Gemini 3.1 Flash Image Preview, alias « Nano Banana 2 », est le dernier modèle de génération et d'édition d'images de pointe de Google, offrant une qualité visuelle de niveau Pro à la vitesse Flash. Il combine...
Google: Nano Banana 2 est un modèle multimodal qui traite à la fois les images et le texte en entrée. Il est basé sur l'architecture Gemini 3.1 Flash, qui met l'accent sur une inférence rapide. Le…
Le modèle Gemini 3.1 Flash Image Preview est capable d'effectuer une gamme de tâches multimodales, notamment le légendage d'images, la réponse à des questions visuelles, la compréhension de documents (par exemple, l'extraction d'informations à partir de factures ou de formulaires) et la modération de contenu combinant analyse d'images et de texte. Il peut également effectuer un raisonnement sur des diagrammes et graphiques, comme l'interprétation de graphiques ou d'organigrammes. Étant un modèle flash, il est optimisé pour la vitesse, ce qui le rend adapté aux applications nécessitant un délai d'exécution rapide. Cependant, il pourrait ne pas atteindre la profondeur de modèles plus grands et plus lents sur des tâches de raisonnement complexes. Les utilisateurs devraient évaluer le modèle sur leurs cas d'utilisation spécifiques pour confirmer ses performances.
La fenêtre de contexte est de 65 536 tokens. Cela signifie que le modèle peut traiter jusqu'à ce nombre de tokens en une seule requête, y compris le texte et les données d'image encodées. Pour les requêtes uniquement textuelles, cela permet de traiter des documents d'environ 50 000 mots. Pour les entrées multimodales, les tokens d'image consomment une partie de la fenêtre, donc la capacité de texte utilisable est réduite. Le coût exact en tokens par image n'est pas spécifié, mais les utilisateurs doivent tenir compte du fait que les images prennent un nombre important de tokens. Cette taille de contexte permet de traiter des documents de longueur modérée avec des images, mais des documents extrêmement volumineux ou de nombreuses images peuvent dépasser la limite. Dans de tels cas, un découpage ou un résumé peut être nécessaire.
Si votre tâche ne nécessite pas de compréhension d'image, un modèle purement textuel (par exemple, Gemini 1.5 Flash ou similaire) peut être moins cher et plus rapide. De plus, si votre application est extrêmement sensible à la latence et que le traitement d'image est superflu, un modèle textuel léger pourrait être préférable. Pour les tâches impliquant un raisonnement complexe sur plusieurs images ou un niveau de détail très élevé, un modèle de vision plus grand, non flash, peut offrir une meilleure précision au détriment de la vitesse. La variante flash est conçue comme un compromis. Les utilisateurs doivent évaluer leurs propres charges de travail pour déterminer si le compromis entre vitesse et qualité justifie le coût. OrcaRouter propose une gamme de modèles ; consulter le catalogue peut aider à identifier des alternatives.
L'architecture de Gemini 3.1 Flash est optimisée pour une inférence à faible latence. Cela rend le modèle bien adapté aux applications en temps réel comme les assistants de chat en direct, les systèmes de questions-réponses interactifs ou les outils de modération automatisée qui doivent répondre en quelques secondes. L'avantage en vitesse provient de choix architecturaux qui réduisent la charge de calcul, comme un nombre réduit de paramètres ou des mécanismes d'attention optimisés. Bien qu'aucun chiffre de latence spécifique ne soit fourni, les modèles Flash génèrent généralement des tokens plus rapidement que leurs équivalents standards. Cela peut réduire le temps d'attente perçu par les utilisateurs finaux. Cependant, la vitesse exacte dépend de facteurs comme la taille des entrées, la complexité des images et la charge serveur sur OrcaRouter. Les développeurs devraient tester avec des entrées représentatives.
Aucun score de référence officiel n'est publiquement fourni pour ce modèle spécifique à l'heure actuelle. Comme il s'agit d'une version d'aperçu (indiquée par "Image Preview" dans son nom), Google n'a peut-être pas publié de résultats d'évaluation standardisés. Les utilisateurs ne doivent pas présumer des niveaux de performance à partir d'autres modèles Gemini Flash, car la variante d'aperçu d'image peut différer en capacités. Pour évaluer la qualité du modèle, OrcaRouter recommande d'effectuer des évaluations personnalisées sur votre propre ensemble de données. Les métriques courantes pour les tâches multimodales incluent la précision sur les benchmarks VQA, le BLEU pour le sous-titrage, ou le F1 pour la compréhension de documents. En l'absence de benchmarks, le recours aux tests empiriques est nécessaire.
Étant donné que le modèle est construit sur Gemini 3.1 Flash, il devrait démontrer des capacités de génération de texte solides typiques de cette architecture, comme un langage cohérent, la synthèse et le raisonnement. Cependant, en raison de sa variante multimodale, ses performances en texte seul pourraient différer du modèle Flash dédié au texte à cause de la surcharge des branches de traitement d’images. Aucun benchmark comparatif n’est disponible. Pour les tâches purement textuelles, les utilisateurs peuvent constater qu’un modèle Flash plus simple, dédié au texte, offre une qualité équivalente ou supérieure avec des coûts et une latence réduits. Si vous travaillez principalement avec du texte, envisagez d’utiliser gemini-3.1-flash ou des modèles similaires sur OrcaRouter.
En tant que modèle d'aperçu, il peut présenter des restrictions ou limitations qui ne sont pas entièrement documentées. Les limitations potentielles connues incluent : le modèle peut ne pas gérer les images très haute résolution aussi bien que les modèles de vision dédiés ; il peut être moins fiable pour gérer plusieurs images dans une seule invite en raison du partage de contexte ; et il peut être plus sensible au libellé de l'invite que les modèles spécialisés. De plus, comme il s'agit d'un modèle flash, il peut sacrifier une certaine profondeur de raisonnement pour la vitesse, de sorte que les tâches complexes de raisonnement visuel en plusieurs étapes peuvent être sujettes à des erreurs. Les utilisateurs doivent tester minutieusement les cas limites. OrcaRouter recommande de consulter la documentation de Google pour Gemini pour les éventuels filtres de sécurité ou politiques de contenu applicables.
L'aperçu d'image Gemini 3.1 Flash Image Preview est conçu pour une faible latence, mais les mesures de vitesse exactes ne sont pas publiées. Comparé à d'autres modèles flash sur OrcaRouter (e.g., Gemini 1.5 Flash ou d'autres variantes flash), l'ajout du traitement d'image peut augmenter la latence par requête car les images doivent être encodées et traitées. Cependant, dans la classe flash, il devrait être plus rapide que les modèles non flash plus volumineux qui gèrent les images. Pour les utilisateurs qui ont besoin à la fois de vitesse et de vision, ce modèle est un choix raisonnable. Si la latence est critique et que les images ne sont pas nécessaires, un modèle flash texte uniquement sera plus rapide. L'API d'OrcaRouter fournit des temps de réponse ; les clients peuvent surveiller leur propre utilisation.
La tarification de ce modèle sur OrcaRouter est déterminée par la plateforme et peut être modifiée. En général, OrcaRouter facture par jeton traité (entrée + sortie), avec des suppléments supplémentaires pour les jetons d'image. Pour les modèles multimodaux, le coût par requête est plus élevé que pour les modèles de texte uniquement car les images consomment de nombreux jetons. Les utilisateurs devraient consulter la page de tarification officielle d'OrcaRouter pour connaître les tarifs actuels de google/gemini-3.1-flash-image-preview. Aucun coût spécifique par jeton n'est fourni ici. Il est recommandé d'estimer les coûts en testant des exemples de requêtes et en examinant l'utilisation des jetons rapportée dans les en-têtes de réponse de l'API.
Oui, les entrées d'images augmentent considérablement le nombre de jetons par requête, car chaque image est tokenisée en de nombreux jetons (généralement des centaines à des milliers selon la résolution). Cela élève directement le coût par rapport aux invites textuelles de longueur similaire. Si votre application peut être servie avec des descriptions textuelles d'images, un modèle purement textuel peut être moins cher. En revanche, si la compréhension des images est essentielle, ce modèle offre une solution unique plutôt que la combinaison de deux services distincts. Les utilisateurs doivent peser la qualité de l'interprétation des images par le modèle par rapport au coût supplémentaire. OrcaRouter peut proposer des remises sur l'utilisation pour les clients à volume élevé ; contactez-les pour plus de détails.
OrcaRouter peut offrir des fonctionnalités comme la mise en cache des invites ou la réutilisation de sessions pour réduire le traitement redondant des jetons d'image. Cependant, les détails d'implémentation spécifiques ne sont pas documentés publiquement pour ce modèle. La mise en cache peut réduire considérablement les coûts dans les applications où la même image est envoyée de manière répétée (par exemple, dans un bot de questions-réponses avec un document fixe). Les utilisateurs devraient se renseigner auprès de l'équipe d'assistance d'OrcaRouter sur les capacités de mise en cache. De plus, OrcaRouter pourrait proposer une tarification par paliers ou des forfaits mensuels qui réduisent les coûts par jeton pour une utilisation engagée. Il est conseillé de consulter les conditions d'utilisation ou de contacter le service commercial pour des stratégies précises d'optimisation des coûts.
Pour utiliser le modèle, envoyez des requêtes HTTP POST au point de terminaison API compatible OpenAI d'OrcaRouter : https://api.orcarouter.ai/v1/chat/completions. Définissez le paramètre model sur "google/gemini-3.1-flash-image-preview". Incluez votre clé API dans l'en-tête Authorization (jeton Bearer). Le corps de la requête doit contenir un tableau messages, où chaque message peut avoir un role (system, user, assistant) et du content. Pour les images, incluez un objet avec type "image_url" et l'URL de l'image ou les données en base64. Exemple : "content": [{"type": "text", "text": "Décrivez cette photo"}, {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,..."}}]. L'API renvoie une réponse standard de completion de chat.
L'API prend en charge les paramètres standard de complétion de chat d'OpenAI : model, messages, max_tokens, temperature, top_p, stop, stream, etc. Pour l'entrée d'image, le tableau content doit inclure des objets de type "image_url". L'objet image_url peut avoir soit une URL publique, soit un URI de données encodé en base64. OrcaRouter peut également prendre en charge des paramètres optionnels comme max_image_tokens ou des paramètres de détail (comme low/high d'OpenAI), mais ceux-ci ne sont pas confirmés. Reportez-vous à la documentation de l'API d'OrcaRouter pour tout paramètre supplémentaire spécifique aux modèles multimodaux. La réponse inclut des informations d'utilisation telles que prompt_tokens (y compris les tokens d'image), completion_tokens et total_tokens, ce qui est utile pour le suivi des coûts.
Migrer depuis l'API native Vertex AI ou AI Studio de Google vers OrcaRouter nécessite de modifier l'URL de base et l'identifiant du modèle. Remplacez votre endpoint Google par https://api.orcarouter.ai/v1/chat/completions. Changez le nom du modèle en "google/gemini-3.1-flash-image-preview". Authentification : au lieu des identifiants de compte de service Google, utilisez les clés API OrcaRouter. Le format de la requête devient compatible OpenAI : un tableau messages avec rôles et contenu. Si vous utilisiez le format d'entrée multimodal de Google, vous devrez convertir les images au format image_url décrit ci-dessus. La plupart des SDK (par exemple, OpenAI Python) fonctionnent avec une simple mise à jour de configuration. Testez avec une petite charge utile pour vérifier le comportement avant la migration en production.
OrcaRouter utilise l'authentification par clé API. Vous devez obtenir une clé API depuis le tableau de bord OrcaRouter. Incluez-la dans l'en-tête de la requête sous la forme : Authorization: Bearer YOUR_API_KEY. Les clés API doivent rester secrètes et ne pas être exposées dans le code côté client. Pour les communications serveur à serveur, utilisez des variables d'environnement. OrcaRouter peut appliquer une limitation de débit et des quotas d'utilisation ; vérifiez les paramètres de votre compte. Aucune procédure OAuth supplémentaire ni authentification spécifique à Google n'est requise. La clé API est liée à votre compte OrcaRouter et à votre plan de facturation. Si vous dépassez les limites de débit, vous pouvez recevoir le statut HTTP 429 ; implémentez une logique de nouvelle tentative en conséquence.
Le modèle standard Gemini 3.1 Flash est un modèle textuel uniquement (ou peut-être textuel avec vision limitée dans les versions plus récentes). La variante Image Preview ajoute explicitement des capacités de vision, ce qui la rend adaptée aux tâches multimodales. En contrepartie, le modèle image preview peut avoir une architecture interne légèrement différente et potentiellement une latence ou un coût plus élevé en raison du traitement d'image. Pour les tâches textuelles uniquement, le modèle Flash standard sera probablement plus rapide et moins cher, et offrira peut-être une qualité identique ou supérieure. Les utilisateurs ne devraient choisir la variante image preview que lorsque l'entrée d'image est nécessaire. OrcaRouter propose les deux modèles ; comparez leurs identifiants de modèle.
Sur OrcaRouter, les autres modèles multimodaux incluent GPT-4V, Claude 3 Vision et Gemini Pro Vision, ainsi que des variantes open-source. L'aperçu d'image Flash Gemini 3.1 est présenté comme une alternative rapide et moins coûteuse aux grands modèles de vision comme GPT-4V. Il fait probablement un compromis entre la profondeur du raisonnement et la vitesse/prix. Comparé aux modèles dédiés de légende d'images, ce modèle offre une expérience de chat multimodal plus généraliste. Pour des tâches spécifiques comme l'OCR ou la reconnaissance visuelle fine, des modèles spécialisés (par exemple, le propre document AI de Google) peuvent être plus performants. Les utilisateurs doivent évaluer en fonction de leur cas d'utilisation : ce modèle Flash est le meilleur pour les applications critiques en termes de vitesse où une capacité de vision modérée est suffisante.
OrcaRouter fournit une API unifiée compatible avec OpenAI pour ce modèle Google, simplifiant l'intégration si vous utilisez déjà cette interface. Vous évitez de gérer directement les ressources Google Cloud, les autorisations IAM ou des SDK distincts. OrcaRouter peut offrir des fonctionnalités supplémentaires comme l'équilibrage de charge, la mise en cache, les modèles de repli et la facturation consolidée. Il agrège également plusieurs fournisseurs, permettant de changer facilement de modèle sans modifier le code. Pour ce modèle spécifique, OrcaRouter gère la connectivité back-end vers l'infrastructure de Google, optimisant potentiellement le routage. Cependant, l'utilisation d'une passerelle tierce introduit une dépendance et peut ajouter une légère surcharge de latence. Évaluez si la commodité l'emporte sur l'accès direct.
Choisissez ce modèle lorsque votre application nécessite de comprendre un contenu visuel combiné à du texte, comme l'analyse de photos, de diagrammes ou de documents scannés. Si votre tâche implique l'interprétation d'images dans le cadre du processus de raisonnement — par exemple, dans un bot de support client qui lit des captures d'écran — ce modèle évite d'avoir recours à une API de vision séparée. Cependant, si vos images sont uniquement décoratives ou peuvent être décrites textuellement, un modèle utilisant uniquement du texte sera plus économique et plus rapide. De plus, si vous avez besoin d'une extrême précision pour des tâches visuelles spécialisées (comme la reconnaissance fine d'objets), un modèle de vision par ordinateur dédié serait supérieur. Ce modèle offre un compromis pratique.
https://api.orcarouter.aiinclude_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetop_p| Par requête | $0.1510 |
| Devise | USD |
| Frais fixes par appel API (modèles de génération d'images) | |
GET /api/public/models/google/gemini-3.1-flash-image-previewOuvrir @misc{orcarouter_gemini_3_1_flash_image_preview,
title = {Nano Banana 2 (Gemini 3.1 Flash Image Preview) API},
author = {Google},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-3.1-flash-image-preview}
}Google. (2026). Nano Banana 2 (Gemini 3.1 Flash Image Preview) API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-3.1-flash-image-preview