昨天Nano Banana 2發(fā)布了。

說(shuō)實(shí)話，AI生圖模型更新這么頻繁，大多數(shù)時(shí)候我已經(jīng)不太激動(dòng)了。但NB2確實(shí)有點(diǎn)不一樣——它在Arena的text to image盲測(cè)里直接沖到了第一名，超過(guò)了自家的Nano Banana Pro，也超過(guò)了GPT Image。

而且不是靠畫(huà)質(zhì)碾壓的。NB2的底層從Gemini 3 Pro換成了Gemini 3.1 Flash，跑得更快、成本更低，但畫(huà)面質(zhì)量幾乎沒(méi)掉。

放一組對(duì)比數(shù)據(jù)：

速度從每張10-20秒降到4-6秒。Arena ELO從1223拉到1280。價(jià)格幾乎全線腰斬——1K分辨率$0.134→$0.067，4K從$0.240→$0.151。中文渲染從「偶爾筆畫(huà)出錯(cuò)」升級(jí)到了商用級(jí)別。唯一的代價(jià)是放大到像素級(jí)對(duì)比時(shí)NBP稍微精細(xì)一點(diǎn)，日常用肉眼看不出。

速度快一倍，價(jià)格砍一半，效果還排第一。只能說(shuō)在文生圖領(lǐng)域，Google的領(lǐng)先優(yōu)勢(shì)越來(lái)越明顯了。

不過(guò)模型歸模型。NB2是通過(guò)API調(diào)用的，每張圖按量收費(fèi)，還得有Google Cloud賬號(hào)才能用——對(duì)國(guó)內(nèi)用戶來(lái)說(shuō)這本身就是個(gè)門(mén)檻。

所以，我這次選擇在Lovart上測(cè)NB2。Lovart直接集成了NB2，不需要折騰API。更關(guān)鍵的是，Pro會(huì)員閑時(shí)0積分無(wú)限生成——NB2本來(lái)按張收費(fèi)的東西，在這里變成了包月不限量。

而且Lovart不只是套了個(gè)模型殼子。生成之后它還有一整套編輯能力：改文字、改細(xì)節(jié)、去背景、貼樣機(jī)、拆圖層。后面5個(gè)案例里都會(huì)用到。

上篇文章之后，最多人問(wèn)的兩個(gè)問(wèn)題

前陣子我寫(xiě)了一篇「」，講我給Claude Code做的PPT Skill。那個(gè)Skill有兩條路徑——Path A是HTML轉(zhuǎn)PPT，文字可編輯；Path B是用Nano Banana Pro生成全AI插畫(huà)，視覺(jué)沖擊力強(qiáng)很多，但文字就燒死在圖里了。

文章發(fā)出去之后，問(wèn)的最多的不是Skill怎么寫(xiě)。

第一個(gè)問(wèn)題：國(guó)內(nèi)怎么用Nano Banana？Path B要調(diào)Gemini API，很多人要么沒(méi)Google賬號(hào)，要么網(wǎng)絡(luò)不通。功能再好，卡在訪問(wèn)這步就沒(méi)用。

第二個(gè)問(wèn)題：AI生成的PPT圖片能編輯嗎？其實(shí)這不只是PPT的問(wèn)題。所有用AI生圖的人都碰過(guò)——出了一張很滿意的海報(bào)，客戶說(shuō)把標(biāo)題改一下，只能重新生成碰運(yùn)氣。

在Lovart上用NB2，這兩個(gè)問(wèn)題正好一起解了。

不過(guò)光說(shuō)沒(méi)用。我拿了5個(gè)自己真實(shí)在做的項(xiàng)目跑了一遍。

案例1：PPT演講素材批量生成

先測(cè)最直接的——上篇PPT文章里的Path B，用AI生成幻燈片配圖。

之前我是在Claude Code里調(diào)Gemini API，一頁(yè)一頁(yè)生成。這次直接在Lovart里操作，把PPT大綱丟進(jìn)去，讓NB2批量出一整套。

前陣子我剛做完一個(gè)企業(yè)AI培訓(xùn)，兩天課程做了131頁(yè)P(yáng)PT。那次用的Neo-Brutalism風(fēng)格——粗黑邊框、高飽和色塊、超大字，投影到10米外都看得清。這次換個(gè)方向，用溫暖敘事風(fēng)格重做一版，試試NB2。

上傳了自己的照片做角色參考，寫(xiě)prompt：

為一場(chǎng)AI培訓(xùn)設(shè)計(jì)演講幻燈片插畫(huà)。所有文字必須是簡(jiǎn)體中文。
風(fēng)格：溫暖敘事風(fēng)格的教育插畫(huà)，像TED演講配圖或Airbnb品牌插畫(huà)的敘事感。
暖色調(diào)（奶油色背景），圓潤(rùn)的人物造型，手繪線條質(zhì)感。
講師形象參考上傳的照片，貫穿每一頁(yè)。

第1頁(yè)：封面「AI時(shí)代的個(gè)人生產(chǎn)力升級(jí)」
— 講師站在一面巨大的白板前，白板上密密麻麻寫(xiě)滿了關(guān)鍵詞：
Claude Code、GPT-5、DeepSeek、Agent、Skills……
講師回頭看向觀眾，表情像在說(shuō)「別慌，我?guī)湍憷砬宄?br/>
第2頁(yè)：「差提示詞 vs 好提示詞」
— 畫(huà)面左右分屏對(duì)比。左邊：一個(gè)人對(duì)著電腦只打了一行字「幫我分析數(shù)據(jù)」，
電腦屏幕上冒出一堆雜亂的結(jié)果。右邊：同一個(gè)人列出了清晰的四層結(jié)構(gòu)
（角色、任務(wù)、上下文、約束），電腦屏幕上輸出整齊的報(bào)告。
左側(cè)標(biāo)注「一句話丟給AI」，右側(cè)標(biāo)注「4層結(jié)構(gòu)提示詞」

第3頁(yè)：「從提示詞到工作流到Skills — 三級(jí)進(jìn)化」
— 畫(huà)面是一個(gè)縱向的三層階梯。底層：一個(gè)人坐在電腦前打字（標(biāo)注「提示詞：用一次」）。
中層：同一個(gè)人面前展開(kāi)一條流水線，多個(gè)步驟自動(dòng)流轉(zhuǎn)（標(biāo)注「工作流：用一個(gè)月」）。
頂層：一個(gè)人站在控制臺(tái)前，多個(gè)Agent同時(shí)在工作（標(biāo)注「Skills & Agent：用一年」）

簡(jiǎn)答說(shuō)明下我做PPT時(shí)的提示詞邏輯。一個(gè)是盡量提供明確的風(fēng)格供NB2理解和參考。 比如我這次要求「像TED演講配圖」或具體品牌名（Airbnb插畫(huà)風(fēng)格），AI就知道該往哪個(gè)方向走了。第二，每頁(yè)的文字內(nèi)容要寫(xiě)全——不要只寫(xiě)「封面」兩個(gè)字，把標(biāo)題、標(biāo)注、對(duì)比文案全寫(xiě)進(jìn)prompt，NB2才能準(zhǔn)確渲染。第三，描述畫(huà)面用敘事而不是布局指令——「講師回頭看向觀眾，表情像在說(shuō)別慌」比「講師站在畫(huà)面中央」有效得多。

這次生成的三頁(yè)幻燈片中文字符算是非常準(zhǔn)確。

不過(guò)呢，還有一個(gè)AI生圖的經(jīng)典問(wèn)題：抽卡。10張圖里總有一兩張細(xì)節(jié)不對(duì)。比如這次第一張封面，講師的帽子變成了鴨舌帽，但我的參考照片和其他頁(yè)面里都是漁夫帽。以前碰到這種情況只能重新生成碰運(yùn)氣。

Lovart有個(gè)很順手的操作——按住Command鍵點(diǎn)擊圖片上的具體位置（比如帽子），直接告訴它「改成和參考圖一樣的漁夫帽」。只改帽子，其他內(nèi)容不動(dòng)。

指哪改哪，跟在Figma里點(diǎn)圖層一樣直覺(jué)。

改完了的效果也相當(dāng)符合預(yù)期，你可以看到，除了帽子，圖片任何細(xì)節(jié)都沒(méi)改

案例2：小貓補(bǔ)光燈IP周邊設(shè)計(jì)

這是我一直想做但沒(méi)動(dòng)手的事。

小貓補(bǔ)光燈是我做的一款iOS app，在App Store付費(fèi)榜拿過(guò)第一。但作為獨(dú)立開(kāi)發(fā)者，從來(lái)沒(méi)認(rèn)真做過(guò)周邊——筆、徽章、鑰匙扣、貼紙這些。不是不想，是設(shè)計(jì)成本太高，找設(shè)計(jì)師做一套周邊視覺(jué)少說(shuō)幾千塊。

這次用NB2試試。

上傳了小貓補(bǔ)光燈的logo做風(fēng)格參考，寫(xiě)prompt：

設(shè)計(jì)一套App周邊產(chǎn)品概念圖。品牌：小貓補(bǔ)光燈（一款可愛(ài)風(fēng)格的iOS相機(jī)應(yīng)用）。
IP形象參考我給你發(fā)的圖片。


請(qǐng)生成以下周邊產(chǎn)品的設(shè)計(jì)概念：
1. 金屬胸針/徽章 - 小貓舉著迷你補(bǔ)光燈，搪瓷工藝質(zhì)感
2. 中性筆 - 筆帽是小貓頭部造型，筆身印有品牌logo
4. 亞克力鑰匙扣 - 透明底+小貓剪影

周邊產(chǎn)品的prompt關(guān)鍵在兩點(diǎn)。一是材質(zhì)要具體——不能只說(shuō)「設(shè)計(jì)一個(gè)徽章」，得說(shuō)「搪瓷工藝質(zhì)感」「亞克力透光效果」，AI才知道你要什么樣的渲染。二是品牌元素前置——先定IP形象，再展開(kāi)具體產(chǎn)品，整套周邊的視覺(jué)語(yǔ)言才統(tǒng)一。

結(jié)果挺讓我意外。NB2出的周邊概念圖產(chǎn)品感很強(qiáng)——不是扁平的示意圖，是有材質(zhì)、有光影、看起來(lái)像實(shí)物的效果。金屬徽章有搪瓷質(zhì)感，鑰匙扣我尤其喜歡，有亞克力的透光感。

看到這幾個(gè)周邊設(shè)計(jì)，我還真有種強(qiáng)烈的要去某寶找商家做出來(lái)的沖動(dòng)了。

案例3：App圖標(biāo)套件生成

這個(gè)場(chǎng)景我之前在另一篇文章里做過(guò)——用Nano Banana Pro給我的小貓相冊(cè)app生了一整套定制圖標(biāo)，每個(gè)圖標(biāo)都是一只小貓?jiān)谧霾煌氖?。?dāng)你app中的設(shè)計(jì)元素不止是AI用代碼生成，或者引用開(kāi)源圖標(biāo)庫(kù)的時(shí)候，那給用戶的質(zhì)感確實(shí)會(huì)大大不同。

我的新版app在小紅書(shū)發(fā)布后，受到了上百名女生的夸夸，用戶評(píng)價(jià)從「還行」變成了「好可愛(ài)」。

這次再用NB2教一下大家流程。

關(guān)鍵操作是墊圖。你需要先多嘗試不同風(fēng)格，生成一版你滿意的圖標(biāo)給NB2作為參考，以及你可以讓AI編程工具梳理出你的app中需要用到的icon名稱和樣式，然后批量生成：

參考上傳的logo風(fēng)格（圓潤(rùn)線條、暖黃配色、可愛(ài)小貓形象），
為一款相機(jī)類App生成一套功能圖標(biāo)，統(tǒng)一風(fēng)格。3D卡通渲染，
柔和光影，白色背景，每個(gè)圖標(biāo)中小貓?jiān)趫?zhí)行對(duì)應(yīng)功能的動(dòng)作：


1. 補(bǔ)光模式 - 小貓舉著一盞發(fā)光的燈
2. 美顏濾鏡 - 小貓對(duì)著鏡子涂腮紅
3. 定時(shí)拍照 - 小貓看著沙漏倒計(jì)時(shí)
4. 相冊(cè)瀏覽 - 小貓翻閱一本厚厚的相冊(cè)
5. 分享導(dǎo)出 - 小貓把照片從窗口遞出去
6. 設(shè)置 - 小貓拿著扳手?jǐn)Q螺絲
7. 夜景模式 - 小貓戴著夜視儀
8. 連拍模式 - 小貓手持多臺(tái)相機(jī)同時(shí)拍

我再來(lái)拆解下圖標(biāo)設(shè)計(jì)的這套Prompt。 批量圖標(biāo)最重要的原則：墊圖 > 文字描述。100個(gè)形容詞不如一張參考圖。Prompt里的風(fēng)格描述（「圓潤(rùn)線條、暖黃配色」）是輔助，墊圖才是風(fēng)格錨點(diǎn)。另外每個(gè)圖標(biāo)的動(dòng)作要有畫(huà)面感——不是「補(bǔ)光功能」而是「小貓舉著一盞發(fā)光的燈」，給AI一個(gè)可以構(gòu)圖的場(chǎng)景。

NB2有墊圖的情況下，風(fēng)格一致性挺好。8個(gè)圖標(biāo)出來(lái)，配色、線條粗細(xì)、小貓?jiān)煨突窘y(tǒng)一。之前用NBP做小貓相冊(cè)那套時(shí)，偶爾有一兩個(gè)風(fēng)格飄掉的。NB2稍微穩(wěn)一些。

不過(guò)有個(gè)問(wèn)題：NB2沒(méi)法直接出透明背景。每個(gè)圖標(biāo)都帶著白色或彩色底，沒(méi)法直接丟進(jìn)app里用。我之前的做法是用Claude Code寫(xiě)代碼來(lái)幫我切圖和摳圖，效果大致也能用。

不過(guò)用Lovart的話，摳圖這一部分都可以直接省了。你可以直接在Lovart上給生成的圖標(biāo)移除背景。點(diǎn)一下，背景就沒(méi)了，干凈的透明底PNG。8個(gè)圖標(biāo)逐個(gè)去了背景，整套可以直接拿去Xcode里用。

案例4：短劇分鏡批量出圖

這個(gè)案例專門(mén)測(cè)NB2的規(guī)模能力——不是出幾張看效果，而是連續(xù)生成分鏡，看角色一致性和風(fēng)格穩(wěn)定性能不能撐住。

第一步，先定角色。在Lovart里用NB2生成女主角：

一位穿白襯衫的中國(guó)年輕女性，短發(fā)，干練氣質(zhì)。
電影感構(gòu)圖，柔和自然光，35mm鏡頭質(zhì)感。

多抽了幾次，選一張最滿意的做角色參考。這步很重要——后面所有分鏡都拿這張圖做角色錨點(diǎn)。

角色定了，開(kāi)始批量出分鏡。先跑第一集6個(gè)鏡頭：

中國(guó)都市情感短劇分鏡。電影感構(gòu)圖，柔和自然光，
35mm鏡頭質(zhì)感，淺景深。畫(huà)面比例均為9:16。
角色：參考我提供的角色圖片。


第1集·離開(kāi)
鏡頭1：【全景】女主站在寫(xiě)字樓落地窗前，俯瞰城市天際線，背影，夕陽(yáng)光
鏡頭2：【特寫(xiě)】女主的手放在辭職信上，指尖微微顫抖，桌面有咖啡杯和筆記本
鏡頭3：【中景】女主走出公司大門(mén)，陽(yáng)光打在臉上，表情釋然
鏡頭4：【全景】女主在胡同口的咖啡館坐下，周圍是老北京的磚墻和綠植
鏡頭5：【特寫(xiě)】手機(jī)屏幕上顯示「新消息：項(xiàng)目通過(guò)了」，女主嘴角上揚(yáng)
鏡頭6：【遠(yuǎn)景】女主騎自行車穿過(guò)林蔭道，光斑透過(guò)樹(shù)葉灑下來(lái)

這部分分鏡生成的工作流核心是「先定角色，再鋪場(chǎng)景」。 不要在每個(gè)鏡頭里重復(fù)描述角色長(zhǎng)什么樣——直接上傳之前選好的參考圖，讓AI看圖而不是讀文字。每個(gè)鏡頭只描述三件事：景別（全景/中景/特寫(xiě)）、場(chǎng)景環(huán)境、角色動(dòng)作。另一個(gè)關(guān)鍵：用具體的視覺(jué)信息替代情緒形容詞——不寫(xiě)「女主很開(kāi)心」，寫(xiě)「嘴角上揚(yáng)」「陽(yáng)光打在臉上」。

第一集6張跑完，角色一致性保持得不錯(cuò)。這只是一個(gè)測(cè)試，流程跑通之后完全可以繼續(xù)出第2集、第3集……一口氣幾十張甚至上百?gòu)?。NB2的速度在這種規(guī)模下優(yōu)勢(shì)很明顯——批量出圖效率比NBP快了不少。

分鏡只是第一步。Lovart上還集成了一堆主流的圖生視頻模型——Kling 3.0、Veo 3.1、Sora 2 Pro、Seedance 1.5 Pro、Hailuo 2.3——全在同一個(gè)平臺(tái)里。

NB2批量出完分鏡之后，不用切平臺(tái)，直接在Lovart里選個(gè)視頻模型，把分鏡圖一張張轉(zhuǎn)成視頻片段，串起來(lái)就是一個(gè)完整的短劇。從角色設(shè)計(jì)到分鏡生成到圖生視頻到成片，全在一個(gè)地方。

做短劇、視覺(jué)小說(shuō)的人應(yīng)該會(huì)比較喜歡這個(gè)工作流。NB2負(fù)責(zé)快速出大量分鏡，Lovart負(fù)責(zé)編輯和視頻轉(zhuǎn)換。365天閑時(shí)0積分無(wú)限生成，「先大量出圖再篩選」的模式下試錯(cuò)成本幾乎為零。

案例5：中文商業(yè)海報(bào)

最后測(cè)一個(gè)最日常的場(chǎng)景——做一張中文商業(yè)海報(bào)。也是測(cè)NB2中文渲染最直接的方法。

設(shè)計(jì)一張豎版手機(jī)海報(bào)（9:16）。主題：獨(dú)立開(kāi)發(fā)者線下分享會(huì)。
風(fēng)格：日系清新插畫(huà)，水彩質(zhì)感筆觸，暖色調(diào)。

畫(huà)面內(nèi)容：一個(gè)小型分享會(huì)場(chǎng)景，幾位年輕人圍坐在長(zhǎng)桌旁，
桌上散落著筆記本電腦和咖啡杯，背景是大窗戶透進(jìn)的午后陽(yáng)光。
分享的主持人請(qǐng)參考我提供的帶著漁夫帽的照片人物形象。

文字內(nèi)容（必須精準(zhǔn)渲染）：
主標(biāo)題：「獨(dú)立開(kāi)發(fā)者的周末下午」
副標(biāo)題：聊聊一個(gè)人做產(chǎn)品的那些事
時(shí)間：2026年3月15日 14:00
地點(diǎn)：深圳南山·萬(wàn)象天地 3F

中文海報(bào)有個(gè)容易忽略的技巧：文字要單獨(dú)標(biāo)注層級(jí)。不是在場(chǎng)景描述里隨口提「上面寫(xiě)著XX」，而是把文字單獨(dú)拎出來(lái)，標(biāo)清「主標(biāo)題」「副標(biāo)題」「正文信息」——AI才知道哪些字大、哪些字小。另外風(fēng)格描述加筆觸質(zhì)感（「水彩質(zhì)感筆觸」）比只寫(xiě)「日系風(fēng)格」有效得多，筆觸直接決定畫(huà)面手感。

中文渲染是NB2比NBP提升最明顯的地方。這張海報(bào)上有主標(biāo)題、副標(biāo)題、時(shí)間地點(diǎn)——4段不同層級(jí)的中文，NB2基本都渲染對(duì)了。NBP做同樣的事情，大概率有一兩個(gè)字出問(wèn)題。

當(dāng)然，在海報(bào)場(chǎng)景下，你很可能遇到的問(wèn)題是，你同一張海報(bào)可能想在不同的場(chǎng)景下使用?；蛘撸愕募追酵蝗缓澳阍撔枨罅?，比如要修改海報(bào)中提供的活動(dòng)地點(diǎn)，通常情況下你在Gemini或者AI Studio里也能改，但是往往你要求只是改文字，但是模型能給你改一堆細(xì)節(jié)。

比如我想把活動(dòng)地點(diǎn)從「深圳南山·萬(wàn)象天地」改成「北京西城區(qū)·西單大悅城」，日期從3月15日改成3月16日——在Lovart里用Text Edit直接點(diǎn)進(jìn)去改。它會(huì)自動(dòng)識(shí)別圖片里的所有文字段落，你逐個(gè)調(diào)整就行。改完字體風(fēng)格、大小、排版位置都不變，連水彩筆觸的質(zhì)感都保持住了。

測(cè)試中我碰到一個(gè)小問(wèn)題：原圖尺寸比較大的話，編輯文字之后圖片分辨率會(huì)變小。不過(guò)Lovart也有「放大」功能，點(diǎn)一下就能把圖片恢復(fù)高清。生成→編輯→放大，三步走完就是一張可以直接用的海報(bào)。最后的這兩張圖除了我要求修改的活動(dòng)地點(diǎn)和時(shí)間外，其他細(xì)節(jié)都完美保持了一致。

5個(gè)案例跑完，說(shuō)說(shuō)真實(shí)感受

先說(shuō)NB2。

速度和價(jià)格確實(shí)是這次最直接的體感。5個(gè)案例跑下來(lái)，NB2比NBP快了一大截，批量生成時(shí)差距尤其明顯。畫(huà)質(zhì)日常使用分不出差別，中文渲染實(shí)打?qū)嵑昧撕芏唷?/p>

再說(shuō)Lovart。

我去年12月寫(xiě)過(guò)一篇Lovart的文章，當(dāng)時(shí)說(shuō)它是「設(shè)計(jì)界的Cursor」——不只是接了個(gè)API，而是提供了生成之后的完整編輯工作流。這次用下來(lái)，這個(gè)判斷還是成立的。

5個(gè)案例里我用到了Text Edit改文字、Command+點(diǎn)擊改細(xì)節(jié)、移除背景去透明底、還有放大恢復(fù)高清——這些在純生圖工具里都做不了，以前得丟進(jìn)PS。

回到開(kāi)頭的兩個(gè)問(wèn)題。對(duì)上篇PPT文章的讀者來(lái)說(shuō)：國(guó)內(nèi)直接在Lovart上用NB2，不用折騰API和網(wǎng)絡(luò)；生成的圖片用Text Edit直接改文字，不再燒死在圖里。

其實(shí)這次測(cè)下來(lái)我有一個(gè)比較明確的感受：NB2這個(gè)級(jí)別的模型，單純的「生成」已經(jīng)不是瓶頸了。真正卡效率的是生成之后——改文字、調(diào)細(xì)節(jié)、去背景、貼場(chǎng)景。Lovart把這些都做進(jìn)了同一個(gè)平臺(tái)，NB2負(fù)責(zé)又快又好地出圖，Lovart負(fù)責(zé)讓出圖變成能用的成品。

Pro會(huì)員365天閑時(shí)0積分無(wú)限用NB2和NBP，對(duì)做電商、短劇、PPT、社交媒體的人來(lái)說(shuō)，這個(gè)組合挺值得試的：https://www.lovart.ai/