Nano Banana Pro to najbardziej zaawansowany model Google do generowania i edycji obrazów, zbudowany na Gemini 3 Pro. Rozszerza on oryginalny Nano Banana o znacznie ulepszone rozumowanie multimodalne, ugruntowanie w realnym świecie i...
Ten model to wersja preview od Google nadchodzącego wariantu Gemini 3 Pro, skoncentrowanego na rozumieniu obrazów. Akceptuje obrazy i tekst jako dane wejściowe i generuje tekst jako dane wyjściowe.…
Model może szczegółowo opisywać treść obrazu, odpowiadać na pytania dotyczące obiektów, scen, kolorów i tekstu widocznego na obrazie (np. odczytywanie znaków lub etykiet). Obsługuje zadania wnioskowania wizualnego, takie jak porównywanie dwóch obrazów, identyfikowanie różnic lub wyciąganie wniosków na podstawie wskazówek wizualnych. Potrafi również analizować diagramy i wykresy, choć jego dokładność w przypadku złożonych figur naukowych może być różna.
Silne przypadki użycia obejmują: 1) Opisywanie obrazów w czasie rzeczywistym dla narzędzi dostępności; 2) Wyszukiwanie wizualne i klasyfikację produktów w e‑commerce; 3) Przetwarzanie dokumentów (formularzy, paragonów, faktur) z tekstem pisanym odręcznie lub drukowanym; 4) Narzędzia edukacyjne wyjaśniające diagramy lub zdjęcia. Model osiąga najlepsze wyniki w przypadku czystych, dobrze oświetlonych obrazów i szczegółowych, precyzyjnych podpowiedzi.
Jeśli Twoje zadanie nie obejmuje obrazów (np. czysta generacja tekstu, streszczanie, tłumaczenie), model tekstowy (jak standardowe warianty Gemini lub Llama) będzie bardziej opłacalny. W przypadku prostej klasyfikacji obrazów, która nie wymaga rozumowania w języku naturalnym, lepszy może być dedykowany model wizyjny o niższym opóźnieniu. Ponadto, jeśli potrzebujesz niższego opóźnienia dla żądań o dużej objętości, preferowany może być mniejszy model multimodalny.
W ramach podglądu, obsługa wywołania funkcji nie jest potwierdzona dla tego modelu. API OrcaRouter obsługuje te same definicje narzędzi co OpenAI, ale bazowy model może nie wykonywać wywołań funkcji w sposób niezawodny. Przetestuj dokładnie przed poleganiem na użyciu narzędzi. Ustrukturyzowane wyjście (tryb JSON) jest obsługiwane za pomocą formatu kompatybilnego z OpenAI, ale jakość wyjścia jest zmienna.
Wyniki benchmarków dla Nano Banana Pro (Gemini 3 Pro Image Preview) nie zostały publicznie opublikowane. Jako model podglądowy może nie być oceniany na standardowych benchmarkach, takich jak MMLU, VQAv2 czy COCO Captions. Programiści powinni przeprowadzić własną ocenę na reprezentatywnych danych, aby ocenić wydajność. Oczekuj ulepszeń w ostatecznej wersji Gemini 3 Pro.
Opóźnienie zależy od rozmiaru obrazu, długości wejścia oraz bieżącego obciążenia OrcaRouter. Przetwarzanie obrazu dodaje narzut w porównaniu z modelami obsługującymi wyłącznie tekst. Średnio, żądanie z jednym obrazem o średniej rozdzielczości i 100 tokenami tekstu może zająć kilka sekund na pierwszy token, a następnie strumieniować resztę. Nie ma opublikowanej wartości tokenów na sekundę dla tej wersji podglądowej. Aby zminimalizować opóźnienie, używaj mniejszych obrazów i grupuj żądania.
Model doskonale radzi sobie z identyfikacją obiektów, osób i tekstu na obrazach. Potrafi wnioskować o relacjach przestrzennych i odpowiadać na pytania wymagające łączenia informacji wizualnych i tekstowych. Wczesne opinie wskazują na dobre wyniki w przypadku zapytań opartych na zdjęciach i analizie dokumentów. Duże okno kontekstowe umożliwia prowadzenie rozmów z wieloma obrazami.
W ramach podglądu model może generować nieoczekiwane wyniki lub zmyślać szczegóły dotyczące obrazów (np. twierdzić, że obiekty są obecne, choć ich nie ma). Może mieć trudności z obrazami o niskiej rozdzielczości, rozmazanymi lub wysoce abstrakcyjnymi. Złożone, wieloetapowe wnioskowanie wizualne (np. równania matematyczne z odręcznego pisma) może być zawodne. Model nie obsługuje wejść audio ani wideo. W tej wersji zapoznawczej nie ma opcji dostrajania.
Ceny są ustalane przez OrcaRouter na podstawie kosztów za token dla dostawcy google. Tokeny wejściowe są zazwyczaj tańsze niż tokeny wyjściowe. Tokeny obrazów zużywają znacznie więcej tokenów wejściowych niż tekst – każdy obraz jest dzielony na kafelki i przetwarzany. Skonsultuj się z oficjalną stroną cenową OrcaRouter, aby poznać aktualne stawki. Dla tego modelu nie ma bezpłatnego poziomu; płacisz za każde żądanie.
Ponieważ przetwarzanie obrazów jest intensywne pod względem tokenów, koszty mogą szybko rosnąć, jeśli wysyłasz wiele obrazów o wysokiej rozdzielczości. Aby zarządzać kosztami: zmniejsz rozdzielczość obrazów, ogranicz liczbę obrazów na żądanie i używaj krótkiego tekstu promptu. W zadaniach, gdzie obrazy nie są niezbędne, rozważ model tylko tekstowy. OrcaRouter może oferować buforowanie dla powtarzających się osadzeń obrazów (sprawdź dokumentację, aby uzyskać szczegóły).
OrcaRouter może implementować buforowanie dla często używanych osadzeń obrazów, ale zachowanie buforowania tego modelu w wersji preview nie jest udokumentowane. Zazwyczaj identyczne obrazy wprowadzane pod tym samym adresem URL mogą być buforowane po stronie dostawcy, co zmniejsza koszty tokenów przy powtarzających się żądaniach. Skontaktuj się z pomocą techniczną OrcaRouter w celu uzyskania szczegółowych informacji. Buforowanie jest zależne od modelu i nie jest gwarantowane dla modeli w wersji preview.
Zużycie tokenów dla obrazów jest proporcjonalne do liczby kafelków 256×256 potrzebnych do pokrycia obrazu (po zmianie rozmiaru). Obraz 512×512 używa 4 kafelków (4 tokeny wejściowe na kafelek? Nie podano—dokładny wzór zależy od modelu). OrcaRouter może podać liczbę tokenów w polu usage odpowiedzi API. Eksperymentuj z własnymi obrazami, aby oszacować koszt na żądanie.
Użyj kompatybilnego z OpenAI punktu końcowego pod adresem https://api.orcarouter.ai/v1 ze swoim kluczem API. Ustaw model na "google/gemini-3-pro-image-preview". Sformatuj żądanie z tablicą messages zawierającą zarówno części tekstowe, jak i obrazkowe. Obrazy są przekazywane jako adresy URL danych base64 lub URL z obiektami image_url. Przykład: {"model":"google/gemini-3-pro-image-preview","messages":[{"role":"user","content":[{"type":"text","text":"Describe this image"},{"type":"image_url","image_url":{"url":"data:image/png;base64,..."}}]}]}. Obsługiwane jest strumieniowanie.
Standardowe parametry OpenAI: temperatura (0–2), top_p, max_tokens (do okna kontekstu pomniejszonego o tokeny promptu), sekwencje stopu, frequency_penalty, presence_penalty. Model akceptuje także parametr "seed" dla deterministycznych wyników (nie gwarantowane). Wsparcie parametrów zależy od modelu; niektóre parametry mogą być ignorowane lub mieć inne wartości domyślne. Przetestuj z wybraną konfiguracją.
Zmień swój podstawowy adres URL z https://api.openai.com/v1 na https://api.orcarouter.ai/v1, zaktualizuj swój klucz API na klucz OrcaRouter i zmień nazwę modelu na "google/gemini-3-pro-image-preview". Struktura wiadomości (tablica treści z tekstem i image_url) jest identyczna. Jeśli używasz bibliotek takich jak openai Python, po prostu zmodyfikuj base_url i api_key. Uwaga: limity szybkości są inne.
Uwierzytelnianie odbywa się za pomocą klucza API w nagłówku Authorization (Bearer your_key). Limity szybkości są przypisane do klucza i zależą od Twojego planu. API zwraca błąd 429 po przekroczeniu limitu. Nie ma oddzielnego uwierzytelniania dla dostawcy modelu – OrcaRouter zarządza routingiem. W środowisku produkcyjnym używaj dedykowanego klucza i monitoruj użycie w panelu OrcaRouter.
Oba są multimodalne (obraz+tekst na wejściu, tekst na wyjściu). GPT‑4V to dojrzały model produkcyjny z szerszymi danymi porównawczymi. Nano Banana Pro to wersja zapoznawcza; jego rzeczywiste możliwości są mniej znane. Okna kontekstowe: GPT‑4V do 128k vs 65k dla tego modelu. GPT‑4V obsługuje obrazy o wyższej rozdzielczości. Jednak ten model może oferować niższe koszty i inne mocne strony wnioskowania. Bezpośrednie porównania wymagają oceny specyficznej dla zadania.
OrcaRouter oferuje wiele multimodalnych modeli (np. Claude 3 Vision, Llama 3.2 Vision). Ten Google preview zapewnia unikalną architekturę opartą na Gemini, która może wyróżniać się w niektórych zadaniach związanych z Google (np. analiza zrzutów ekranu z Google Docs). Ma o połowę mniejsze okno kontekstu niż niektórzy konkurenci. Ceny i opóźnienia są różne; sprawdź tabele porównawcze OrcaRoutera, aby poznać stawki dla poszczególnych modeli.
Kluczową zaletą jest natywne wprowadzanie obrazu bez potrzeby stosowania oddzielnego enkodera wizyjnego. Można połączyć kontekst wizualny z tekstem w jednym zapytaniu. Zmniejsza to złożoność systemu w porównaniu do łączenia dwóch różnych modeli. Modele tekstowe są jednak tańsze i szybsze w zadaniach niewymagających obrazów. Wybór zależy od tego, czy zadanie wymaga rozumienia wizualnego.
Gemini 2 Pro to model produkcyjny o ugruntowanej pozycji. Ta wersja podglądowa daje wgląd w architekturę Gemini 3 Pro i może mieć inne mocne strony (np. lepsze przetwarzanie niektórych typów obrazów). Jednak jest to podgląd – stabilność i wsparcie są ograniczone. Do wdrożeń produkcyjnych bezpieczniejszy jest Gemini 2 Pro (za pośrednictwem OrcaRouter). Używaj tego podglądu do wczesnych testów i zbierania opinii.
https://api.orcarouter.aimax_tokensresponse_formatseedstopstructured_outputstemperaturetop_p| Za żądanie | $0.2400 |
| Waluta | USD |
| Stała opłata za wywołanie API (modele generujące obrazy) | |
GET /api/public/models/google/gemini-3-pro-image-previewOtwórz @misc{orcarouter_gemini_3_pro_image_preview,
title = {Nano Banana Pro (Gemini 3 Pro Image Preview) API},
author = {Google},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-3-pro-image-preview}
}Google. (2025). Nano Banana Pro (Gemini 3 Pro Image Preview) API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-3-pro-image-preview