Nano Banana 2：支援 14 張參考圖的對話式編輯

Nano Banana 2（Gemini 3.1 Flash Image）不僅是文字轉圖片的端點，它更是一個支援後續互動的多模態編輯器。Google 文件指出每個提示最多可接受 14 張輸入圖片，若正確使用 API，對話式編輯能在多輪互動中保持視覺上下文。

解析度層級（提示前請先選擇）

Tier	典型用途	成本註記
512px	縮圖、快速佈局探測	Token 消耗最低
1K	社群媒體、部落格主圖	預設平衡
2K	類印刷行銷素材	輸出 Token 較高
4K	產品主圖、精細字體	最慢；需驗證字體大小

每個專案選擇一次層級。若從 512 探索直接跳至 4K 交付而未重新檢查構圖，會浪費 Token。

十四張參考圖而不丢失身份特徵

用 plain language 分配角色：

例如，您可以這樣分配角色：

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.

參考圖越多≠控制力越強。將 distinct subjects 限制在場景所需數量——通常 3–5 張圖片加上文字簡報勝過塞滿附件。

Try Nano Banana in MidassAI

對話式編輯輪次（API 思維模型）

以下是多輪編輯的提示範例：

Turn 1: generate base scene.
Turn 2: `Change only the sign text to "OPEN". Keep architecture and rain unchanged.`
Turn 3: `Warm color grade +10%. Do not move camera.`

每一輪應只改變一個維度（文字、服裝、色調、裁剪）。多請求段落會導致模型平均化衝突。

使用 google-genai 的開發者應保持相同的對話工作階段，以便 Thought Signatures / 視覺上下文得以延續——在各輪之間切換為無狀態呼叫會重置構圖。

網路 Grounding 與參考圖編輯

Google Search Grounding 用於回答事實性提示（today's weather in Seoul reflected in windows）。參考圖編輯 用於回答身份提示（this exact person, new outfit）。在同一輪中混合兩者有效，但需註明哪些輸入是事實性的還是身份性的。

僅在時間敏感的事實很重要時啟用 Grounding——否則延遲會增加卻無益處。

字體檢查

Nano Banana 2 仍然獎勵用於字體的引用字串：A neon sign reading "MIDASS" 勝過未引用的大寫亂碼。對話式色調變更後，請在縮放檢查時重新驗證拼寫——发光效果會在导出前隱藏錯誤。

常見失敗模式

問題	修正方法
第 3 輪臉部漂移	每輪使用原始肖像參考圖重新錨定
編輯文字時背景切換	明確添加 `keep background pixels unchanged`
4K 模糊	以更銳利的鏡頭語言在 2K 重新生成，然後升級層級

簡易檢查清單

為交付目標選擇層級
參考圖已裁剪並標記角色
每輪對話僅變更一項
僅在事實具時間敏感性時啟用 Grounding

與 Nano Banana Pro 比較

當您需要複雜圖表的最大單次拍攝保真度時使用 Pro；使用 Flash Image (NB2) 進行緊密迭代循環和多輪編輯。許多生產組在 NB2 中生成，然後僅對主圖進行一次 Pro 傳遞。

先決條件與設定

在啟動多輪工作階段之前，確保您的 Google Cloud 專案已啟用 Vertex AI API，並具有 models.generateContent 的權限。您需要一個附加到支援圖片生成端點的付費帳戶的有效 API 金鑰。驗證您是否呼叫了特定的 gemini-3.1-flash-image 模型字串；舊版 Flash 變體缺乏複雜身份保留所需的 14 張圖片上下文窗口。

本地測試最好通過使用 google-genai SDK 版本 0.5 或更高版本的 Python 腳本進行，因為 SDK 會自動管理工作階段狀態。保護環境變量並確認您的配額允許高解析度輸出 Token，因為 4K 生成消耗的容量顯著高於標準縮圖請求。

擴展提示工作流

初始化聊天工作階段，設定 temperature=0.7 以平衡創意與對參考資產的嚴格遵循。設定 max_output_tokens 為 4096 以容納高解析度圖片數據而不截斷。
上傳您的主要身份參考圖作為第一個內容部分，標記為 system_instruction: "Maintain facial geometry from Image 1"。隨後跟著嚴格按材料類型標記的次要紋理參考圖，例如 denim 或 leather。
執行第一次生成，帶有負面提示約束：no background changes, no lighting shifts。這會在模型渲染主體時鎖定環境。
對於第二輪，僅修改提示描述中的 color_grade 參數。使用具體值如 increase saturation by 15% 而非模糊術語如 make it pop。
通過請求原始 PNG 輸出而非壓縮 JPEG 來完成导出，以保留標牌和服裝細節的文字清晰度。

常見錯誤

工作階段重置： 在各輪之間關閉聊天對象會迫使模型從頭重新推斷上下文，導致身份漂移。修正： 在整個編輯循環中將聊天工作階段對象保留在記憶體中。
過載上下文： 在第一個提示中附加所有 14 張圖片會混淆注意力機制。修正： 逐步引入參考圖；僅在需要修改該特定元素時添加新資產。
模糊的修改請求： 要求 improve the look 會觸發無關區域的幻覺變更。修正： 使用邊界框描述或明確的圖層指令（如 modify only the foreground subject）隔離編輯目標。

在 MidassAI 中嘗試

您可以使用 MidassAI Studio 中的視覺界面複製此多輪編輯管道，無需編寫代碼。平台自動處理工作階段持久性和參考圖標記，讓您可以專注於迭代設計而非 API 狀態管理。在此開始您的專案：https://www.midassai.com/studio/nano/