Gemini 3.1 Flash Image Preview, znany również jako "Nano Banana 2", to najnowszy, zaawansowany model Google do generowania i edycji obrazów, oferujący jakość wizualną na poziomie Pro z szybkością Flash. Łączy on...
Google: Nano Banana 2 to model multimodalny, który przetwarza zarówno obrazy, jak i tekst. Oparty jest na architekturze Gemini 3.1 Flash, która kładzie nacisk na szybkie wnioskowanie. Model akceptuje…
Model Gemini 3.1 Flash Image Preview jest zdolny do wykonywania szeregu multimodalnych zadań, w tym opisywania obrazów, odpowiadania na pytania wizualne, rozumienia dokumentów (np. wyodrębniania informacji z faktur lub formularzy) oraz moderacji treści łączącej analizę obrazu i tekstu. Potrafi także przeprowadzać wnioskowanie na podstawie diagramów i wykresów, takich jak interpretacja grafów czy schematów blokowych. Ponieważ jest to model flash, jest zoptymalizowany pod kątem szybkości, co czyni go odpowiednim do zastosowań wymagających szybkiego przetwarzania. Może jednak nie dorównywać głębią większym, wolniejszym modelom w przypadku złożonych zadań wymagających wnioskowania. Użytkownicy powinni ocenić model pod kątem swoich konkretnych przypadków użycia, aby potwierdzić jego wydajność.
Okno kontekstowe ma 65,536 tokenów. Oznacza to, że model może przetworzyć w jednym zapytaniu (prompt) maksymalnie tę liczbę tokenów, włączając w to zarówno tekst, jak i zakodowane dane obrazu. W przypadku zapytań zawierających tylko tekst pozwala to na obsługę dokumentów liczących około 50 000 słów. W przypadku danych multimodalnych tokeny obrazu zajmują część okna, więc użyteczna pojemność na tekst jest zmniejszona. Dokładny koszt tokenów na obraz nie jest określony, ale użytkownicy powinni uwzględnić, że obrazy pochłaniają znaczną liczbę tokenów. Taki rozmiar okna umożliwia przetwarzanie umiarkowanie długich dokumentów z obrazami, ale bardzo duże dokumenty lub wiele obrazów może przekroczyć limit. W takich przypadkach może być konieczne dzielenie (chunking) lub streszczenie (summarization).
Jeśli twoje zadanie nie wymaga rozumienia obrazów, model tylko tekstowy (np. Gemini 1.5 Flash lub podobny) może być tańszy i szybszy. Dodatkowo, jeśli twoja aplikacja jest bardzo wrażliwa na opóźnienia, a narzut przetwarzania obrazów jest niepotrzebny, lekki model tekstowy może być preferowany. W przypadku zadań wymagających złożonego rozumowania na podstawie wielu obrazów lub bardzo wysokiego poziomu szczegółowości, większy model wizyjny nienależący do wariantu flash może oferować lepszą dokładność kosztem szybkości. Wariant flash został zaprojektowany jako rozwiązanie pośrednie. Użytkownicy powinni porównać własne obciążenia, aby ustalić, czy kompromis między szybkością a jakością uzasadnia koszt. OrcaRouter oferuje zakres modeli; konsultacja katalogu może pomóc w znalezieniu alternatyw.
Architektura Gemini 3.1 Flash jest zoptymalizowana pod kątem wnioskowania o niskim opóźnieniu. Dzięki temu model doskonale nadaje się do zastosowań czasu rzeczywistego, takich jak asystenci czatu na żywo, interaktywne systemy pytań i odpowiedzi czy narzędzia do automatycznej moderacji, które muszą reagować w ciągu kilku sekund. Przewaga w szybkości wynika z wyborów architektonicznych zmniejszających obciążenie obliczeniowe, takich jak mniejsza liczba parametrów lub zoptymalizowane mechanizmy uwagi. Choć nie podano konkretnych wartości opóźnień, modele flash generalnie generują tokeny szybciej niż ich standardowe odpowiedniki. Może to skrócić postrzegany czas oczekiwania przez użytkowników końcowych. Dokładna szybkość zależy jednak od takich czynników, jak rozmiar danych wejściowych, złożoność obrazu i obciążenie serwera OrcaRouter. Deweloperzy powinni testować na reprezentatywnych danych wejściowych.
Nie są publicznie dostępne żadne oficjalne wyniki benchmarków dla tego konkretnego modelu w tej chwili. Ponieważ jest to wersja podglądowa (wskazana przez „Image Preview” w nazwie), Google mogło nie opublikować znormalizowanych wyników oceny. Użytkownicy nie powinni zakładać, że poziomy wydajności z innych modeli Gemini Flash są takie same, ponieważ wariant podglądu obrazu może różnić się możliwościami. Aby ocenić jakość modelu, OrcaRouter zaleca przeprowadzenie własnych ocen na własnym zbiorze danych. Typowe metryki dla zadań multimodalnych obejmują dokładność w benchmarkach VQA, BLEU dla podpisów (captioning) lub F1 dla rozumienia dokumentów. Bez benchmarków konieczne jest poleganie na testach empirycznych.
Ponieważ model jest zbudowany na Gemini 3.1 Flash, powinien wykazywać silne możliwości generowania tekstu typowe dla tej architektury, takie jak spójny język, streszczanie i wnioskowanie. Jednak ze względu na to, że jest to wariant multimodalny, jego wydajność w zadaniach wyłącznie tekstowych może różnić się od dedykowanego modelu Flash wyłącznie tekstowego z powodu narzutu związanego z gałęziami przetwarzania obrazu. Nie są dostępne żadne porównawcze testy wydajnościowe. W przypadku czysto tekstowych zadań użytkownicy mogą stwierdzić, że prostszy model Flash wyłącznie tekstowy zapewnia równoważną lub lepszą jakość przy niższym koszcie i opóźnieniu. Jeśli pracujesz głównie z tekstem, rozważ użycie modeli gemini-3.1-flash lub podobnych na OrcaRouter.
Jako model w wersji zapoznawczej, może podlegać restrykcjom lub ograniczeniom, które nie są w pełni udokumentowane. Znane potencjalne ograniczenia obejmują: model może nie radzić sobie z obrazami o bardzo wysokiej rozdzielczości tak dobrze jak dedykowane modele wizyjne; może być mniej niezawodny w obsłudze wielu obrazów w jednym promptie ze względu na współdzielenie kontekstu; oraz może być bardziej wrażliwy na sformułowanie promptu niż wyspecjalizowane modele. Dodatkowo, ponieważ jest to model flash, może poświęcać głębokość rozumowania na rzecz szybkości, więc złożone zadania wymagające wieloetapowego rozumowania wizualnego mogą być podatne na błędy. Użytkownicy powinni dokładnie testować przypadki brzegowe. OrcaRouter zaleca zapoznanie się z dokumentacją Google dla Gemini w zakresie filtrów bezpieczeństwa lub zasad dotyczących treści, które mogą mieć zastosowanie.
Gemini 3.1 Flash Image Preview został zaprojektowany z myślą o niskim opóźnieniu, jednak dokładne parametry szybkości nie zostały opublikowane. W porównaniu z innymi modelami flash na OrcaRouter (np. Gemini 1.5 Flash lub inne warianty flash), dodanie przetwarzania obrazów może zwiększyć opóźnienie na żądanie, ponieważ obrazy muszą być kodowane i obsługiwane. W ramach klasy flash powinien być jednak szybszy niż większe modele niebłyskawiczne, które obsługują obrazy. Dla użytkowników potrzebujących zarówno szybkości, jak i możliwości wizyjnych, ten model jest rozsądnym wyborem. Jeśli opóźnienie jest krytyczne, a obrazy nie są wymagane, szybszy będzie model flash przeznaczony wyłącznie do tekstu. API OrcaRouter udostępnia czasy odpowiedzi; klienci mogą monitorować własne użycie.
Ceny tego modelu na OrcaRouter są ustalane przez platformę i mogą ulec zmianie. Zazwyczaj OrcaRouter nalicza opłaty za przetworzone tokeny (wejście + wyjście), z dodatkowymi opłatami za tokeny obrazów. W przypadku modeli multimodalnych koszt na żądanie jest wyższy niż w przypadku modeli tekstowych, ponieważ obrazy zużywają wiele tokenów. Użytkownicy powinni zapoznać się z oficjalną stroną cenową OrcaRouter, aby poznać aktualne stawki dla google/gemini-3.1-flash-image-preview. Nie podano tutaj konkretnych kosztów za token. Zaleca się oszacowanie kosztów poprzez przetestowanie przykładowych żądań i sprawdzenie użycia tokenów raportowanego w nagłówkach odpowiedzi API.
Tak, wprowadzanie obrazów znacząco zwiększa liczbę tokenów na żądanie, ponieważ każdy obraz jest tokenizowany na wiele tokenów (zazwyczaj od setek do tysięcy, w zależności od rozdzielczości). Bezpośrednio podnosi to koszty w porównaniu do promptów tekstowych o podobnej długości. Jeśli Twoja aplikacja może opierać się na samych opisach tekstowych obrazów, model tekstowy może być tańszy. Z drugiej strony, jeśli zrozumienie obrazu jest niezbędne, ten model oferuje rozwiązanie typu „pojedynczy model” zamiast łączenia dwóch oddzielnych usług. Użytkownicy powinni rozważyć jakość interpretacji obrazu przez model w stosunku do dodatkowych kosztów. OrcaRouter może oferować rabaty dla klientów o dużym wolumenie; skontaktuj się z nimi, aby uzyskać szczegóły.
OrcaRouter może oferować funkcje takie jak buforowanie podpowiedzi (prompt caching) lub ponowne użycie sesji (session reuse) w celu ograniczenia nadmiarowego przetwarzania tokenów obrazów. Jednak szczegóły implementacji dla tego modelu nie są publicznie udokumentowane. Buforowanie może znacząco obniżyć koszty w aplikacjach, w których ten sam obraz jest wysyłany wielokrotnie (np. w bocie Q&A ze stałym dokumentem). Użytkownicy powinni zapytać zespół wsparcia OrcaRouter o możliwości buforowania. Ponadto OrcaRouter może oferować ceny warstwowe (tiered pricing) lub plany miesięczne, które obniżają koszty na token dla stałego użytkowania. Zaleca się zapoznanie z warunkami świadczenia usług lub kontakt z działem sprzedaży w celu uzyskania precyzyjnych strategii optymalizacji kosztów.
Aby użyć modelu, wyślij żądania HTTP POST do punktu końcowego API OrcaRouter zgodnego z OpenAI: https://api.orcarouter.ai/v1/chat/completions. Ustaw parametr model na "google/gemini-3.1-flash-image-preview". Dołącz swój klucz API w nagłówku Authorization (token Bearer). Treść żądania powinna zawierać tablicę messages, gdzie każda wiadomość może mieć role (system, user, assistant) i content. Dla obrazów dołącz obiekt z typem "image_url" oraz URL obrazu lub dane base64. Przykład: "content": [{"type": "text", "text": "Describe this photo"}, {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,..."}}]. API zwraca standardową odpowiedź chat completion.
API wspiera standardowe parametry zakończenia czatu OpenAI: model, messages, max_tokens, temperature, top_p, stop, stream, itp. W przypadku wejścia obrazu tablica content musi zawierać obiekty z typem "image_url". Obiekt image_url może zawierać publiczny URL lub zakodowany w base64 identyfikator URI danych. OrcaRouter może również wspierać opcjonalne parametry, takie jak max_image_tokens lub ustawienia szczegółowości (jak low/high w OpenAI), ale nie zostało to potwierdzone. Aby poznać dodatkowe parametry specyficzne dla modeli multimodalnych, zapoznaj się z dokumentacją API OrcaRouter. Odpowiedź zawiera informacje o użyciu, takie jak prompt_tokens (w tym tokeny obrazu), completion_tokens i total_tokens, które są przydatne do monitorowania kosztów.
Migracja z natywnego interfejsu API Vertex AI lub AI Studio od Google do OrcaRouter wymaga zmiany podstawowego adresu URL oraz identyfikatora modelu. Zastąp swój punkt końcowy Google adresem https://api.orcarouter.ai/v1/chat/completions. Zmień nazwę modelu na "google/gemini-3.1-flash-image-preview". Uwierzytelnianie: zamiast poświadczeń konta usługi Google użyj kluczy API OrcaRouter. Format żądania staje się zgodny z OpenAI: tablica wiadomości z rolami i treścią. Jeśli używałeś multimodalnego formatu wejściowego Google, będziesz musiał przekonwertować obrazy na format image_url opisany powyżej. Większość zestawów SDK (np. OpenAI Python) działa po prostej aktualizacji konfiguracji. Przetestuj z małym ładunkiem, aby zweryfikować działanie przed migracją produkcyjną.
OrcaRouter korzysta z uwierzytelniania za pomocą klucza API. Musisz uzyskać klucz API z panelu OrcaRouter. Dołącz go w nagłówku żądania jako: Authorization: Bearer YOUR_API_KEY. Klucze API powinny być utrzymywane w tajemnicy i nie mogą być ujawniane w kodzie po stronie klienta. W przypadku komunikacji serwer-serwer używaj zmiennych środowiskowych. OrcaRouter może oferować ograniczanie szybkości i limity wykorzystania; sprawdź ustawienia swojego konta. Nie jest wymagany dodatkowy przepływ OAuth ani uwierzytelnianie specyficzne dla Google. Klucz API jest powiązany z Twoim kontem OrcaRouter i planem rozliczeniowym. Jeśli przekroczysz limity szybkości, możesz otrzymać kod statusu HTTP 429; zaimplementuj odpowiednią logikę ponawiania.
Standardowy Gemini 3.1 Flash to model tylko tekstowy (lub ewentualnie tekst z ograniczoną wizją w nowszych wersjach). Wariant Image Preview wyraźnie dodaje możliwości wizji, co czyni go odpowiednim do zadań multimodalnych. W zamian model z podglądem obrazu może mieć nieco inną architekturę wewnętrzną i potencjalnie wyższe opóźnienie lub koszt ze względu na przetwarzanie obrazu. W przypadku zadań tylko tekstowych standardowy Flash będzie prawdopodobnie szybszy i tańszy, a także może oferować identyczną lub lepszą jakość. Użytkownicy powinni wybierać wariant z podglądem obrazu tylko wtedy, gdy konieczne jest wprowadzenie obrazu. OrcaRouter oferuje oba modele; porównaj ich ID modeli.
Na OrcaRouter, inne modele multimodalne obejmują GPT-4V, Claude 3 Vision i Gemini Pro Vision, a także warianty open-source. Gemini 3.1 Flash Image Preview jest pozycjonowany jako szybka i tańsza alternatywa dla większych modeli wizyjnych, takich jak GPT-4V. Prawdopodobnie rezygnuje z pewnej głębi rozumowania na rzecz szybkości i ceny. W porównaniu z dedykowanymi modelami do opisywania obrazów, model ten oferuje bardziej ogólne multimodalne doświadczenie czatu. W przypadku konkretnych zadań, takich jak OCR lub precyzyjne rozpoznawanie wizualne, wyspecjalizowane modele (np. własny dokument AI Google'a) mogą działać lepiej. Użytkownicy powinni oceniać na podstawie swojego przypadku użycia: ten flash model jest najlepszy w aplikacjach o krytycznym znaczeniu dla szybkości, gdzie wystarczają umiarkowane możliwości wizyjne.
OrcaRouter udostępnia ujednolicone API zgodne z OpenAI dla tego modelu Google, upraszczając integrację, jeśli już korzystasz z tego interfejsu. Unikasz bezpośredniego zarządzania zasobami Google Cloud, uprawnieniami IAM czy oddzielnymi zestawami SDK. OrcaRouter może oferować dodatkowe funkcje, takie jak równoważenie obciążenia, buforowanie, modele zastępcze i zbiorcze fakturowanie. Agreguje również wielu dostawców, umożliwiając łatwą zmianę modeli bez modyfikacji kodu. W przypadku tego konkretnego modelu OrcaRouter obsługuje łączność zaplecza z infrastrukturą Google, potencjalnie optymalizując routing. Jednak korzystanie z bramy innej firmy wprowadza zależność i może dodać niewielki narzut opóźnienia. Oceń, czy wygoda przewyższa bezpośredni dostęp.
Wybierz ten model, gdy Twoja aplikacja wymaga rozumienia treści wizualnych w połączeniu z tekstem, np. podczas analizy zdjęć, diagramów lub zeskanowanych dokumentów. Jeśli Twoje zadanie polega na interpretacji obrazów jako części procesu rozumowania – na przykład w bocie obsługi klienta odczytującym zrzuty ekranu – ten model eliminuje konieczność korzystania z osobnego API do widzenia. Jeśli jednak Twoje obrazy są wyłącznie dekoracyjne lub można je opisać tekstowo, model tekstowy będzie bardziej ekonomiczny i szybszy. Ponadto, jeśli potrzebujesz bardzo wysokiej dokładności w specjalistycznych zadaniach wizualnych (takich jak precyzyjne rozpoznawanie obiektów), lepszym wyborem będzie dedykowany model komputerowego widzenia. Ten model stanowi wygodne rozwiązanie pośrednie.
https://api.orcarouter.aiinclude_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetop_p| Za żądanie | $0.1510 |
| Waluta | USD |
| Stała opłata za wywołanie API (modele generujące obrazy) | |
GET /api/public/models/google/gemini-3.1-flash-image-previewOtwórz @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