Google 開放 Gemini 2.0 Flash 原生生圖：支援對話修改與圖內文字

以前想讓大語言模型出圖，做法基本都是「曲線救國」：模型先寫一段提示詞，扭頭再轉交給單獨的文生圖擴散模型去渲染。這樣來回倒騰，不僅角色前後容易崩，想要微調改圖更是費勁。

Google 剛剛把這個中間商給拆了。他們宣佈向所有支援地區的開發者開放 Gemini 2.0 Flash 的原生影像生成能力。在 Google AI Studio 和 Gemini API 裡，呼叫實驗模型 gemini-2.0-flash-exp 就能直接跑。

這項功能去年 12 月就曾向受信任的測試人員開放過。現在徹底放開後，開發者只需要在請求引數裡把響應模態設成文字加圖片，幾行程式碼就能搞定。

原生生圖，到底強在哪裡

所謂「原生」，說白了就是同一個大模型底座自己直接出圖，而不是外掛畫圖工具。它把文本理解、推理和多模態處理揉在了一起。

最大的好處首先是前後一致性。在生成連續的故事分鏡時，Gemini 2.0 Flash 能夠在多張圖片裡保持角色長相和場景設定的統一，不會翻兩頁主角就換了張臉。

其次是多輪對話改圖。你不用重新拼一長串提示詞，直接用自然語言告訴它「把背景調暗一點」或「換個畫風」，模型就能順著上下文一直迭代修改。

另外還有兩個痛點有了明顯改觀。一個是世界知識的應用，比如讓它畫具體的食譜步驟，它會利用通用知識來保證細節寫實，不過 Google 也提醒它的知識庫雖廣但並不是絕對準確。另一個是圖片排版，大多數生圖模型一寫長文字就鬼畫符，Google 表示內部基準測試顯示，Gemini 2.0 Flash 在圖片內渲染文字的準確率上優於主流競品，做海報或社交卡片更省心。

為什麼重要

我們認為，這一步最核心的價值，是把多模態生圖的開發門檻和鏈路成本徹底打了下來。

對開發者和產品經理來說，以前做一個圖文互動應用，得維護一個 LLM 加上一個生圖模型的雙管線架構，狀態同步和提示詞轉換全是坑。現在一個模型搞定圖文雙輸出，拿來做繪本生成、智慧營銷、視覺 Agent 會輕便很多，完全值得現在就去 API 裡寫兩行程式碼摸個底。

在行業競爭上，Google 顯然是在搶節奏。早在 2024 年 5 月 OpenAI 就演示過 GPT-4o 的原生多模態出圖能力，包括角色一致性、3D 渲染和字型設計，但一直壓著沒公開發布。業內傳言 OpenAI 計劃在 2025 年 3 月上線該功能。Google 搶先在 3 月將原生出圖推向所有開發者，就是要在 OpenAI 交卷之前先把這批嚐鮮的生態開發者拉進自家陣營。

不過，目前它依然頂著 gemini-2.0-flash-exp 的實驗字尾。看起來這更像是一次公測探路，在長文本邏輯和極其複雜的畫質精細度上，原生語言模型直接出圖能否徹底壓制成熟的擴散模型，還得看開發者在真實業務場景裡的反饋。