实验Gemini 2.0 Flash原生图像生成功能

2025年3月12日，某机构向所有支持区域的开发者开放了Gemini 2.0 Flash的原生图像输出功能。该功能最初于去年12月面向受信任的测试者推出，现可通过某机构AI Studio的实验版本（gemini-2.0-flash-exp）及Gemini API进行测试。

技术特性

Gemini 2.0 Flash整合了多模态输入、增强推理和自然语言理解能力来创建图像。主要技术亮点包括：

1. 文本与图像协同生成

支持生成连贯的故事插图，保持角色和场景的一致性。模型可根据反馈重新生成故事或调整绘图风格。

2. 对话式图像编辑

通过多轮自然语言对话实现图像编辑，支持迭代优化和创意探索，在整个对话过程中保持上下文连贯性。

3. 世界知识推理

不同于多数图像生成模型，该技术利用世界知识和增强推理能力生成符合现实的精细图像（如食谱插图）。需注意其知识库虽广泛但非绝对完整。

4. 文本渲染优化

内部基准测试显示，相比主流竞品模型，2.0 Flash在长文本渲染方面表现更优，能有效生成广告、社交帖子及邀请函等含长文本的图像。

开发集成

可通过Gemini API调用图像生成功能：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

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=(
        "以3D数字艺术风格生成关于可爱小海龟的故事"
        "并为每个场景生成对应图像"
    ),
    config=types.GenerateContentConfig(
        response_modalities=["Text", "Image"]
    ),
)

应用场景

该技术适用于：

• 构建具备精美视觉效果的AI代理
• 开发插画式交互故事应用
• 通过对话进行视觉创意头脑风暴

单模型即可同时处理文本和图像生成任务。开发者的反馈将助力生产就绪版本的最终定型。

文档详情可参阅技术文档中的图像生成章节