Deepmind 负责 Nano Banana 的模型研究员录了一期播客，非常值得看一下
详细介绍了 Gemini 2.5 Flash 他们叫原生图像生成模型的升级所用的一些训练和评估方式以及后续图像模型的优化目标。
我总结了一下视频内容：
https://t.co/bacwtr9Qdx
新模型与“原生图像生成”的核心：
Gemini 2.5 Flash 的核心变化，在于将图像生成、理解与编辑纳入同一多模态上下文里执行。“原生图像生成”意味着模型在一次对话流中逐步产出多张图，并且每一步都“看得到”之前生成的图像与文本，从而可以在风格、构图和语义上保持连续一致。
逻辑上，它更像是一条带状态的生成轨道，每一步的输出既是结果，也是下一步的条件。这一“交错式生成”范式，让复杂编辑自然拆分为多步序列，避免了在“单步巨复杂指令”中丢失细节或互相冲突。
当把“理解”和“生成”并置在同一训练与推理体内，团队观察到明显的“正向迁移”：图像理解能力的提升，会帮助生成能力学习到更多关于真实世界与视觉结构的知识；反之亦然。
文本渲染为何重要：
传统多模态生成（图像/视频）优化，很依赖“人类偏好”作为评测信号，这类信号真实但成本高、滞后长、主观性强，难以高频“爬坡”。
团队因此寻找可以在训练过程中高频追踪的替代指标。“文本渲染”成为突破口：若模型能在图像中准确构造字形、排布与空间关系，说明其对“视觉结构”的掌握在增强。这种结构掌握不仅关乎文字本身，也外溢到更广的“场景结构”“频率成分”的整体生成质量。
这一代理指标的价值在于“可持续追踪”：无论是架构、数据、训练策略的实验，只要把文本渲染纳入固定监控，就能避免回归，并捕捉到“意外有效”的改动。
“字是一种高度结构化的微任务”。当模型学会了在复杂背景中稳定地“写字”，它也更有机会正确处理“平行线条”“规整网格”“符号/标志”“几何重合”等同样结构化的视觉课题，让整体画面更可信、更少“拼贴感”。
多模态正向迁移：
团队把图像理解与生成称作“姐妹”。统一训练的目标，是在同一模型里学习多模态的理解/生成能力，并在两者之间产生“正向迁移”。
在生成中辅助理解”的路径：让模型在解题过程中“画图”“打草稿”，以更好地把抽象问题视觉化、结构化。这与“交错式生成”天然相合：一次会话里，模型既能接收用户图片、文本，又能生成中间图像，再用这些中间产物辅助下一步思考，形成自洽的多模态推理链。
展望，从“更好看”到“更聪明”与“更靠谱”：
对未来方向，团队强调两条主线：其一是“Smartness（聪明感）”。他们希望当用户指令“不充分、甚至有误”时，模型能“越级发挥”，做出“比用户描述更好”的结果。
其二是“Factuality（事实性/严谨性）”。在图表、流程图、信息图等“既要好看又要准确”的任务里，模型需要严格遵循事实与排版约束，避免多余文本、避免逻辑错误，让“视觉表达”与“内容正确”双达标。
团队也表达了对“自动化个人审美打分器”的兴趣，这类工具若成熟，可能反过来作为模型学习“你的审美”的辅助。
youtube 在这里：https://t.co/8MoUOJhOMX
