Nano Banana 2 (Gemini 3.1 Flash Image) 不仅是一个文生图接口——它是一个支持后续轮次输入的多模态编辑器。Google 文档指出每个提示词最多支持 14 张输入图像，且在使用 API 时能通过对话式编辑保持跨轮次的视觉上下文。

分辨率层级（提示前选定）

层级	典型用途	成本说明
512px	缩略图，快速布局探测	Token 消耗最低
1K	社交媒体，博客头图	默认平衡
2K	类印刷营销材料	输出 Token 较高
4K	产品主图，精细文字	最慢；需核对字号排版

每个项目选定一次层级。从 512 探索直接跳至 4K 交付而不重新检查构图会浪费 Token。

十四张参考图而不丢失身份

用自然语言分配角色：

以下为参考图分配示例：

Image 1–2: face and hair identity (ignore backgrounds).
Image 3: jacket fabric swatch only.
Image 4: lighting reference from a sunset plate.
Generate subject in a rainy alley, same identity, new wardrobe from Image 3.

更多参考图≠更多控制。将 distinct subjects 控制在场景所需范围内——通常 3–5 张图加文字 brief 胜过塞满附件。

Try Nano Banana in MidassAI

对话式编辑轮次（API 思维模型）

第 1 轮：生成基础场景。第 2 轮：Change only the sign text to "OPEN". Keep architecture and rain unchanged. 第 3 轮：Warm color grade +10%. Do not move camera.

每轮应仅更改 一个维度（文字、服装、色调、裁剪）。多请求段落会导致模型平均化处理冲突。

使用 google-genai 的开发者应保持 同一对话会话，以便 Thought Signatures / 视觉上下文得以延续——轮次间 dropped to stateless calls 会重置构图。

网络 grounding 与参考图编辑

Google Search grounding 回答事实性提示（today's weather in Seoul reflected in windows）。参考图编辑 回答身份提示（this exact person, new outfit）。在一轮中混合两者是有效的，但需明确说明哪些输入是事实性的，哪些是身份性的。

仅当时间敏感事实至关重要时启用 grounding——否则延迟会增加而无收益。

排版检查

Nano Banana 2 仍然奖励用于字体的引用字符串：A neon sign reading "MIDASS" 胜过未引用的全大写乱码。对话式色调更改后，请在缩放检查中重新验证拼写——发光效果会在导出前隐藏错误。

失败模式

问题	修复
第 3 轮面部漂移	每轮用原始肖像参考图重新锚定
编辑文字时背景切换	明确添加 `keep background pixels unchanged`
4K 模糊	用更锐利的镜头语言在 2K 再生成，然后升级层级

迷你检查清单

为交付目标选定层级
参考图已裁剪并标注角色
每轮对话仅做一个更改
仅当事实具有时间敏感性时使用 grounding

vs Nano Banana Pro

当需要在复杂图表上获得最大单次拍摄保真度时使用 Pro；当需要紧密迭代循环和多轮编辑时使用 Flash Image (NB2)。许多制作组在 NB2 中生成，然后仅对英雄静帧进行一次 Pro 传递。

前提条件与设置

在启动多轮会话之前，确保您的 Google Cloud 项目已启用 Vertex AI API 并具有 models.generateContent 权限。您需要一个附加到支持图像生成端点的计费账户的有效 API 密钥。验证您调用的是特定的 gemini-3.1-flash-image 模型字符串；旧版 Flash 变体缺乏复杂身份保留所需的 14 图像上下文窗口。

本地测试最好使用 google-genai SDK 0.5 或更高版本的 Python 脚本，因为 SDK 会自动管理会话状态。保持环境变量安全，并确认您的配额允许高分辨率输出 Token，因为 4K 生成消耗的容量比标准缩略图请求显著更多。

扩展提示工作流

初始化聊天会话，设置 temperature=0.7 以平衡创意与对参考资产的严格遵循。将 max_output_tokens 设置为 4096 以容纳高分辨率图像数据而不被截断。
将您的主要身份参考图作为第一个内容部分上传，标记为 system_instruction: "Maintain facial geometry from Image 1"。随后是严格按材料类型标记的次要纹理参考，例如 denim 或 leather。
执行第一次生成，带有负面提示约束：no background changes, no lighting shifts。这在模型渲染主体时锁定环境。
对于第二轮，仅修改提示描述中的 color_grade 参数。使用具体值，如 increase saturation by 15%，而不是模糊术语如 make it pop。
通过请求原始 PNG 输出而不是压缩 JPEG 来完成导出，以保持标牌和服装细节上的文字清晰度。

常见错误

会话重置： 在轮次之间关闭聊天对象会迫使模型从头重新推断上下文，导致身份漂移。修复： 在整个编辑循环中将聊天会话对象保留在内存中。
上下文过载： 在第一个提示中附加所有 14 张图像会混淆注意力机制。修复： 逐步引入参考；仅当特定元素需要修改时才添加新资产。
模糊的修改请求： 要求 improve the look 会触发无关区域的幻觉变化。修复： 使用边界框描述或明确的图层指令隔离编辑目标，如 modify only the foreground subject。

在 MidassAI 中尝试

您可以使用 MidassAI Studio 中的可视化界面复制此多轮编辑管道，无需编写代码。该平台自动处理会话持久性和参考 labeling，让您可以专注于迭代设计而非 API 状态管理。在此开始您的项目：https://www.midassai.com/studio/nano/

Nano Banana 2：支持 14 张参考图的对话式编辑