等了好久，谷歌终于开放了 Gemini 2.0 的原生绘图能力。
其实，Gemini 2.0 系列模型早在2024 年 12 月 就正式发布了，是谷歌首次支持原生多模态输出的版本（文本、图像、音频），但是当时并没有开放绘画能力。
昨天，谷歌正式放出了 Gemini 的原生绘画能力，目前大家可以直接在 Google AI Studio 免费体验。注意，这里是原生，由Gemini直接混合生成文字和图片（后文视频里能看到），而不是调用外部绘画模型。
大家体验一定是选Gemini 2.0 Flash Experimental这个实验版模型，输出设置成文本和图像混合输出。
我上手测了一天，基本全程 WOC，已献上我的膝盖。
GPT-4o是第一个主打原生多模态的模型，比如它的语音、视觉理解一放出来就当时就炸场了，但是它的绘画能力是通过调用外部的DALL·E来实现的。但是这次Gemini的绘图能力则是原生绘图，兑现了我对 GPT-4o 具备原生绘画能力的幻想！而且，Gemini绘图的“一致性”太顶了。
什么颠覆设计圈、动嘴 P 图、设计师噩梦看多就腻了，请看效果——
第一个：给人物变形出多种动作
23 年好多搞 AIGC 创业的朋友中一致认为能赚到钱为数不多的场景之一——
「淘宝电商的批量生图」
当然也是在那个时间就已经被吐槽非常卷的赛道。
我随便输入一张模特图，让 AI 换一些不同的拍照姿势
人物、裙子完美和原始模特保持一致，完全看不出是 AI 生成的。
第二个：14 轮连续对话修图
整个对话的过程是这样的：
-
draw a box（画一个箱子） -
make it silver（变成银色的） -
Realistic（真实点） -
最上面变成玻璃 -
玻璃下面，柜子上面放上珠宝 -
柜子变成高级的展示柜 -
变成真实材质的渲染图 -
柜体变成实木的 -
里面添加珠宝，光线明亮一些 -
添加背景环境和地板 -
珠宝区太亮了，稍微暗一点，环境奢华一些 -
暗一些 -
管线调整暗一些 -
过于暗了，正常的商场环境就行
从最开始画一个箱子，到经历 14 轮连续对话，变成一个商场的珠宝展示箱。
全程我就用的最简单的话，告诉它我的需求，跟指挥一个设计师给我画图一样，整个过程非常丝滑连贯。
一点点地调整，只有中间一步是强调了两遍光线变暗，其他都是一次过。
第三个：一句话生成绘本，插画师的噩梦
问题很简单：
给我讲一个小黑猫大战外星人的故事, 3d cartoon animation style. For each scene, generate an image.
猫的形象全程一致，而且表情丰富，就是连配角外星人的形象都保持了前后一致。
第四个：球鞋设计，从线稿到模特上身，一气呵成
连线稿都不用提供，我这里就是让 AI 直接生成，懒得找了。
中间让 AI 设计，上色，调整 nike 标和鞋底位置的颜色，调整配色风格，从一只变成一双，让职业运动员穿上看效果。
需求很多，尽可能去模拟真实工作环境的各种要求，就光一个“颜色太卡通，不够稳重”这个恶心的需求，日常让人干的话都多少天完成？就好比让申公豹长毛的特效。
我觉得这里的完成度也很好。
看完你就能理解，为什么我称 Gemini2.0 是一致性的神了。
它既能一次性生成多张图片，并保持角色、场景和风格的一致性。这真的能解决视频分镜和连续内容创作中的大痛点。也能在一轮轮的修改过程中保持一致性。我觉得大家可以加大轮数再试！
再来看看 X 上网友的 case：
第五个：游戏原画师也要噩梦了
这是 X 上网友的一个两个 case。都和游戏场景里有关。
而且，能把具体的一个东西放在任何场景里都不会违和。
看完已献上我的膝盖。设计师看完都要集体沉默了。
但是别着急，夕小瑶的 case 怎么可能就到这儿！必须要为难一下它。看我下面跟上的几个 case，我发现它不是万能的。
好比这个 case——
这是某一个拍摄角度下办公室照片，我要它“变换几个不同的视角”。
一共生成了 3 张新图，第一张和第三张感觉像是扩图了，视角开大了，第一看没有问题，还有点意外，但是经不起推敲。仔细看，绿植的位置不一样，电脑显示器也变形了，灯泡还有漏掉。总之就是不能看细节。
我猜测，如果图片元素过多，比较复杂，细节处理能力很有限。
继续看——
依旧是一张办公室的图，同样是让 AI 给一些不同的拍摄视角。
只能说照片类型感觉对了，都是精致布置的办公室，而且有人，但是并不是我要的不同拍摄角度。我的预期是人的相对位置不能改变。
一种原因是我的指令比较简单，没有细节描述，不够细致。另一种还是上面提到的过于复杂的问题。
刷着刷着突然看到一张照片，好多人聚会的一张图，我就突发奇想，来一道终结题目。
都知道站在前排的人显脸大，那如果换个角度，从最后面的人开始拍呢。
说实话，难度确实大。
最后，Gemini 以惨败结束。毕竟这个要求 P 图师现在也做不到吧？
换个脸、换个发型、加个背景、扣掉一个东西，就是增删改一个简单的元素，是完全没有问题的；
再难一点，同一个主体变换动作，变换角度、变换一下场景，比如模特那个摆拍动作，小黑猫不同场景里也不会变形，都能保持非常不错的一致性，AI 操控的对象也是相对简单的，小猫没有那么多特征。
再再难一点，如果让 AI 操控一个复杂的、特征点多的、细节多的东西，就办不到了。
总之，经过一天上手的实测，Gemini2.0 的绘图能力依旧给我带来的感受是颠覆性的，它的一致性依旧是超超牛的存在，至少目前。
依旧有不足，但也请保持期待！
（文：机器学习算法与自然语言处理）