Gemini 2.0 Flash原生图像生成功能解析

Experiment with Gemini 2.0 Flash原生图像生成

3月12日，某中心宣布面向所有已支持区域的开发者开放Gemini 2.0 Flash原生图像输出功能的实验。此前，该功能已于去年12月首次向部分受信任的测试者推出。开发者现在可以通过Google AI Studio中的实验版本Gemini 2.0 Flash (gemini-2.0-flash-exp) 以及Gemini API来测试这项新能力。

Gemini 2.0 Flash结合了多模态输入、增强推理和自然语言理解能力来生成图像。

以下是2.0 Flash多模态输出的一些亮点应用场景：

1. 文本与图像结合

使用Gemini 2.0 Flash讲述一个故事，它将用图片进行说明，并能在整个过程中保持角色和场景的一致性。给出反馈后，模型会重新讲述故事或改变其绘图风格。

2. 对话式图像编辑

Gemini 2.0 Flash可以通过多轮自然语言对话来协助编辑图像，非常适用于迭代生成完美的图像，或者共同探索不同的创意。

3. 世界知识理解

与许多其他图像生成模型不同，Gemini 2.0 Flash利用世界知识和增强推理来创建正确的图像。这使得它非常适合创建详细且逼真的图像，例如为食谱绘制插图。虽然它力求准确，但与所有语言模型一样，其知识是广泛而通用的，并非绝对或完整的。

4. 文本渲染

大多数图像生成模型都难以准确渲染长文本序列，常常导致格式错误、字符难以辨认或拼写错误。内部基准测试表明，与领先的竞争模型相比，2.0 Flash具有更强的文本渲染能力，非常适合创建广告、社交帖子甚至邀请函。

开始使用Gemini生成图像

立即通过Gemini API开始使用Gemini 2.0 Flash。可在相关文档中阅读更多关于图像生成的信息。

from google import genai
from google.genai import types

client = genai.Client(api_key="GEMINI_API_KEY")

response = client.models.generate_content(
    model="gemini-2.0-flash-exp",
    contents=(
        "Generate a story about a cute baby turtle in a 3d digital art style. "
        "For each scene, generate an image."
    ),
    config=types.GenerateContentConfig(
        response_modalities=["Text", "Image"]
    ),
)

无论是构建AI智能体、开发具有精美视觉效果的应用（如带插图的互动故事），还是在对话中进行视觉创意头脑风暴，Gemini 2.0 Flash都允许仅通过单一模型来添加文本和图像生成功能。期待看到开发者利用原生图像输出功能创造出精彩应用，相关反馈将有助于尽快完善并推出生产就绪的版本。FINISHED