谷歌推出Gemini原生圖像生成，測試版瞬間引爆網(wǎng)絡(luò)。

如果你遲到了，但沒有好的借口，甚至還沒有出家門——只需要一張自拍，然后讓AI把你P到地鐵故障現(xiàn)場。

圖片

也可以憑空生成一個(gè)人物形象，把它放到原神游戲畫面中（不用上傳游戲截圖），讓角色往前走兩步，再把視角往左移，走近一個(gè)建筑，開始爬墻。

圖片

二次元選手最喜歡的玩法，是草稿一句話變線稿，再上色，再上陰影等操作，注意每一步執(zhí)行后人物形象都是保持一致的。

圖片

圖片

有漫畫創(chuàng)作者用它來改變構(gòu)圖視角，同時(shí)保持畫面內(nèi)容的一致性。

圖片

游戲開發(fā)者則可以用一些素材組件自動(dòng)拼成關(guān)卡場景。

圖片

除了精準(zhǔn)遵循指令一鍵P圖之外，還支持圖文混排輸出。

谷歌官方演示了生成菜譜，每個(gè)操作步驟都配上寫實(shí)的圖像，學(xué)起來更直觀。

現(xiàn)在，這些功能都可以在Google AI Studio免費(fèi)試玩。

模型命名很亂，請認(rèn)準(zhǔn)Gemini 2.0 Flash Experimental。

圖片

原生圖像輸出首次開放

目前Gemini 2.0 Flash原生圖像輸出能力還沒有公開技術(shù)細(xì)節(jié)，簡短的介紹中只講了“結(jié)合多模態(tài)輸入、增強(qiáng)推理和自然語言理解”。

而其他AI產(chǎn)品語言大多是語言模型把圖像生成模型當(dāng)做工具去調(diào)用，如ChatGPT調(diào)用Dall·E 3，Grok調(diào)用flux.1。

新范式下，Gemini 2.0 Flash的主要優(yōu)勢包括：

• 圖文故事模式：始終保持人物和場景的一致性。也可以中途提意見，讓AI重新講述故事或改變繪畫風(fēng)格。
• 對話式圖像編輯：支持多輪編輯，可以一句話p圖，反復(fù)完善圖像，實(shí)現(xiàn)實(shí)時(shí)協(xié)作和創(chuàng)意探索。
• 基于世界知識的圖像生成：利用大模型內(nèi)置的知識和推理能力，生成與上下文更相關(guān)的圖像
• 改進(jìn)文本渲染：減少拼寫錯(cuò)誤或字符扭曲，適合生成廣告、甚至邀請函。

其實(shí)早在2024年5月，OpenAI總裁Brockman就曾展示過GPT-4o的這種原生多模態(tài)能力，但后來就沒了消息。

現(xiàn)在谷歌搶先部署這項(xiàng)功能，讓網(wǎng)友不禁好奇，出于什么原因讓OpenAI放棄一年以上的領(lǐng)先優(yōu)勢。

圖片

OpenAI員工也只能感嘆，谷歌真的回來了。

圖片

還有隱藏玩法

除常規(guī)玩法之外，還有網(wǎng)友探索出了一種隱藏玩法：用文字提問，要求AI只用圖片回答。

他的問題是“生命的意義是什么”，AI用一系列圖片來表達(dá)，畫面逐漸詭異起來，令人毛骨悚然。

圖片

他把整個(gè)過程錄制成視頻，下面一起來看看。

在線試玩https://aistudio.google.com/

參考鏈接：
[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