他のAIが「時計の針が11:15に正確に合っているか」「赤ワインがグラスの縁まで満たされているか」などの問題で頻繁に失敗している中、Nano Banana2は画像生成の精度向上を静かに実現しています。この新しくアップグレードされたAI画像モデルは、業界にとって長年解決できなかった複雑な細部の再現問題を克服し、さらに人間のデザイナーの多段階の創作プロセスを模倣することで、AI描画を「ランダムに描画する」時代から「コントロール可能な精修」の新時代へと導きました。

細部にこだわる勝利：文字、時間、光と影が「トラブル」にならない

Nano Banana2が最も驚くべき進歩は、高精度な意味指令を忠実に実行できる点です。「時計が11:15を示し、赤ワインがグラスの縁まで満たされている」といった複数の正確な要素を含む指示に対して、モデルは時計の目盛りや針の角度を正しく描画するだけでなく、液体の張力やガラスの屈折効果もリアルに表現できます。これまでの主流モデルであるGPT-ImageやGemini2.0などでは、このようなタスクで針のずれやグラスの変形、液体面の歪みなどの低級なエラーが頻繁に発生していました。さらに進んで、「ガラスバーガー」のような非定型のクリエイティブなコンセプトを生成し、素材、構造、光と影を正確に統合して、他にはない世界観の理解力を示しています。

image.png

「ワンクリック生成」の終わり：5段階のワークフローでデザイナーの思考を模倣

従来のAIが「入力＝出力」のブラックボックスモードだったのとは異なり、Nano Banana2は計画→生成→審査→修正→反復という5段階のワークフローを導入し、初めてAI画像生成プロセスを構造化し、操作可能な形にしました。ユーザーは中間の段階で視点の調整、テキスト要素の再作成、構図の論理的な最適化を行うことができます。システムはフィードバックに基づいて後続のステップを動的に最適化します。この「人間とAIの協働」メカニズムにより、複雑なタスクの制御性が大幅に向上し、例えば正確な建物の透視図、商品のラベルの文字配置、またはキャラクターのジェスチャーの詳細などを正確に制御することが可能になります。

まだ小さな欠点はあるが、方向性は明確

多くのテキストを含むポスターを生成する際には偶に誤字が発生するものの、全体的な精度は業界平均を大きく上回っています。開発者は、これはAIが「汎用能力」から「プロフェッショナルな出力」への転換過程における通常の課題であり、今後はより細かい粒度でのテキストと画像の対応トレーニングを通じて継続的に改善していくと語っています。