نانوبنانا ۲.۱ (Nano Banana 2.1) نسخهٔ تازهٔ مدل ساخت و ویرایش تصویر گوگل است که در تاریخ ۶ اکتبر ۲۰۲۶ (۱۴ مهر ۱۴۰۵) رونمایی شد. طبق معرفی رسمی نانوبنانا ۲.۱، این نسخه کیفیت تصویر، اجرای دستورها، نوشتن متن داخل تصویر و ثبات شخصیت‌ها در ویرایش‌های متوالی را بهبود می‌دهد. هم‌زمان، نام اسپایسی مایو (Spicy Mayo) هم مطرح شده است؛ اما آیا با دو مدل متفاوت روبه‌رو هستیم؟ در ادامه، اطلاعات تأییدشده و موارد نامشخص را بررسی می‌کنیم.
نانوبنانا Nano Banana 2.1 چیست؟
طبق معرفی رسمی نانوبنانا ۲.۱ یک مدل تولید تصویر (Image Generation) و ویرایش گفت‌وگویی (Conversational Editing) است؛ یعنی می‌توانید تصویر بسازید و سپس با دستورهای متنی آن را تغییر دهید.
گوگل در راهنمای انتخاب مدل‌های تصویری این نسخه را برای ساخت تصویر با سرعت بالا و استفادهٔ پرتعداد معرفی کرده و آن را برای پروژه‌های جدید به‌جای نانوبنانا ۲ پیشنهاد می‌کند. نانوبنانا پرو (Nano Banana Pro) نیز همچنان گزینهٔ این خانواده برای کارهای بصری پیچیده‌تر است.
نانوبنانا ۲.۱ در هوشا در دسترس قرار گرفت
مدل نانوبنانا ۲.۱ در اولین روز عرضه توسط گوگل، به پلتفرم هوش مصنوعی هوشا اضافه شد. در هوشا می‌توانید از مدل‌های مختلف مانند چت جی پی تی و… و سرویس‌های متنوع برای تولید محتوا، ساخت و ویرایش تصویر، تولید ویدئو، موسیقی و صدا استفاده کنید و ابزار مناسب کارتان را انتخاب کنید. با اضافه‌شدن این نسخه، امکان تجربهٔ قابلیت‌های تازهٔ نانوبنانا برای کاربران هوشا فراهم شده است.
کافیست وارد سرویس تصویر هوشا شوید و مدل Nano Banana 2.1 را طبق تصویر زیر انتخاب کنید.
Spicy Mayo اسپایسی مایو چیست؛ آیا همان نانوبنانا ۲.۱ است؟
در منابع رسمی بررسی‌شده، تأییدی پیدا نکردیم که اسپایسی مایو مدل مستقلی باشد یا نام آزمایشی نانوبنانا ۲.۱. نام رسمی نسخهٔ جدید در مستندات گوگل، نانوبنانا ۲.۱ است. همچنین در نسخهٔ بررسی‌شدهٔ جدول رتبه‌بندی تولید تصویر آرنا، نام اسپایسی مایو دیده نمی‌شود.
بنابراین، نمی‌توان قابلیت‌ها، قیمت یا امتیازهای نانوبنانا ۲.۱ را به اسپایسی مایو نسبت داد. برای معرفی قطعی این نام، باید منتظر اعلام سازنده یا تأیید رسمی ارتباط آن با یک مدل مشخص ماند.
قابلیت‌های جدید نانو بنانا Nano Banana 2.1
۱. کیفیت بهتر و اجرای دقیق‌تر دستورها
گوگل از بهبود واقع‌گرایی (Realism) و پیروی از دستور (Prompt Adherence) خبر داده است. همچنین نمایش متن (Text Rendering) و چیدمان اینفوگرافیک‌ها دقیق‌تر شده‌اند. مشکل ایجاد بخش‌های تکراری یا کاشی‌مانند (Tiling Artifacts) در تصاویر بسیار کشیده، با کیفیت ۲K و ۴K، نیز برطرف شده است. این تغییرات در صفحهٔ رسمی مشخصات مدل آمده‌اند.
برای نمونه، در طراحی یک بنر تبلیغاتی، می‌توانید جای محصول، رنگ پس‌زمینه و متن روی تصویر را مشخص کنید. برای ارزیابی نتیجه، بهتر است بررسی کنید که مدل همهٔ این خواسته‌ها را هم‌زمان اجرا کرده باشد.
۲. ترکیب تصاویر مرجع و حفظ شخصیت‌ها
این نسخه از ترکیب چند تصویر (Multi-image Fusion) با حداکثر ۱۴ تصویر مرجع پشتیبانی می‌کند. گوگل حفظ ثبات حداکثر ۴ شخصیت و وفاداری به جزئیات حداکثر ۱۰ شیء را نیز ذکر کرده است. سطح تفکر (Thinking Level) سه حالت حداقلی، متوسط و بالا دارد؛ حالت متوسط، تنظیم پیش‌فرض است.
یک سناریوی کاربردی برای بررسی این قابلیت هوش مصنوعی، ساخت چند تصویر از یک محصول است: عکس مرجع را ثابت نگه دارید و در هر مرحله فقط محیط یا نور را تغییر دهید. سپس شکل محصول، برچسب و رنگ آن را در خروجی‌ها مقایسه کنید.
۳. ویرایش مرحله‌به‌مرحله و استفاده از جست‌وجوی گوگل
در راهنمای رسمی تولید تصویر، ویرایش چندمرحله‌ای (Multi-turn Editing)، استفاده از جست‌وجوی وب و تصویر گوگل برای اتکا به منابع (Search Grounding)، و ساخت تصویر با استفاده از محتوای ویدئو (Video-to-image) توضیح داده شده‌اند. این قابلیت‌ها امکان اصلاح تدریجی تصویر و ساخت خروجی‌هایی مانند تصویر بندانگشتی ویدئو را فراهم می‌کنند.
برای ویرایش مرحله‌ای، مثلاً ابتدا تصویر محصول را بسازید، سپس بگویید «فقط پس‌زمینه را روشن‌تر کن» و در مرحلهٔ بعد بخواهید نوشتهٔ روی تصویر تغییر کند. در هر مرحله، مشخص‌کردن عناصر ثابت به ارزیابی دقیق‌تر خروجی کمک می‌کند.
کاربردهای Nano Banana 2.1؛ از عکس محصول تا محتوای شبکه‌های اجتماعی
در صفحهٔ معرفی نانوبنانا ۲.۱، این کاربردها مطرح شده‌اند:
- محتوای شبکه‌های اجتماعی (Social Content): تغییر لباس، پس‌زمینه و ترکیب‌بندی عکس‌های شخصی با حفظ ظاهر قابل‌شناسایی فرد.
- کاتالوگ محصول (Product Catalogs): ساخت عکس‌های استودیویی و تصاویر محصول در محیط‌های روزمره، با استفاده از عکس مرجع.
- ویرایش خلاقانهٔ عکس (Creative Photo Edits): تعویض اشیا یا تبدیل سبک عکس به انیمه، طراحی یا نقاشی رنگ‌روغن.
- کمپین برند (Brand Campaigns): ساخت مجموعه‌ای از تصاویر تبلیغاتی با رنگ‌ها و سبک هماهنگ.
- طراحی شخصیت (Character Concepts): نمایش یک شخصیت در حالت‌ها و محیط‌های متفاوت.
- پوستر و بسته‌بندی (Posters and Packaging): ساخت تصاویر دارای عنوان، برچسب محصول و متن منو.
برای مثال، یک فروشگاه می‌تواند عکس مرجع محصول را بارگذاری کند و بخواهد: «این محصول را روی میز آشپزخانه قرار بده؛ شکل بسته‌بندی، رنگ و نوشته‌های آن تغییر نکند.» سپس خروجی را با عکس اصلی مقایسه کند.
تفاوت ساخت تصویر و ویرایش عکس با نانوبنانا ۲.۱
در ساخت تصویر (Image Generation)، نقطهٔ شروع توضیح متنی است؛ در ویرایش تصویر (Image Editing)، از یک عکس موجود شروع می‌کنید. تصاویر مرجع می‌توانند ظاهر سوژه یا سبک دلخواه را مشخص کنند. در ویرایش، باید روشن کنید چه چیزی تغییر کند و چه چیزی ثابت بماند. راهنمای ساخت و ویرایش در صفحهٔ مرجع این دو مسیر را توضیح می‌دهد.
مثلاً «یک اتاق روشن با مبلمان سبز بساز» درخواست ساخت تصویر است. اما «در این عکس فقط رنگ مبل را سبز کن؛ نور، دیوارها و بقیهٔ وسایل ثابت بمانند» درخواست ویرایش عکس است.
تفاوت نانوبنانا ۲.۱ با نانوبنانا ۲
نانوبنانا ۲ پیش‌تر هم ساخت تصویر ۴K، جست‌وجوی تصویری، ویرایش گفت‌وگویی و نسبت‌های بسیار کشیده را ارائه می‌کرد. بنابراین این قابلیت‌ها همگی برای اولین بار در نسخهٔ ۲.۱ اضافه نشده‌اند؛ تمرکز نسخهٔ تازه بیشتر بر بهبود کیفیت و دقت است. مشخصات رسمی نانوبنانا ۲ قابلیت‌های نسخهٔ قبلی را توضیح می‌دهد.
| موضوع | نانوبنانا ۲ | نانوبنانا ۲.۱ |
|---|---|---|
| شناسهٔ مدل | gemini-3.1-flash-image | gemini-nano-banana-2.1 |
| وضوح خروجی (Resolution) | ۰٫۵K، ۱K، ۲K و ۴K | ۱K، ۲K و ۴K |
| نوشتن متن داخل تصویر | پشتیبانی می‌شود | طبق اعلام گوگل بهبود یافته |
| ثبات در ویرایش‌های متوالی | پشتیبانی می‌شود | طبق اعلام گوگل بهبود یافته |
| تصاویر بسیار کشیده | پشتیبانی می‌شود | مشکل تکرار بافت در ۲K و ۴K برطرف شده |
این مقایسه بر اساس صفحات رسمی دو مدل و راهنمای تولید تصویر تنظیم شده است. خروجی ۰٫۵K نسخهٔ قبلی در نانوبنانا ۲.۱ پشتیبانی نمی‌شود.
مشخصات فنی و دسترسی به نانوبنانا ۲.۱
طبق مستندات رسمی مدل، ورودی‌ها شامل متن، تصویر، ویدئو و فایل پی‌دی‌اف هستند و خروجی می‌تواند تصویر و متن باشد. ظرفیت ورودی ۱۳۱٬۰۷۲ توکن و ظرفیت خروجی ۳۲٬۷۶۸ توکن است. نسخهٔ پایدار در مستندات ثبت شده و لینک آزمایش در گوگل ای‌آی استودیو (Google AI Studio) نیز ارائه شده است.
پشتیبانی از ورودی ویدئو به معنی تولید ویدئو نیست؛ خروجی این مدل همچنان تصویر و متن است.
قیمت نانوبنانا Nano Banana 2.1؛ کاهش هزینهٔ ساخت تصویر نسبت به نسخهٔ قبل
قیمت رسمی نانوبنانا ۲.۱ اکنون در صفحهٔ قیمت‌گذاری گوگل منتشر شده است. هزینهٔ خروجی تصویر در حالت استاندارد (Standard)، ۳۰ دلار به‌ازای یک میلیون توکن است؛ در نانوبنانا ۲ این نرخ ۶۰ دلار بود. هزینهٔ تولید هر تصویر به وضوح خروجی بستگی دارد.
| وضوح تصویر | نانوبنانا ۲ | نانوبنانا ۲.۱ |
|---|---|---|
| ۱K | ۰٫۰۶۷ دلار | ۰٫۰۳۳۶ دلار |
| ۲K | ۰٫۱۰۱ دلار | ۰٫۰۵۰۴ دلار |
| ۴K | ۰٫۱۵۱ دلار | ۰٫۱۱۳ دلار |
این اعداد هزینهٔ خروجی تصویر در رابط برنامه‌نویسی گوگل (Gemini API) هستند؛ هزینهٔ ورودی، تفکر و جست‌وجو جدا محاسبه می‌شود. بر اساس قیمت‌های جدول، هزینهٔ خروجی ۱K و ۲K تقریباً نصف و هزینهٔ ۴K حدود ۲۵٪ کمتر شده است.
قیمت پردازش دسته‌ای و هزینهٔ ورودی
در پردازش دسته‌ای (Batch)، هزینهٔ خروجی نانوبنانا ۲.۱ برای تصاویر ۱K، ۲K و ۴K به‌ترتیب ۰٫۰۱۶۸، ۰٫۰۲۵۲ و ۰٫۰۵۶۷ دلار است. هزینهٔ ورودی استاندارد نیز از ۰٫۵۰ دلار در نسخهٔ قبلی به ۱٫۵۰ دلار به‌ازای یک میلیون توکن رسیده است. بنابراین، کاهش هزینهٔ خروجی به معنی نصف‌شدن هزینهٔ کل همهٔ درخواست‌ها نیست.
بنچمارک رسمی نانوبنانا ۲.۱ در مقایسه با نسخه‌های قبلی
گوگل دیپ مایند در کارت رسمی این مدل نتایج ارزیابی رسمی را منتشر کرده است. جدول زیر امتیازهای مرکزی را نشان می‌دهد؛ دامنه‌های عدم‌قطعیت در منبع آمده‌اند. نسخهٔ ۲.۱ در حالت تفکر (Thinking) در تمام معیارهای این جدول از دو مدل قبلی امتیاز بیشتری گرفته است.
| معیار ارزیابی | نانوبنانا ۲.۱ با تفکر | نانوبنانا ۲.۱ بدون تفکر | نانوبنانا ۲ با تفکر | نانوبنانا پرو |
|---|---|---|---|---|
| ترجیح کلی تصویر | ۱۰۵۰ | ۱۰۱۵ | ۹۹۰ | ۹۳۵ |
| طراحی اینفوگرافیک | ۱۰۴۸ | ۱۰۰۱ | ۹۶۱ | ۹۱۲ |
| صحت اطلاعات اینفوگرافیک | ۰٫۵۲۱ | ۰٫۳۲۸ | ۰٫۱۷۹ | ۰٫۲۶۵ |
| ویرایش عمومی | ۱۰۲۶ | ۹۸۰ | ۹۳۸ | ۹۳۹ |
| ثبات یک شخصیت | ۱۰۲۸ | ۱۰۲۱ | ۹۸۱ | ۹۹۱ |
| ثبات چند شخصیت | ۱۱۰۶ | ۱۰۶۸ | ۹۷۸ | ۱۰۱۱ |
| ویرایش با ماسک یا طرح دستی | ۱۰۴۹ | ۱۰۴۲ | ۹۶۵ | ۹۲۷ |
| ثبات محصول | ۱۰۲۴ | ۹۸۱ | ۹۵۵ | ۹۶۵ |
| تغییر سبک | ۱۰۶۲ | ۱۰۳۶ | ۹۹۱ | ۹۹۰ |
| ویرایش با چند تصویر مرجع | ۱۰۶۶ | ۱۰۴۱ | ۹۸۸ | ۹۸۹ |
گوگل برای ترجیح و کیفیت بصری از مقایسهٔ انسانی و امتیاز الو (Elo)، و برای صحت اطلاعات از ارزیاب خودکار استفاده کرده است. این اعداد درصد کیفیت نیستند و نباید اختلاف آن‌ها را به «درصد بهترشدن تصویر» تبدیل کرد. همچنین این جدول، مقایسه‌ای با جی‌پی‌تی ایمیج ۲.۵ ندارد.
بنچمارک مقایسهٔ نانوبنانا ۲.۱ با جی‌پی‌تی ایمیج ۲.۵ و سایر مدل‌ها در آرنا
نانوبنانا ۲.۱ اکنون وارد رتبه‌بندی مستقل آرنا (Arena) شده است. در جدول مورخ ۶ اکتبر ۲۰۲۶، این مدل رتبهٔ پنجم تولید تصویر از متن و رتبهٔ ششم ویرایش تک‌تصویر را دارد. البته نتایج هنوز مقدماتی (Preliminary) هستند.
مقایسه در تولید تصویر از متن
طبق جدول تولید تصویر از متن آرنا، هر دو نسخهٔ جی‌پی‌تی ایمیج ۲.۵ بالاتر از نانوبنانا ۲.۱ قرار دارند.
| مدل | رتبه | امتیاز |
|---|---|---|
| GPT Image 2.5 Sunburst | ۱ | ۱۴۲۵ ± ۷ |
| GPT Image 2.5 Flare | ۲ | ۱۳۹۸ ± ۷ |
| gpt-image-2، تنظیم متوسط | ۳ | ۱۳۸۳ ± ۴ |
| MAI Image 2.6 | ۴ | ۱۳۳۳ ± ۵ |
| Nano Banana 2.1 | ۵ | ۱۳۲۸ ± ۹ |
| grok-imagine-image-2.0، نسخهٔ Canvas | ۶ | ۱۳۲۱ ± ۱۱ |
| Nano Banana 2 با جست‌وجوی وب | ۱۱ | ۱۲۶۱ ± ۴ |
| Seedream 5.0 Pro | ۱۲ | ۱۲۵۶ ± ۴ |
| نانوبنانا پرو، نسخهٔ ۲K | ۱۶ | ۱۲۴۸ ± ۳ |
نانوبنانا ۲.۱ از نسخهٔ قبلی و نانوبنانا پرو امتیاز بیشتری گرفته، اما هنوز پایین‌تر از مدل‌های تصویری جدید OpenAI است. نزدیکی امتیاز آن به مای ایمیج ۲.۶ و گراک Canvas، همراه با هم‌پوشانی دامنه‌های عدم‌قطعیت، اجازهٔ ادعای برتری قطعی بر این دو را نمی‌دهد.
مقایسه در ویرایش عکس
در جدول ویرایش تک‌تصویر آرنا، نانوبنانا ۲.۱ از نانوبنانا ۲، نانوبنانا پرو و سیدریم ۵ پرو امتیاز بیشتری دارد.
| مدل | رتبه | امتیاز |
|---|---|---|
| gpt-image-2.5-sunburst | ۱ | ۱۵۲۴ ± ۵ |
| gpt-image-2.5-flare | ۲ | ۱۴۸۱ ± ۵ |
| gpt-image-2، تنظیم متوسط | ۳ | ۱۴۶۲ ± ۳ |
| grok-imagine-image-2.0، نسخهٔ Canvas | ۴ | ۱۴۳۹ ± ۹ |
| mai-image-2.6 | ۵ | ۱۴۲۸ ± ۵ |
| Nano Banana 2.1 | ۶ | ۱۴۲۸ ± ۶ |
| Seedream 5.0 Pro | ۱۰ | ۱۳۹۴ ± ۳ |
| نانوبنانا پرو، نسخهٔ ۲K | ۱۲ | ۱۳۹۰ ± ۳ |
| نانوبنانا ۲ با جست‌وجوی وب | ۱۴ | ۱۳۸۷ ± ۳ |
جی‌پی‌تی ایمیج ۲.۵ در این ارزیابی هم بالاتر قرار دارد. امتیاز مرکزی نانوبنانا ۲.۱ و مای ایمیج ۲.۶ یکسان است؛ پس رتبهٔ پنجم و ششم را نباید به معنی اختلاف روشن کیفیت دانست.
مقایسهٔ قیمت نانوبنانا ۲.۱ با جی‌پی‌تی ایمیج ۲.۵
نرخ خروجی تصویر نانوبنانا ۲.۱ و هر دو نسخهٔ جی‌پی‌تی ایمیج ۲.۵ در حالت استاندارد، ۳۰ دلار به‌ازای یک میلیون توکن است. بااین‌حال، نرخ یکسان توکن به معنی قیمت یکسان هر تصویر نیست؛ تعداد توکن مصرفی می‌تواند متفاوت باشد.
| هزینهٔ استاندارد به‌ازای یک میلیون توکن | نانوبنانا ۲.۱ | جی‌پی‌تی ایمیج ۲.۵ سان‌برست و فلر |
|---|---|---|
| ورودی متنی | ۱٫۵۰ دلار | ۵ دلار |
| ورودی تصویری | ۱٫۵۰ دلار | ۸ دلار |
| خروجی تصویری | ۳۰ دلار | ۳۰ دلار |
منابع این مقایسه، قیمت‌گذاری گوگل و صفحات رسمی جی‌پی‌تی ایمیج ۲.۵ سان‌برست و جی‌پی‌تی ایمیج ۲.۵ فلر هستند. OpenAI تأکید کرده که محاسبه‌گر مصرف توکن جی‌پی‌تی ایمیج ۲، مصرف نسخهٔ ۲.۵ را برآورد نمی‌کند؛ بنابراین نباید قیمت هر تصویر نسخهٔ قبلی را مستقیماً به نسخهٔ جدید نسبت داد.
از نظر جایگاه کاربردی، OpenAI سان‌برست را برای کارهایی معرفی می‌کند که دقت ویرایش مهم‌تر است و فلر را برای تولید سریع تصاویر روزمره. برای انتخاب اقتصادی میان این مدل‌ها و نانوبنانا ۲.۱، باید هزینهٔ واقعی درخواست‌های مشابه با اندازه، کیفیت و تعداد تصاویر مرجع مشخص مقایسه شود.
مراحل ساخت و اصلاح تصویر با نانوبنانا ۲.۱
روند کلی شامل انتخاب مدل، نوشتن دستور و افزودن عکس مرجع، تعیین تنظیمات موجود، ساخت تصویر و اصلاح نتیجه است. گزینه‌های وضوح، نسبت تصویر و تعداد خروجی به پلتفرم بستگی دارند. برای تصاویر دارای نوشته، متن دقیق را در دستور بیاورید و املای خروجی را بررسی کنید.
برای نتیجهٔ قابل‌بررسی، در دستور خود سوژه، محیط، نور، سبک و عناصر ثابت را مشخص کنید. نمونه:
«از محصولِ عکس مرجع یک تصویر تبلیغاتی بساز. محصول روی میز چوبی و کنار پنجره باشد. نور طبیعی، پس‌زمینه خلوت و رنگ‌ها گرم باشند. شکل محصول، لوگو و نوشته‌های بسته‌بندی تغییر نکنند.»
نانوبنانا ۲.۱ چه محدودیت‌هایی دارد؟
طبق راهنمای محدودیت‌های تولید تصویر گوگل، تعداد تصاویر خروجی همیشه دقیقاً مطابق درخواست نیست و استفاده از تصاویر واقعی افراد از نتایج جست‌وجوی وب پشتیبانی نمی‌شود. همهٔ تصاویر تولیدشده نیز واترمارک سینث‌آی‌دی (SynthID) دارند. فارسی در فهرست زبان‌های پیشنهادی گوگل برای بهترین عملکرد ذکر نشده است؛ این موضوع به معنی پشتیبانی‌نکردن از فارسی نیست.
برای انتشار محتوای فارسی، بهتر است املای نوشته‌های داخل تصویر، ترتیب حروف و جزئیات خروجی را جداگانه بررسی کنید.
جمع‌بندی
نانوبنانا ۲.۱ (Nano Banana 2.1) با اجرای دقیق‌تر دستورها، نمایش بهتر نوشته‌ها و حفظ ظاهر شخصیت‌ها، ساخت و ویرایش تصویر را بهبود داده است. هزینهٔ خروجی آن از نسخهٔ قبلی کمتر شده، اما در نتایج مقدماتی آرنا، جی‌پی‌تی ایمیج ۲.۵ همچنان امتیاز بالاتری دارد. ارتباط نام اسپایسی مایو (Spicy Mayo) با این مدل نیز هنوز رسماً تأیید نشده است.
نانوبنانا ۲.۱ هم‌اکنون در هوش مصنوعی همه کاره فارسی هوشا در دسترس است و می‌توانید آن را در سرویس تصویر امتحان کنید.
آموزش تبدیل اسکچ کاغذی به اپلیکیشن با جمنای در ۴ مرحله
جی پی تی ۶ سایبر | GPT‑6 Cyber؛ مدل امنیتی برای کشف و بررسی آسیبپذیریهای امنیتی
Gemini Omni 1.2 Flash؛ تولید ویدئوی ۱۵ ثانیهای با قیمت۳۰ درصد کمتر با جمنای امنی ۱.۲ فلش
پروپوزال نویسی با هوش مصنوعی؛ آموزش تصویری در ۹ مرحله با نمونه عملی
نوشتن انشا با هوش مصنوعی؛ آموزش با مثال واقعی در وب و تلگرام
