Google Deepmind представила модель “Gemini 2.5 Flash Image Generation” для приложения Gemini, которая позволяет вносить значительные изменения в фотографии по запросу, при этом узнаваемость людей и животных сохраняется.
Gemini 2.5 Flash работает точнее предыдущих встроенных инструментов Gemini и, по словам Google, часто превосходит модель GPT-4o, которую использует ChatGPT, особенно при работе с текстовыми запросами и редактированием изображений. Модель лучше справляется с точностью запросов, чем многие аналогичные нейросети для работы с изображениями.
Главная особенность — «character consistency» (визуальная последовательность персонажа): Gemini 2.5 Flash может сохранять внешний вид человека, животного или предмета на всех изображениях, даже если меняется поза, фон или освещение. Это позволяет создавать серию из похожих картинок или, например, продуктовые фотографии с разных ракурсов. Google отмечает, что модель хорошо подходит для генерации брендовых материалов и каталогов товаров, а также лучше конкурентов справляется с массовыми задачами по редактированию картинок.
Также поддерживаются точные локальные изменения через текстовые запросы. Можно размывать фон, убирать дефекты, менять цвет, удалять объекты — все это без ручного выделения зон. Демонстрационное приложение PixShop показывает эти функции с простым интерфейсом и элементами управления через запросы.
Gemini 2.5 Flash умеет сочетать до трех изображений одновременно. Например, можно совместить фото товара и фото комнаты, чтобы получить реалистичную интерьерную сцену. Сложные композиции с несколькими элементами можно создавать одной командой. Для этого Google также сделала специальный инструмент с интерактивным холстом.
Модель умеет переносить стили: можно взять узор, цвет или текстуру с одного объекта и «переместить» на другой, сохранив его форму. Примеры — платье с бабочками или ботинки с цветочным принтом.
Gemini 2.5 Flash визуализирует простые причинно-следственные связи, что в Google называют «real-world reasoning». На одном из примеров: модель создает картинку, где шар летит к кактусу, а затем — следующую, где видно, что произошло после.
По словам Google, эти функции работают за счет знаний, встроенных в Gemini 2.5. Опробовать их можно в приложении для рисования, задавая команды текстом.
Новые инструменты редактирования доступны в приложении Gemini. Чтобы воспользоваться ими, вместо модели “Imagen” в чате нужно выбрать язык-модель “Flash” в левом верхнем углу. Такой подход может сначала запутать, но оправдан текстовой логикой работы редактора.
Далее можно загрузить картинку и записать запрос для редактирования. Все готовые изображения получают видимый водяной знак и скрытый SynthID для цифровой защиты.
Gemini 2.5 Flash Image уже доступна в тестовом режиме через Gemini API, Google AI Studio и Vertex AI. Стоимость — $30 за миллион токенов, одна картинка обходится примерно в $0,039 (как и в Gemini 2.0 Flash Image).
