世界を動かす技術を、日本語で。
PicoTrex と Awesome-Nano-Banana-images に関する基本情報をまとめた内容。 リポジトリの 公開状態 と 通知設定 について説明。 フォーク数 と スター数 の現状。 GitHubでの 操作要件 の注意点。 主なリポジトリの特徴を簡潔に記載。
すごいモデルだね。唯一の限界は君の想像力で、画像1枚あたりたったの0.04ドルだよ。ページには書いてないけど、これはGoogleのGemini画像生成モデルだよ。いい例がたくさんあるね。でも、2つ目の例に不適切なものを選ぶのはちょっと変だな。
[読み間違えた]
もっと具体的に言うと、Nano Bananaは画像編集用に調整されてるよ：https://gemini.google/overview/image-generation
これは単一のモデルなの？それともモデルのパイプラインなの？
最近、Nano Bananaを使って簡単に画像を生成できるPythonパッケージをリリースしたよ。テストを通じて、一つのプロンプトエンジニアリングのトレンドが一貫していたけど、ちょっと物議を醸していたんだ。a) LLMスタイルのプロンプトエンジニアリングでMarkdown形式のリストを使うことと、b) 昔ながらのAI画像スタイルの質的な飾り言葉、例えば受賞歴のあるものやDSLRカメラのようなものが、Gemini 2.5 Flash Imageに対して非常に効果的なんだ。これはテキストエンコーダーと大きなトレーニングデータセットのおかげで、受賞歴のある画像にどんな特性があるか、どんな特性がないかをより正確に識別できるから。これらのトリックを使った生成と使わない生成を試してみたけど、トリックは確実に影響があるよ。Googleの開発者ドキュメントも後者を推奨してる。ただ、32kのコンテキストウィンドウを活用することで面白いことができるよ（他のモデルが512に対して）。HTMLを画像としてレンダリングすることもできるし、高度にニュアンスのあるJSONを提供することで、一貫した生成が可能になるよ。
Nano-Bananaは驚くべき結果を出すことができるよ。最先端の画像モデルの比較サイトを運営していて、さまざまなテキストから画像へのプロンプトに対する遵守に非常に重点を置いているんだ。最近、編集比較ショーダウンの対抗版を作ったところで、こちらも遵守が焦点だけど、純粋なテキストプロンプトを使って既存の画像をローカライズして編集する能力をテストしているんだ。現在、Nano-BananaやKontext Max、Qwen 20bなど6つのマルチモーダルモデルを比較中だよ。Gemini Flash 2.5は12点中7点でリードしてるけど、Kontextは12点中5点で、ローカルでDevモデルを動かせることを考えると特に驚きだね。
すごいベンチマークだね！
gpt-image-1を追加してみて。厳密には編集モデルじゃないけど、グローバルなピクセルを変えるから、複雑なプロンプトや画像リファレンスにはNano Bananaよりも教えられることが多いと思う。
人間の心の目や視覚的想像力を使って何かを思い描く特別な能力があると信じていたことに気づいたよ。例えば、違う髪型で自分がどう見えるかを想像することね。そのスキルが機械によって自分の想像力と同じレベル、あるいはそれ以上に再現されるのを見るのは不快だよ。自分の想像力を使う能力が、コートフックのようにコートを持ち上げる能力と同じくらい特別じゃないように感じるんだ。
公平に言うと、そのモデルの能力は私たちがトレーニングデータを生成したからなんだ。
自分はアファンタジアだから、今はみんなが同じスタートラインに立ってるのが嬉しいよ。
あなたの世界に対するメンタルモデルは完全に間違ってたみたいだね。シェアしてくれてありがとう。でも、他の人に自分がどれだけバカだったかを常に伝える必要があるのが理解できないよ。わかってるよ、君はバカなんだ。