Nano Banana 2.1 معرفی شد؛ مدل جدید تصویرسازی گوگل سریع‌تر، دقیق‌تر و ارزان‌تر

گوگل نسل جدید مدل تصویرسازی خود یعنی Nano Banana 2.1 را معرفی کرده است؛ مدلی که قرار است کیفیت حرفه‌ای‌تر تولید و ویرایش تصویر را با سرعت و هزینه در سطح خانواده Flash ارائه کند.

Nano Banana 2.1 در ۶ اکتبر ۲۰۲۶ منتشر شده و به‌روزرسانی مستقیم Nano Banana 2 یا Gemini 3.1 Flash Image محسوب می‌شود. گوگل در نسخه جدید روی چند ضعف مهم نسل قبلی دست گذاشته است: کیفیت بصری بهتر، پیروی دقیق‌تر از Prompt، ثبات بیشتر شخصیت‌ها در ویرایش‌های چندمرحله‌ای، رندر بهتر متن، طراحی دقیق‌تر اینفوگرافیک و کاهش هزینه تولید تصویر.

نام رسمی مدل در Gemini API نیز این است:

gemini-nano-banana-2.1

طبق مستندات رسمی Google AI for Developers، این نسخه اکنون یک مدل Stable است و از طریق سرویس‌های مختلف گوگل در دسترس قرار گرفته است.

Nano Banana 2.1 چیست؟

Nano Banana 2.1 جدیدترین مدل پرسرعت گوگل برای تولید و ویرایش تصویر با هوش مصنوعی است.

این مدل عضو خانواده Gemini 3 است و براساس Gemini 3.6 Flash ساخته شده است.

هدف گوگل از Nano Banana 2.1 این نیست که فقط نسخه‌ای با شماره بالاتر از Nano Banana 2 ارائه کند؛ بلکه شرکت تلاش کرده مدلی بسازد که بخش قابل توجهی از کیفیت و قابلیت‌های حرفه‌ای نسل‌های پیشرفته‌تر را با سرعت و هزینه پایین‌تر ارائه دهد.

گوگل این مدل را به‌عنوان گزینه‌ای برای کارهایی مانند موارد زیر معرفی می‌کند:

• تولید تصویر از متن
• ویرایش تصاویر
• ویرایش مکالمه‌ای و چندمرحله‌ای
• ساخت پوستر
• ساخت اینفوگرافیک
• حفظ ثبات شخصیت
• ترکیب چند تصویر مرجع
• ساخت تصاویر محصول
• تغییر استایل
• طراحی محتوای تبلیغاتی
• تولید تصاویر با اطلاعات واقعی
• ساخت تصویر براساس ورودی ویدیو
• تولید تصاویر با متن و تایپوگرافی

صفحه رسمی Google DeepMind برای Nano Banana نیز Nano Banana 2.1 را نسخه جدیدی معرفی می‌کند که در Visual Design، Mask-Based Editing، Subject Consistency و طبیعی‌تر شدن تصاویر نسبت به نسل‌های قبلی پیشرفت کرده است.

چه چیزهایی در Nano Banana 2.1 بهتر شده است؟

گوگل چند بهبود اصلی را برای نسخه جدید اعلام کرده است.

مهم‌ترین آن‌ها عبارت‌اند از:

• کیفیت بصری و واقع‌گرایی بهتر
• درک و اجرای دقیق‌تر Prompt
• رندر بهتر نوشته‌ها
• طراحی دقیق‌تر اینفوگرافیک
• حفظ بهتر شخصیت‌ها در چند تصویر
• ویرایش چندمرحله‌ای پایدارتر
• ترکیب چند تصویر مرجع
• Grounding با Google Search
• امکان کنترل میزان Thinking
• پشتیبانی از خروجی‌های 1K، 2K و 4K
• عملکرد بهتر در تصاویر بسیار عریض و پانوراما

کیفیت تصویر و واقع‌گرایی بهتر

Nano Banana 2.1 از سه سطح اصلی خروجی پشتیبانی می‌کند:

• 1K
• 2K
• 4K

رزولوشن پیش‌فرض مدل 1K است، اما توسعه‌دهندگان می‌توانند بسته به نیاز خود تصویر 2K یا 4K درخواست کنند.

گوگل می‌گوید کیفیت بصری و Realism در هر سه سطح نسبت به Nano Banana 2 بهبود پیدا کرده است.

این موضوع مخصوصاً برای مواردی مانند:

• تصاویر تبلیغاتی
• عکاسی محصول مصنوعی
• Thumbnail
• پوستر
• طراحی شبکه اجتماعی
• تصاویر سینمایی

اهمیت دارد.

یکی از مهم‌ترین پیشرفت‌ها؛ متن داخل تصویر

یکی از مشکلات قدیمی مدل‌های تولید تصویر، نوشتن متن داخل تصویر بوده است.

حتی مدل‌های قدرتمند ممکن است هنگام ساخت:

• پوستر
• بنر
• لوگوتایپ
• منو
• کارت دعوت
• Thumbnail
• اینفوگرافیک

حروف را خراب کنند یا کلمات عجیب تولید کنند.

گوگل در Nano Banana 2.1 به‌طور ویژه Text Rendering را ارتقا داده است.

براساس مستندات رسمی، مدل جدید در:

• رندر نوشته
• Typography
• ساخت Layoutهای اینفوگرافیک
• قرار دادن متن در طرح

بهبود قابل توجهی داشته است.

این قابلیت Nano Banana 2.1 را برای تولید محتوای بازاریابی بسیار جذاب‌تر می‌کند.

تا ۱۴ تصویر مرجع در یک Prompt

یکی از جذاب‌ترین قابلیت‌های Nano Banana 2.1، Multi-Image Fusion است.

مدل می‌تواند حداکثر ۱۴ تصویر مرجع را در یک درخواست دریافت کند.

این قابلیت امکان ساخت Workflowهایی را فراهم می‌کند که قبلاً بسیار سخت‌تر بودند.

برای مثال می‌توانید:

1. تصویر یک شخصیت را بدهید.
2. تصویر لباس را اضافه کنید.
3. یک محیط مرجع بدهید.
4. یک محصول را اضافه کنید.
5. استایل نورپردازی را مشخص کنید.
6. از Gemini بخواهید همه را در یک تصویر جدید ترکیب کند.

براساس مستندات رسمی گوگل، Nano Banana 2.1 برای حفظ ثبات تا:

• ۴ شخصیت
• ۱۰ آبجکت

در Workflowهای چندمرجعی بهینه شده است.

این عدد به معنی تضمین ۱۰۰ درصدی ثبات نیست، اما ظرفیت رسمی مدل برای چنین Workflowهایی را نشان می‌دهد.

ثبات شخصیت‌ها بهتر شده است

اگر تا امروز از مدل‌های تصویرساز برای ساخت چند تصویر از یک شخصیت استفاده کرده باشید، احتمالاً با این مشکل روبه‌رو شده‌اید:

در تصویر اول شخصیت یک چهره دارد و در تصویر بعدی:

• فرم صورت تغییر می‌کند.
• مو متفاوت می‌شود.
• لباس تغییر می‌کند.
• سن شخصیت عوض می‌شود.
• جزئیات چهره از بین می‌روند.

این مسئله با عنوان Character Consistency شناخته می‌شود.

یکی از تمرکزهای اصلی Nano Banana 2.1 دقیقاً همین بخش بوده است.

مدل برای حفظ بهتر ظاهر شخصیت در:

• چند مرحله ویرایش
• چند Prompt متوالی
• چند تصویر
• چند شخصیت هم‌زمان

بهینه شده است.

در ارزیابی داخلی Google DeepMind نیز نسخه Thinking مدل در آزمون Multi-Character Consistency امتیاز بالاتری نسبت به Nano Banana 2 و Nano Banana Pro کسب کرده است.

قابلیت Thinking به مدل تصویرسازی گوگل آمده است

Nano Banana 2.1 فقط یک موتور ساده Text-to-Image نیست.

مدل از Thinking نیز پشتیبانی می‌کند و توسعه‌دهنده می‌تواند سطح آن را تنظیم کند.

سه سطح اعلام‌شده عبارت‌اند از:

minimal
medium
high

سطح پیش‌فرض:

medium

است.

Thinking می‌تواند در تصاویری که نیاز به برنامه‌ریزی بیشتری دارند مفید باشد؛ برای مثال:

• اینفوگرافیک‌های پیچیده
• تصاویر دارای اطلاعات واقعی
• ترکیب چند Reference
• طراحی Layout
• تصاویر دارای اجزای زیاد
• Promptهای چندمرحله‌ای

در مقابل، برای یک تصویر ساده شاید استفاده از بالاترین Thinking همیشه ضروری نباشد.

Nano Banana 2.1 می‌تواند از Google Search استفاده کند

یکی دیگر از قابلیت‌های مهم مدل، Grounding با Google Web Search و Image Search است.

این یعنی مدل در Workflowهای پشتیبانی‌شده می‌تواند برای تولید تصویر از اطلاعات به‌روز وب و تصاویر موجود در Search کمک بگیرد.

برای مثال اگر بخواهید تصویری از:

• یک مکان واقعی
• رویداد جدید
• محصول مشخص
• موضوع تاریخی
• یک اینفوگرافیک واقعی
• سوژه دارای اطلاعات به‌روز

بسازید، Search Grounding می‌تواند به مدل کمک کند اطلاعات دقیق‌تری در اختیار داشته باشد.

این ویژگی به‌خصوص برای ساخت اینفوگرافیک‌های مبتنی بر اطلاعات واقعی مهم است.

البته Grounding به معنی حذف کامل Hallucination نیست و اطلاعات حساس همچنان باید بررسی شوند.

ورودی Nano Banana 2.1 فقط تصویر و متن نیست

براساس مستندات Gemini API، Nano Banana 2.1 می‌تواند انواع مختلفی از ورودی را دریافت کند.

خروجی اصلی مدل شامل:

• Image
• Text

است.

این موضوع Workflowهای جالبی ایجاد می‌کند.

مثلاً می‌توانید یک ویدیو را به مدل بدهید و از آن بخواهید براساس صحنه‌های ویدیو یک تصویر جدید بسازد.

گوگل این قابلیت را در Google Cloud با عنوان Generate images from video with Gemini نیز مستند کرده است.

ساخت Thumbnail از روی ویدیو

یکی از کاربردهای جذاب ورودی ویدیو این است که بتوانید یک فایل ویدیویی را به مدل بدهید و از آن یک تصویر مناسب تولید کنید.

برای مثال:

این ویدیو را تحلیل کن و یک Thumbnail سینمایی 16:9 بساز
که مهم‌ترین سوژه ویدیو را نشان دهد.

مدل می‌تواند ویدیو را به‌عنوان Context بررسی کند و براساس آن تصویر تولید کند.

این قابلیت برای:

• YouTube
• Aparat
• Reels
• ویدیوهای آموزشی
• تبلیغات

کاربردی است.

پشتیبانی از نسبت‌های تصویر بسیار متنوع

Nano Banana 2.1 فقط برای تصاویر مربعی نیست.

براساس مستندات Google Cloud، مدل از نسبت‌های مختلفی مانند این‌ها پشتیبانی می‌کند:

1:1
3:2
2:3
3:4
4:3
4:5
5:4
9:16
16:9
21:9
9:21
1:4
4:1
1:8
8:1

این موضوع برای ساخت:

• Story
• Reel Cover
• Thumbnail
• Banner
• Hero Image
• پوستر عمودی
• تصاویر پانوراما

مهم است.

گوگل همچنین اعلام کرده در Nano Banana 2.1 مشکلات Tiling Artifact در برخی نسبت‌های بسیار عریض مانند 1:4، 4:1، 1:8 و 8:1 در خروجی‌های 2K و 4K اصلاح شده است.

Nano Banana 2.1 در بنچمارک‌ها چگونه عمل کرده است؟

Google DeepMind نتایج ارزیابی داخلی Nano Banana 2.1 را در Model Card رسمی منتشر کرده است.

در بخش Text-to-Image:

در بخش Editing نیز نتایج منتشرشده به شکل زیر هستند:

براساس این داده‌ها، Nano Banana 2.1 در ارزیابی‌های خود گوگل در بسیاری از دسته‌ها پیشرفت قابل توجهی نشان داده است.

بااین‌حال باید دو نکته را در نظر گرفت:

1. این نتایج توسط Google DeepMind منتشر شده‌اند.
2. عملکرد واقعی ممکن است براساس نوع Prompt، زبان، سبک تصویر و Workflow متفاوت باشد.

برای مشاهده نتایج کامل می‌توانید Model Card رسمی Nano Banana 2.1 را بررسی کنید.

قیمت Nano Banana 2.1 چقدر است؟

یکی از مهم‌ترین تغییرات نسخه جدید کاهش قیمت تولید تصویر است.

طبق صفحه رسمی Gemini API Pricing، قیمت Standard برای Image Output برابر است با:

30 دلار به ازای هر 1 میلیون توکن تصویر

هزینه تقریبی هر تصویر:

در Batch API قیمت Image Output نصف می‌شود:

15 دلار / یک میلیون توکن

و هزینه تقریبی:

Nano Banana 2.1 تقریباً نصف Nano Banana 2 قیمت دارد

این بخش شاید یکی از مهم‌ترین دلایل مهاجرت توسعه‌دهندگان باشد.

قیمت Image Output در Nano Banana 2:

60 دلار / 1M tokens

اما در Nano Banana 2.1:

30 دلار / 1M tokens

بنابراین نرخ توکن خروجی تصویر استاندارد ۵۰ درصد کاهش پیدا کرده است.

برای تصویر 1K:

برای 2K:

در 1K و 2K هزینه تقریباً نصف شده است.

اما درباره 4K باید دقیق‌تر صحبت کرد.

Nano Banana 2 برای یک تصویر 4K طبق جدول قیمت گوگل حدود:

0.151 دلار

هزینه داشت.

در Nano Banana 2.1 هزینه فعلی:

0.113 دلار

است.

بنابراین قیمت توکنی نصف شده، اما هزینه نهایی هر تصویر 4K دقیقاً نصف نشده است؛ چون تعداد توکن‌های مصرفی خروجی 4K در نسخه جدید متفاوت است.

این جزئیات هنگام مقایسه قیمت اهمیت زیادی دارد.

مقایسه Nano Banana 2.1 با Nano Banana 2

گوگل در صفحه Deprecations نیز gemini-nano-banana-2.1 را به‌عنوان Recommended Replacement برای gemini-3.1-flash-image معرفی کرده است.

این موضوع نشان می‌دهد Nano Banana 2.1 صرفاً یک مدل آزمایشی در کنار نسل قبلی نیست؛ گوگل عملاً توسعه‌دهندگان Nano Banana 2 را به نسخه جدید هدایت می‌کند.

Nano Banana 2.1 با Nano Banana Pro چه تفاوتی دارد؟

نام‌گذاری مدل‌های تصویر گوگل ممکن است کمی گیج‌کننده باشد.

در حال حاضر خانواده اصلی شامل مدل‌هایی مانند:

• Nano Banana 2 Lite
• Nano Banana 2.1
• Nano Banana Pro

است.

به‌صورت ساده می‌توان آن‌ها را این‌گونه در نظر گرفت:

خود گوگل Nano Banana 2.1 را همتای کارآمدتر Nano Banana Pro معرفی می‌کند.

نکته جالب این است که در برخی ارزیابی‌های داخلی Google DeepMind، Nano Banana 2.1 حتی امتیازهای بالاتری از Nano Banana Pro ثبت کرده است.

اما این موضوع به معنی آن نیست که Pro در تمام سناریوها ضعیف‌تر است.

Nano Banana Pro همچنان برای Workflowهای حرفه‌ای و طراحی‌های پیچیده جایگاه جداگانه‌ای دارد و انتخاب مدل بهتر به نوع پروژه بستگی خواهد داشت.

Nano Banana 2.1 کجا در دسترس است؟

براساس Model Card رسمی Google DeepMind، این مدل از کانال‌های مختلفی توزیع شده است.

از جمله:

• Gemini App
• Google AI Studio
• Gemini API
• Google Search AI Mode
• Google Ads
• Google Flow
• Google Stitch

برای توسعه‌دهندگان نیز شناسه رسمی API این است:

gemini-nano-banana-2.1

و مدل در Google Cloud نیز با وضعیت Generally Available یا GA ثبت شده است.

تاریخ Release رسمی:

6 October 2026

است.

آیا Nano Banana 2.1 در Gemini قابل استفاده است؟

بله؛ Google DeepMind، Gemini App را یکی از کانال‌های رسمی توزیع Nano Banana 2.1 معرفی کرده است.

بااین‌حال میزان استفاده، مسیر انتخاب مدل و محدودیت‌های حساب می‌تواند براساس موارد زیر متفاوت باشد:

• کشور
• نوع حساب
• پلن Google AI
• محدودیت Compute
• تغییرات تدریجی رابط Gemini

بنابراین نباید صرفاً از عرضه مدل نتیجه گرفت که تمام کاربران در تمام مناطق دقیقاً سهمیه یکسانی دارند.

اگر قصد استفاده گسترده‌تر و طولانی‌مدت از قابلیت‌های Gemini را دارید، می‌توانید جزئیات محصول زیر را نیز ببینید:

خرید Gemini Pro هجده‌ماهه از هوش آموزان

Context Window مدل چقدر است؟

در این بخش یک نکته مهم وجود دارد.

مستندات رسمی گوگل در زمان نگارش مقاله کاملاً هم‌خوان نیستند.

صفحه مدل در Gemini API برای gemini-nano-banana-2.1 مقدار زیر را نشان می‌دهد:

Input token limit: 131,072
Output token limit: 32,768

اما Model Card منتشرشده توسط Google DeepMind درباره معماری پایه مدل به Context Window تا 1M token اشاره می‌کند.

این اختلاف ممکن است ناشی از تفاوت میان:

• ظرفیت مدل پایه
• محدودیت Endpoint فعلی
• رابط‌های مختلف ارائه مدل

باشد.

این نمونه خوبی است که چرا هنگام کار با مدل‌های تازه‌منتشرشده باید Model Card و API Documentation را جداگانه بررسی کرد.

چه محدودیت‌هایی هنوز وجود دارد؟

Nano Banana 2.1 پیشرفت کرده، اما بی‌نقص نیست.

Google DeepMind خودش در Model Card چند محدودیت را فهرست کرده است.

متن بسیار کوچک هنوز مشکل دارد

رندر متن‌های کوچک، مخصوصاً در خروجی 1K، ممکن است:

• تار شود.
• اشتباه نوشته شود.
• خوانایی کافی نداشته باشد.

پاراگراف‌های طولانی و صفحات دارای حجم زیادی متن نیز همچنان چالش‌برانگیز هستند.

ثبات شخصیت هنوز ۱۰۰ درصد نیست

با وجود پیشرفت Character Consistency، ممکن است ظاهر شخصیت بین:

• Reference
• تصویر خروجی
• مراحل بعدی ویرایش

کمی تغییر کند.

چپ و راست ممکن است اشتباه شود

گوگل به مشکلات گاه‌به‌گاه در Spatial Localization نیز اشاره کرده است.

مثلاً دستور:

شیء را در سمت چپ شخصیت قرار بده

ممکن است همیشه دقیق اجرا نشود.

دانش واقعی هنوز می‌تواند خطا داشته باشد

حتی با وجود Google Search Grounding، مدل می‌تواند Hallucination داشته باشد.

این موضوع در:

• اینفوگرافیک
• اطلاعات علمی
• رویداد تاریخی
• نقشه
• داده آماری

مهم است.

Nano Banana 2.1 برای چه کسانی جذاب‌تر است؟

این مدل برای گروه‌های مختلفی می‌تواند کاربردی باشد.

تولیدکنندگان محتوا

برای:

• Thumbnail
• کاور پست
• بنر
• Story
• پوستر

بهبود Typography و Prompt Adherence اهمیت زیادی دارد.

فروشگاه‌های اینترنتی

با Multi-Reference و Product Consistency می‌توان از یک محصول تصاویر مختلفی تولید کرد.

مثلاً:

• تغییر Background
• قرار دادن محصول در محیط جدید
• ساخت تبلیغات
• حفظ ظاهر اصلی محصول

طراحان

ویرایش Mask-Based، ترکیب چند تصویر و کنترل استایل می‌تواند Nano Banana 2.1 را به ابزار سریع Iteration تبدیل کند.

توسعه‌دهندگان

کاهش هزینه API شاید حتی مهم‌تر از افزایش کیفیت باشد.

یک سرویس که روزانه هزاران تصویر تولید می‌کند، با کاهش نرخ Image Output از:

$60 / 1M tokens

به:

$30 / 1M tokens

می‌تواند هزینه بسیار کمتری داشته باشد.

کاربران عادی Gemini

برای کاربران معمولی نیز نتیجه باید در قالب:

• تصاویر طبیعی‌تر
• نوشته‌های بهتر
• اجرای دقیق‌تر Prompt
• حفظ بهتر سوژه
• ویرایش راحت‌تر

قابل مشاهده باشد.

چند Prompt پیشنهادی برای تست Nano Banana 2.1

برای بررسی واقعی پیشرفت مدل بهتر است فقط یک Prompt ساده «یک گربه بساز» استفاده نکنید.

تست متن و پوستر

یک پوستر تبلیغاتی مدرن 16:9 برای یک رویداد فناوری طراحی کن.

عنوان:
Future of AI

زیرعنوان:
October 2026

متن‌ها کاملاً خوانا باشند و طراحی مینیمال، حرفه‌ای و تکنولوژیک باشد.

تست ثبات شخصیت

ابتدا یک تصویر شخصیت بدهید و سپس:

همین شخصیت را بدون تغییر چهره، مدل مو و لباس
در یک کافه مدرن نشان بده.

نور محیط سینمایی و گرم باشد.

در مرحله بعد:

حالا همان شخصیت را در فضای بیرونی و هنگام غروب نشان بده.
هویت و چهره کاملاً حفظ شود.

تست چند Reference

چند تصویر شامل:

• شخصیت
• لباس
• محصول
• محیط

آپلود کنید و بنویسید:

این شخصیت را با لباس تصویر دوم در محیط تصویر سوم قرار بده
و محصول تصویر چهارم را در دست او حفظ کن.

هویت تمام سوژه‌ها باید تا حد ممکن مشابه Reference باقی بماند.

تست اینفوگرافیک

یک اینفوگرافیک آموزشی درباره لایه‌های زمین طراحی کن.

از دیاگرام مقطعی واضح استفاده کن و نام هر لایه را
با Typography خوانا نمایش بده.

طراحی مناسب کتاب آموزشی و نسبت تصویر 16:9 باشد.

این Promptها بخش‌هایی را آزمایش می‌کنند که گوگل مشخصاً برای Nano Banana 2.1 بهبود داده است.

آیا Nano Banana 2.1 ارزش این آپدیت را دارد؟

روی کاغذ، بله؛ این نسخه فقط یک تغییر عدد کوچک نیست.

مهم‌ترین نکته شاید این باشد که گوگل هم‌زمان دو کار انجام داده است:

1. کیفیت و قابلیت‌ها را افزایش داده.
2. هزینه استاندارد Image Output را نصف کرده.

در بسیاری از عرضه‌های هوش مصنوعی، مدل قوی‌تر معمولاً گران‌تر است؛ اما اینجا Nano Banana 2.1 در برخی رزولوشن‌ها هم خروجی بهتر ارائه می‌دهد و هم هزینه کمتری نسبت به Nano Banana 2 دارد.

از طرف دیگر، ویژگی‌هایی مانند:

• Multi-Image Fusion
• Character Consistency
• Search Grounding
• Thinking
• Video Input
• 4K
• Text Rendering بهتر

باعث شده‌اند مدل از یک Image Generator ساده فاصله بیشتری بگیرد و به یک ابزار Visual Workflow تبدیل شود.

آیا باید Nano Banana 2 را کنار بگذاریم؟

اگر توسعه‌دهنده هستید و از:

gemini-3.1-flash-image

استفاده می‌کنید، Nano Banana 2.1 حداقل ارزش آزمایش جدی دارد.

خود گوگل نیز در صفحه Deprecation، مدل:

gemini-nano-banana-2.1

را به‌عنوان Replacement پیشنهادی Nano Banana 2 معرفی کرده است.

بااین‌حال، بهترین روش این نیست که بدون تست Production را فوراً مهاجرت دهید.

ابتدا روی Dataset و Promptهای واقعی خودتان موارد زیر را مقایسه کنید:

• کیفیت تصویر
• Latency
• Prompt Adherence
• Character Consistency
• هزینه
• Error Rate
• رفتار در 4K
• ویرایش چندمرحله‌ای

اگر نتیجه بهتر بود، مهاجرت منطقی خواهد بود.

جمع‌بندی

گوگل در ۶ اکتبر ۲۰۲۶ مدل Nano Banana 2.1 را به‌عنوان نسل جدید مدل تصویرسازی و ویرایش مکالمه‌ای خود منتشر کرد.

این مدل براساس Gemini 3.6 Flash ساخته شده و نسبت به Nano Banana 2 روی چند حوزه مهم بهبود یافته است:

• کیفیت بصری بهتر
• واقع‌گرایی بیشتر
• اجرای دقیق‌تر Prompt
• رندر بهتر متن
• ساخت اینفوگرافیک
• Character Consistency بهتر
• ترکیب حداکثر ۱۴ تصویر مرجع
• Grounding با Google Search
• سه سطح Thinking
• ورودی متن، تصویر، PDF و ویدیو
• خروجی تا 4K
• ویرایش چندمرحله‌ای
• کاهش قابل توجه هزینه API

شاید مهم‌ترین تغییر تجاری این نسخه کاهش قیمت Image Output استاندارد از:

60 دلار

به:

30 دلار به ازای هر یک میلیون توکن تصویر

باشد.

Nano Banana 2.1 هم‌اکنون در کانال‌هایی مانند Gemini App، Google AI Studio، Gemini API، AI Mode، Flow و Stitch توزیع شده و شناسه Stable آن برای توسعه‌دهندگان:

gemini-nano-banana-2.1

است.

اگر کاربر Gemini هستید و قصد استفاده گسترده‌تر از امکانات این اکوسیستم را دارید، می‌توانید جزئیات Gemini Pro هجده‌ماهه هوش آموزان را نیز مشاهده کنید.

منابع اصلی این بررسی شامل صفحه رسمی Nano Banana در Google DeepMind، Model Card رسمی Nano Banana 2.1، مستندات Gemini API و صفحه رسمی قیمت Gemini API هستند.