|
Gemini是个水桶型模型，可能在数学，推理，创意上都比不上最好的模型。但是它每一项的能力都不差，甚至多模态理解处于全球领先行列，速度也是嘎嘎快。
刚刚，Google宣布在Google AI Studio和Gemini API上开放Gemini 2.0 Flash的原生图像生成功能，供开发者测试和实验。也就是不止输入可以图文，现在模型可以无缝的融合图文同时输出了！ 不仅能理解文字，还能直接根据描述生成令人惊艳的高质量图片。主要功能包括：文本+图像生成、对话式图像编辑、真实感图片创作以及高质量文本渲染。 它不仅能理解文字，还能直接根据描述生成高质量的图片。支持 文本+图像生成、对话式图像编辑、真实感图片创作、高质量文本渲染。 - 多模态能力：可以同时理解文字、图像，并在二者之间建立联系。
- 智能推理：能够结合现实世界的知识，生成准确的视觉内容。
- 自然语言交互：支持用户通过对话方式调整修改图片，类似 AI 画师助手。
接下来是试玩环节~ 输入一个描述：“以“一只可爱的猪在天上飞”为主题，生成6副连续插画。” Gemini 2.0 Flash会根据文本生成一系列插图，让角色和场景在不同画面中保持一致性。从结果可以看到，它能在一次内容输出中包含多张图，且角色形象始终如一。
进一步，还可以要求它修改绘画风格（如卡通风、写实风等）。 这样想象空间就很大了，如之前很多爆款的针对小孩的插画故事视频，古诗插画视频，门槛制作进一步降低了。 除此之外，我们还可以，用语言完成PS，并且这是有多轮交互支持上下文的！ 在举个例子： “让AI生成一个蓝色的房子”，然后进行交互修改布局，颜色： 相比一般的AI画图工具，Gemini 2.0 Flash能理解更多现实世界的细节和文化背景。 因为Gemini本身是经过了大量语言模型训练的，所以世界知识丰富，利用世界知识和增强推理来创建正确的图像。这使得它非常适合创建逼真的详细图像——比如“我想做一道东北大乱炖，请告诉我要怎么做，每一步骤请配上图片”。
好了，百家号的门槛也被拉下来了。 在优秀的画图能力基础上，Gemini 2.0 Flash的文本渲染也非常出色。它比传统AI画图工具更擅长绘制带文字的图片，有效避免了字符模糊、错别字等常见问题。 举例： 你需要 生成一张小米su7 ultra广告海报，要求写上“一些字” + 商品图 传统AI可能会把文字画得模糊不清，甚至拼错。而Gemini 2.0 Flash能更精准地渲染出清晰、规范的文本。 最后在简单体验了更新之后，它缺失不仅能理解多种模态的信息，还能在不同模态间自如转换；不仅能遵循指令，还能理解文化背景和现实世界的细节；不仅能一次性完成任务，还能通过多轮对话持续优化结果。这种跨模态理解、推理和创作的综合能力，确实让我们仿佛看到了AGI的影子。技术的边界正在被不断推进，而我们有幸见证这一切。
| 
