6 月 30 日，Google 发布 Nano Banana 2 Lite，将它定位为面向快速交互和大量生成任务的图像模型。公司公布的文生图响应时间约为 4 秒，1K 图像输出价格为每张 0.034 美元，并在 AI Studio 和 Gemini API 等入口提供使用。
低价和快速响应，让反复尝试不同方案更容易。例如，用户选好一张人物照片后，可以连续更换背景，看过结果再决定怎么改。但开发者还要算另一笔账：用户拿到一张愿意采用的图片，总共调用了多少次模型。
约四秒出图，适合边看结果边修改
批量准备一百张素材，可以先提交任务，稍后一起检查；在编辑工具里换背景、试风格，用户却要看过眼前这张图，才能决定接着改，还是换个方向。这时，每一轮生成都在占用用户的等待时间。
Google 在发布公告中展示了一个名为 Anywhere 的应用：用户上传自拍，把自己放入不同地点，再将图片交给视频模型制作动态片段。图像在这里既是一次操作的反馈，也是后续视频生成的输入。若方向不满意，越早看到静态结果，就越早能停止后面的制作。发布公告
假设一个编辑器需要用户连续选择三次背景，每次都要看到结果才继续。后台即使能同时处理很多请求，也无法把同一个人的三次决定并行完成。缩短单轮等待，才能加快这组连续操作；扩大并发容量，主要帮助更多用户同时使用。
不过，约 4 秒是 Google 公布的文生图响应时间。用户从发出指令到看到图片，还要经过上传、网络传输和页面显示等环节。把这些耗时分开记录，才能找到实际使用中等得最久的一步。
Lite 用于快速起稿，Pro 面向复杂制作
Nano Banana 2 Lite 的接口型号为 gemini-3.1-flash-lite-image。模型卡说明，它基于 Gemini 3.1 Flash-Lite，接受文字和图像输入，并能输出文字与图片。这让同一个模型可以处理从文字起稿、参考原图生成和后续修改等任务。模型卡
Google 发布时给出的分工是：Lite 服务速度和数量要求较高的场景，Nano Banana 2 兼顾质量与响应，Pro 用于要求更高准确性和控制力的复杂制作；公司明确建议第一代 Gemini 2.5 Flash Image 用户升级到 Lite。
这套分工对应着不同的制作阶段。试配色、背景氛围和构图时，候选图主要帮助人作选择，响应快更有用。到了品牌文案、复杂图解等交付任务，文字和细节是否准确，则会影响最终选择哪个型号。
跨模型加工也有成本。把 Lite 的候选图交给另一款模型，会产生新的输入和输出费用，还可能改变已经选中的细节。保留参考图和修改要求，便于比较加工前后，也能看清换模型究竟省了多少返修。
每张交付图片的成本，还取决于采用率
按发布价格计算，生成 1,000 张 1K 图片的图像输出费为 34 美元。但内容团队最终交付的数量，未必等于 API 返回的图片数量。
假设这 1,000 张结果中有 500 张被采用，每张采用图片分摊的输出费就是 0.068 美元；如果只采用 250 张，则为 0.136 美元。单次标价和总输出费都没变，最后留下的图片越少，每张分摊的费用越高。这里的采用数量仅用于演示计算，并非实测结果。
参考素材输入、编辑调用和人工检查还会增加开销。修正一个商品标签时，连续生成但未被采用的版本，也要计入最终图片的成本。如果任务本来就是为设计师提供十种构图方向，候选图即使没有直接发布，也可能已经完成了用途。成本统计因此要先区分：这次是要交付成图，还是帮助确定方案。
不同任务的完成条件也不同。商品主图要核对商品形状、固定文案和背景；知识配图要核对关系、标签和数值；氛围草图则更看重色调和构图。按同一套条件记录调用次数与人工耗时，模型之间的成本比较才有意义。
单张价格低，也可能促使用户生成更多候选。调用量增加之后，完成的任务是否也增加了？把两者和总费用一起看，才能分辨新增调用是在帮助选择，还是反复修复同一种错误。
科学配图测试：Lite 更快，GPT Image 2 质量得分更高
K-Dense 在 6 月 30 日更新了一次针对科学图像的原始测试：20 个提示词、每个生成三次，比较四款模型，共得到 240 张图片。团队通过早期访问计划调用 Google AI Studio 上名为 instant-ramen 的 Lite 预发布版本，测得中位响应时间为 3.8 秒。按满分 10 分的质量评分，Lite 得到 6.70 分，GPT Image 2 为 8.64 分。K-Dense 测试方法与结果
测试由 Claude Opus 4.8 在不知道图片来自哪款模型的情况下评分，涵盖科学准确性、文字等五项指标。其余三款模型通过 OpenRouter 调用，输出尺寸也不完全相同：Lite 为 1408×768，GPT Image 2 为 1536×1024。测试时 Lite 仍是预发布版本，这些差异限制了结果的适用范围。
科学配图对细节尤其敏感：文字标签要正确，箭头要指向对应对象，关系还要符合学科内容。出图快，可以更早开始检查；但关键位置若有错误，校对和重做仍会占用时间。
同一幅课程配图，用来讨论版面时，可以先看层级和阅读顺序；交给学生之前，则要逐项核对知识内容。将初稿和交付稿分开评估，才能看清速度提高帮助了哪一步。
实际选型还可以用已有任务做一轮小规模比较：给模型相同的原文、参考图和完成条件，记录结果为何被退回。若问题集中在小字，就重点比较文字表现；若只是构图方向不合意，先改进参考素材或让用户提前选择方向，也可能减少重做。
反复出错的细节，决定是否更换模型
返修记录可以帮助决定下一步。某类任务在 Lite 上很快达到要求，就继续使用；若总卡在相同细节上，再尝试更适合的模型，或用常规编辑工具处理文字和版式。最终要比较的是完成同一次换景、同一张海报或同一幅知识配图，各自用了多少次调用和人工修改。
