Google 开放 Gemini 2.0 Flash 原生生图：支持对话修改与图内文字

以前想让大语言模型出图，做法基本都是「曲线救国」：模型先写一段提示词，扭头再转交给单独的文生图扩散模型去渲染。这样来回倒腾，不仅角色前后容易崩，想要微调改图更是费劲。

Google 刚刚把这个中间商给拆了。他们宣布向所有支持地区的开发者开放 Gemini 2.0 Flash 的原生图像生成能力。在 Google AI Studio 和 Gemini API 里，调用实验模型 gemini-2.0-flash-exp 就能直接跑。

这项功能去年 12 月就曾向受信任的测试人员开放过。现在彻底放开后，开发者只需要在请求参数里把响应模态设成文字加图片，几行代码就能搞定。

原生生图，到底强在哪里

所谓「原生」，说白了就是同一个大模型底座自己直接出图，而不是外挂画图工具。它把文本理解、推理和多模态处理揉在了一起。

最大的好处首先是前后一致性。在生成连续的故事分镜时，Gemini 2.0 Flash 能够在多张图片里保持角色长相和场景设定的统一，不会翻两页主角就换了张脸。

其次是多轮对话改图。你不用重新拼一长串提示词，直接用自然语言告诉它「把背景调暗一点」或「换个画风」，模型就能顺着上下文一直迭代修改。

另外还有两个痛点有了明显改观。一个是世界知识的应用，比如让它画具体的食谱步骤，它会利用通用知识来保证细节写实，不过 Google 也提醒它的知识库虽广但并不是绝对准确。另一个是图片排版，大多数生图模型一写长文字就鬼画符，Google 表示内部基准测试显示，Gemini 2.0 Flash 在图片内渲染文字的准确率上优于主流竞品，做海报或社交卡片更省心。

为什么重要

我们认为，这一步最核心的价值，是把多模态生图的开发门槛和链路成本彻底打了下来。

对开发者和产品经理来说，以前做一个图文交互应用，得维护一个 LLM 加上一个生图模型的双管线架构，状态同步和提示词转换全是坑。现在一个模型搞定图文双输出，拿来做绘本生成、智能营销、视觉 Agent 会轻便很多，完全值得现在就去 API 里写两行代码摸个底。

在行业竞争上，Google 显然是在抢节奏。早在 2024 年 5 月 OpenAI 就演示过 GPT-4o 的原生多模态出图能力，包括角色一致性、3D 渲染和字体设计，但一直压着没公开发布。业内传言 OpenAI 计划在 2025 年 3 月上线该功能。Google 抢先在 3 月将原生出图推向所有开发者，就是要在 OpenAI 交卷之前先把这批尝鲜的生态开发者拉进自家阵营。

不过，目前它依然顶着 gemini-2.0-flash-exp 的实验后缀。看起来这更像是一次公测探路，在长文本逻辑和极其复杂的画质精细度上，原生语言模型直接出图能否彻底压制成熟的扩散模型，还得看开发者在真实业务场景里的反馈。