Kling v3 Pro 和字节的 Seedance 2.0（946 和 960）。

Omni Flash的“图生视频”的一体化能力，在技术实现上依赖于几个关键的架构设计。

首先，谷歌引入了Interactions API来解决视频编辑中“记忆丢失”的痛点。当你把 Lite 生成的静态图传给 Omni Flash 时，模型会提取图像特征作为初始状态，并保留会话历史。

目前，用户可以连续叠加最多三轮的自然语言指令（如“让镜头推近一点”、“换一种光影”），模型可在原有状态基础上进行修改，而不是推翻重来。

其次，Omni Flash 深度整合了 Gemini 的多模态理解与世界知识。它支持文本、图像、视频的组合输入，并直接调用 Gemini 在历史、物理、叙事逻辑等方面的知识库。

谷歌已经针对电商、室内设计、社媒传播三个场景，上架了对应的功能模块来实现更完整的功能链条。比如，上传一张商品图，先用 Lite 快速生成多角度静态图，再一键转成电商短视频，大幅缩短素材制作周期。

目前，Omni Flash 输出视频的定价为每秒 0.10 美元（与 Veo 3.1 Fast 持平），支持最长 10 秒的视频生成。

虽然谷歌也坦诚列出了当下的局限性：如暂不支持音频参考上传、场景延展受限、以及在复杂运镜时的人物一致性仍有待优化，但对于广告预告、社媒短内容这类对时长要求不高的场景来说，这套管线已经具备了极高的实用价值。

从参数竞赛进入生产竞赛

在旗舰模型时代，大家比的是上限：谁的人脸更真，谁的构图更复杂，谁的光影更高级。但到了 Lite 这种模型身上，问题变成了另一套：一张图多少钱，多久返回，能不能批量跑，能不能稳定改，能不能接进视频。

如果说，Seedream 所代表的路线：把搜索、推理、理解和生成揉进同一套图像系统里，是中国大模型公司在视觉智能上的探索方向。

那么，谷歌Nano Banana 2 Lite 则展现出另一种思路：用 Gemini 家族的基础能力，把轻量图像模型做成高吞吐、低延迟、可接视频的生产接口。

参考链接：

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-omni-flash-nano-banana-2-lite/

https://cloud.google.com/blog/products/ai-machine-learning/nano-banana-2-lite-and-gemini-omni-flash-available/

本文来自微信公众号“AI前线”（ID：ai-front），作者：四月，36氪经授权发布。