梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
谷歌推出Gemini原生图像生成，测试版瞬间引爆网络。
如果你迟到了，但没有好的借口，甚至还没有出家门——只需要一张自拍，然后让AI把你P到地铁故障现场。
也可以凭空生成一个人物形象，把它放到原神游戏画面中（不用上传游戏截图），让角色往前走两步，再把视角往左移，走近一个建筑，开始爬墙。
二次元选手最喜欢的玩法，是草稿一句话变线稿，再上色，再上阴影等操作，注意每一步执行后人物形象都是保持一致的。
有漫画创作者用它来改变构图视角，同时保持画面内容的一致性。
游戏开发者则可以用一些素材组件自动拼成关卡场景。
除了精准遵循指令一键P图之外，还支持图文混排输出。
谷歌官方演示了生成菜谱，每个操作步骤都配上写实的图像，学起来更直观。
现在，这些功能都可以在Google AI Studio免费试玩。
模型命名很乱，请认准Gemini 2.0 Flash Experimental。
原生图像输出首次开放
目前Gemini 2.0 Flash原生图像输出能力还没有公开技术细节，简短的介绍中只讲了“结合多模态输入、增强推理和自然语言理解”。
而其他AI产品语言大多是语言模型把图像生成模型当做工具去调用，如ChatGPT调用Dall·E 3，Grok调用flux.1。
新范式下，Gemini 2.0 Flash的主要优势包括：
-
图文故事模式：始终保持人物和场景的一致性。也可以中途提意见，让AI重新讲述故事或改变绘画风格。
-
对话式图像编辑：支持多轮编辑，可以一句话p图，反复完善图像，实现实时协作和创意探索。
-
基于世界知识的图像生成：利用大模型内置的知识和推理能力，生成与上下文更相关的图像
-
改进文本渲染：减少拼写错误或字符扭曲，适合生成广告、甚至邀请函。
其实早在2024年5月，OpenAI总裁Brockman就曾展示过GPT-4o的这种原生多模态能力，但后来就没了消息。
现在谷歌抢先部署这项功能，让网友不禁好奇，出于什么原因让OpenAI放弃一年以上的领先优势。
OpenAI员工也只能感叹，谷歌真的回来了。
还有隐藏玩法
除常规玩法之外，还有网友探索出了一种隐藏玩法：用文字提问，要求AI只用图片回答。
他的问题是“生命的意义是什么”，AI用一系列图片来表达，画面逐渐诡异起来，令人毛骨悚然。
他把整个过程录制成视频，下面一起来看看。
在线试玩
https://aistudio.google.com/
（文：量子位）