免费使用AI绘画模型Nano Banana Pro,太有意思了!

大家好,我是程序员小灰。

关注AI的朋友们应该都知道,最近谷歌的AI模型Gemini3.0 Pro爆火了。Gemini3是一个AI大家族,这个家族的成员不只有善于文字对话的大语言模型,还包括着善于绘画的图像生成模型,Nano Banana Pro。

这两天小灰亲自测试了Nano Banana Pro模型,虽然说不上完美,但真的十分有趣!(后文简称Nano Banana)

如何免费使用Nano Banana? 

想要免费使用Nano Banana,小灰给大家推荐三个地方:

1.Gemini官网

入口如下:

https://gemini.google.com/

在Gemini官网的对话框下方,点击“制作图片”选项,就可以和Nano Banana模型进行对话:

2.Google AI Studio

入口如下:

https://aistudio.google.com/

在Google AI Studio的首页右下角,点击“Try Nano Banana Pro”选项,即可体验Nano Banana。

3.LMArena

入口如下:

https://lmarena.ai/

LMArena中文名为大众竞技场,是一个让不同模型进行PK的平台。在首页左上方选择“Direct Chat”模式,模型选择“gemini-3-pro-image-preview-2K”,即可参与Nano Banana的免费测试。

以上就是三种免费使用Nano Banana的方法。其中官网和Google AI Studio有一定的使用频次限制;LMArena虽然不限制次数,但有可能排队。

几个有趣的测试案例

Nano Banana具体能用来干什么呢?

用AI画小猫小狗、画美女帅哥什么的,早已经被众多AI模型玩遍了,我们今天就来尝试几个不一样的玩法,顺便来测试一下Nano Banana的极限。

1.和名人同框

身为普通人,如何免费吃上巴菲特的午餐?小灰上传了一张自己的照片,让AI把自己和巴菲特同框。

提示词:根据我的照片,生成我和巴菲特一起共进午餐的画面。

Nano Banana为我生成了上面这张照片,看起来还蛮自然的。

2.给漫画上色

作为一个动漫爱好者,小灰经常在网上看黑白漫画。如果AI能为所有的漫画上色,阅读的体验将会上升一个台阶。我们找一页漫画试试:

提示词:给漫画上色。

不得不说,Nano Banana的上色水平还真不错,没有一丁点违和感。

3.生成漫画

既然Nano Banana具备漫画上色的能力,那它能不能为我们直接生成漫画呢?让我们试一试。

小灰上传了自己的漫画素材,让AI根据这一对素材形象生成漫画。

提示词:用图中的两个角色生成一组漫画,在漫画中讲述一个编程知识点。

虽然AI生成的这组漫画只是描述了一个编程段子,而非讲解编程知识点,但生成这样的结果已经很厉害了。这样下去,小灰是不是该失业了?

4.生成地图

接下来我们上一点难度,让AI为我们生成一幅地图。

提示词:生成北京市朝阳区的地图。

Nano Banana生成的结果基本符合北京朝阳区的格局,但有些细节还不太完美,地图上有不少错别字和乱码。

我们把这幅平面地图改成立体地图试一试。

提示词:把地图改为3D风格。

这幅立体地图乍一看很酷,不过经不起推敲,似乎仅仅是把所有的地标性建筑排列在一起,各个建筑所在的位置和真实情况完全不一样。

5.生成棋谱

最后,我们来尝试一个最难的案例,让AI为我们生成一套象棋棋谱。

不知在公众号的读者当中有多少象棋爱好者?在中国象棋当中有一个著名的残局,名为“七星聚会”。我们把这个残局的图片上传给Nano Banana,看看它能否破解此残局:

提示词:根据棋局,用图片展示出正确的走法,红棋先走。

这一次AI生成的图片一言难尽,棋盘上莫名其妙多出了几个棋子,根本不是残局的破解之法。

不过这也很正常,Nano Banana又不是通用人工智能,我们这个破解棋局的要求,确实强“机”所难了。

写在最后

各位读者朋友们,不知大家第一个接触到的AI绘画模型是什么?小灰
第一次使用AI绘画模型是在2023年,用的Midjourney。

在那个时候,AI能完全按照要求画出一幅画就已经很不容易了,要么人物手指数量不对,要么显得非常假、AI味儿十足。

如今只过去了两年多的时间,AI绘画模型的能力已经今非昔比,不但可以画出各种鲜活的形象,还能作为辅助工具应用在各个领域。

如果大家有什么新鲜有趣的想法,也欢迎在Nano Banana上面进行尝试,并把你的绘画结果分享在留言区。

关于AI绘画模型Nano Banana Pro,我们就介绍到这里,感谢大家!

< END >

最近,小灰创建了一个AI副业交流群,对AI和副业变现感兴趣的朋友,都欢迎进群交流。扫码添加小灰微信,备注“ai“即可进群:

图片

Read more

生物细胞学在AI时代下的最新进展(2026版)

生物细胞学在AI时代下的最新进展(2026版)

从“看细胞”到“预测细胞”,人工智能正在怎样改写细胞生物学? 过去几年,人工智能在生命科学中最出圈的应用,往往集中在蛋白质结构预测、分子设计和药物筛选上。AlphaFold让人们第一次如此直观地感受到:原来一个看似极度复杂的生物问题,真的可能被大规模数据、模型架构和计算能力共同推进到“范式改变”的节点。可如果把视角从蛋白质拉回实验室,从分子层面的结构预测,回到细胞生物学研究者每天面对的培养箱、显微镜、图像、单细胞测序矩阵和反复调参的分析脚本,你会发现另一场同样深刻、却更贴近日常科研的变化,也已经开始发生。(Nature) 这场变化的核心,不只是“AI 让分析更快”。更准确地说,AI正在把细胞生物学中的许多传统环节,从“依赖人工经验、低通量、强主观”的工作方式,改造成“高维、可重复、可批量、可预测”的数据流程。过去,研究者常常用显微镜“看见”细胞;现在,越来越多的工作开始让模型去“读懂”细胞。

【AI 大模型】LangChain 框架 ① ( LangChain 简介 | LangChain 模块 | LangChain 文档 )

【AI 大模型】LangChain 框架 ① ( LangChain 简介 | LangChain 模块 | LangChain 文档 )

文章目录 * 一、LangChain 简介 * 1、LangChain 概念 * 2、LangChain 定位 * 3、LangChain 开发语言与应用场景 * 4、LangChain 核心组件 * 5、LangChain 学习路径 * 二、LangChain 模块 * 1、模型输入 / 输出 ( Models ) * 2、提示词模板 ( Prompts ) * 3、索引 ( Indexes ) * 4、链 ( Chains ) * 5、记忆 ( Memory ) * 6、代理 ( Agents ) * 7、 工具 ( Tools ) * 8、 文档加载器 ( Document Loaders ) * 9、评估

Leather Dress Collection从零开始:Stable Diffusion 1.5环境+LoRA镜像完整部署

Leather Dress Collection从零开始:Stable Diffusion 1.5环境+LoRA镜像完整部署 想用AI画出酷炫的皮衣皮裙,但被复杂的模型安装和配置劝退?今天,我就带你从零开始,手把手搞定一个专门生成皮革服装的AI工具——Leather Dress Collection。这是一个打包好的Stable Diffusion镜像,内置了12个不同风格的皮革服装LoRA模型,让你不用折腾环境,10分钟就能开始创作。 1. 项目介绍:这个镜像能帮你做什么? 简单来说,Leather Dress Collection就是一个“开箱即用”的AI绘画工具箱。它基于强大的Stable Diffusion 1.5模型,并集成了12个由Stable Yogi精心训练的LoRA模型。这些模型专门针对各种皮革服装风格进行了优化。 它能帮你解决什么问题? * 设计师找灵感:快速生成不同款式的皮革服装概念图。 * 电商卖家做素材:为皮衣、皮裙等商品生成吸引眼球的展示图。 * 内容创作者玩创意:为小说、游戏角色设计独特的皮革风格装扮。 * 新手学习AI绘画:免去复杂的

AI作图效率高,亲测ToDesk、顺网云、青椒云多款云电脑AIGC实践创作

AI作图效率高,亲测ToDesk、顺网云、青椒云多款云电脑AIGC实践创作

一、引言 随着人工智能生成内容(AIGC)的兴起,越来越多的创作者开始探索高效的文字处理和AI绘图方式,而云电脑也正成为AIGC创作中的重要工具。相比于传统的本地硬件,云电脑在AIGC场景中展现出了显著的优势,云电脑通过提供强大的计算资源,轻松应对深度学习模型的训练和推理任务,而其弹性扩展性也允许用户按需调整资源,无需购买昂贵的硬件设备,极大地降低了成本。 本文将通过对ToDesk云电脑、顺网云、青椒云三款云电脑的亲测实践,探讨它们在AIGC创作中的表现,带您一同感受AI作图的高效体验。 二、硬件配置实测分析 强大的硬件配置不仅决定了AIGC模型能否顺畅运行,也决定了生成内容的质量和生成速度。这里我首先选取了各个云电脑产品的最高配置,对显卡性能、内存大小、存储速度等关键指标进行测评。 2.1、显卡性能对比 在处理对话生成、高复杂度的图像生成这类AIGC任务时,显卡扮演着至关重要的角色。各种大型预训练语言模型的训练和推理过程通常涉及大量的矩阵运算和浮点计算。显卡的并行处理能力决定了处理矩阵乘法、卷积操作等计算密集型任务的速度,决定了模型训练与推理的速度。这里我们选取了每款