Gemini 3.1 Flash Image Preview, também conhecido como "Nano Banana 2", é o mais recente modelo de geração e edição de imagens de última geração do Google, oferecendo qualidade visual de nível Pro na velocidade Flash. Ele combina...
Google: Nano Banana 2 é um modelo multimodal que processa tanto imagens quanto entrada de texto. Baseia-se na arquitetura Gemini 3.1 Flash, que prioriza inferência rápida. O modelo aceita uploads de…
O modelo Gemini 3.1 Flash Image Preview é capaz de realizar uma série de tarefas multimodais, incluindo legenda de imagens, resposta a perguntas visuais, compreensão de documentos (por exemplo, extração de informações de faturas ou formulários) e moderação de conteúdo que combina análise de imagem e texto. Ele também pode fazer raciocínio sobre diagramas e gráficos, como interpretar gráficos ou fluxogramas. Por ser um modelo flash, é otimizado para velocidade, tornando-o adequado para aplicações que exigem respostas rápidas. No entanto, pode não atingir a profundidade de modelos maiores e mais lentos em tarefas de raciocínio complexas. Os usuários devem avaliar o modelo em seus casos de uso específicos para confirmar seu desempenho.
A janela de contexto é de 65.536 tokens. Isso significa que o modelo pode processar até esse número de tokens em um único prompt, incluindo tanto o texto quanto os dados de imagem codificados. Para prompts apenas com texto, isso permite lidar com documentos de cerca de 50.000 palavras. Para entradas multimodais, os tokens de imagem consomem parte da janela, então a capacidade de texto utilizável é reduzida. O custo exato de tokens por imagem não é especificado, mas os usuários devem considerar que as imagens consomem um número significativo de tokens. Esse tamanho de contexto permite processar documentos moderadamente longos com imagens, mas documentos extremamente longos ou muitas imagens podem exceder o limite. Nesses casos, pode ser necessário dividir em partes ou resumir.
Se a sua tarefa não exigir compreensão de imagens, um modelo apenas de texto (por exemplo, Gemini 1.5 Flash ou similar) pode ser mais barato e rápido. Além disso, se sua aplicação for extremamente sensível à latência e a sobrecarga de processamento de imagem for desnecessária, um modelo de texto leve pode ser preferível. Para tarefas que envolvem raciocínio complexo com múltiplas imagens ou detalhes muito altos, um modelo de visão maior, não flash, pode oferecer melhor precisão ao custo de velocidade. A variante flash foi projetada para ser um meio-termo. Os usuários devem fazer benchmarks de suas próprias cargas de trabalho para determinar se a troca entre velocidade e qualidade justifica o custo. O OrcaRouter oferece uma gama de modelos; consultar o catálogo pode ajudar a identificar alternativas.
A arquitetura do Gemini 3.1 Flash é otimizada para inferência de baixa latência. Isso torna o modelo adequado para aplicações em tempo real, como assistentes de chat ao vivo, sistemas interativos de perguntas e respostas ou ferramentas de moderação automatizada que precisam responder em segundos. A vantagem de velocidade vem de escolhas arquitetônicas que reduzem a sobrecarga computacional, como menos parâmetros ou mecanismos de atenção otimizados. Embora nenhum número específico de latência seja fornecido, os modelos flash geralmente geram tokens mais rapidamente do que suas contrapartes padrão. Isso pode reduzir o tempo de espera percebido pelos usuários finais. No entanto, a velocidade exata depende de fatores como tamanho da entrada, complexidade da imagem e carga do servidor no OrcaRouter. Os desenvolvedores devem testar com entradas representativas.
Atualmente, não há pontuações oficiais de benchmarks fornecidas publicamente para este modelo específico. Por ser uma versão de pré-visualização (indicada por "Image Preview" em seu nome), o Google pode não ter divulgado resultados de avaliação padronizados. Os usuários não devem presumir níveis de desempenho baseados em outros modelos Gemini Flash, pois a variante de pré-visualização de imagem pode diferir em capacidades. Para avaliar a qualidade do modelo, a OrcaRouter recomenda executar avaliações personalizadas em seu próprio conjunto de dados. Métricas comuns para tarefas multimodais incluem precisão em benchmarks de VQA, BLEU para legendagem ou F1 para compreensão de documentos. Sem benchmarks, é necessário confiar em testes empíricos.
Como o modelo é baseado no Gemini 3.1 Flash, ele deve demonstrar fortes capacidades de geração de texto típicas dessa arquitetura, como linguagem coerente, sumarização e raciocínio. No entanto, por ser uma variante multimodal, seu desempenho apenas com texto pode diferir do modelo Flash dedicado apenas a texto devido à sobrecarga dos ramos de processamento de imagem. Não há benchmarks comparativos disponíveis. Para tarefas puramente textuais, os usuários podem descobrir que um modelo flash mais simples, apenas de texto, oferece qualidade equivalente ou superior com menor custo e latência. Se você trabalha principalmente com texto, considere usar o gemini-3.1-flash ou modelos semelhantes no OrcaRouter.
Como um modelo de pré-visualização, pode ter restrições ou limitações que não estão totalmente documentadas. As limitações potenciais conhecidas incluem: o modelo pode não lidar tão bem com imagens de altíssima resolução quanto os modelos de visão dedicados; pode ser menos confiável ao lidar com múltiplas imagens em um único prompt devido ao compartilhamento de contexto; e pode ser mais sensível à formulação do prompt do que modelos especializados. Além disso, por ser um modelo flash, pode trocar alguma profundidade de raciocínio por velocidade, portanto, tarefas complexas de raciocínio visual em várias etapas podem ser propensas a erros. Os usuários devem testar minuciosamente os casos extremos. A OrcaRouter recomenda revisar a documentação do Google para o Gemini para quaisquer filtros de segurança ou políticas de conteúdo que possam ser aplicadas.
O Gemini 3.1 Flash Image Preview foi projetado para baixa latência, mas métricas exatas de velocidade não são publicadas. Em comparação com outros modelos flash no OrcaRouter (por exemplo, Gemini 1.5 Flash ou outras variantes flash), a adição de processamento de imagem pode aumentar a latência por requisição porque as imagens precisam ser codificadas e processadas. No entanto, dentro da classe flash, ele deve ser mais rápido do que modelos maiores e não flash que lidam com imagens. Para usuários que precisam tanto de velocidade quanto de visão, este modelo é uma escolha razoável. Se a latência é crítica e imagens não são necessárias, um modelo flash somente texto será mais rápido. A API do OrcaRouter fornece tempos de resposta; os clientes podem monitorar seu próprio uso.
O preço deste modelo no OrcaRouter é determinado pela plataforma e está sujeito a alterações. Normalmente, o OrcaRouter cobra por token processado (entrada + saída), com tarifas adicionais para tokens de imagem. Para modelos multimodais, o custo por solicitação é maior do que para modelos apenas de texto, porque as imagens consomem muitos tokens. Os usuários devem consultar a página oficial de preços do OrcaRouter para obter as tarifas atuais para google/gemini-3.1-flash-image-preview. Nenhum custo específico por token é fornecido aqui. Recomenda-se estimar os custos testando solicitações de amostra e revisando o uso de tokens informado nos cabeçalhos de resposta da API.
Sim, as entradas de imagem aumentam significativamente a contagem de tokens por requisição, pois cada imagem é tokenizada em muitos tokens (normalmente centenas a milhares, dependendo da resolução). Isso eleva diretamente o custo em comparação com prompts apenas de texto de comprimento semelhante. Se sua aplicação puder ser atendida com descrições textuais das imagens, um modelo somente de texto pode ser mais barato. Por outro lado, se a compreensão de imagem for essencial, este modelo oferece uma solução de modelo único, em vez de combinar dois serviços separados. Os usuários devem pesar a qualidade da interpretação de imagem do modelo contra o custo adicional. A OrcaRouter pode oferecer descontos de uso para clientes de alto volume; entre em contato com eles para obter detalhes.
O OrcaRouter pode oferecer recursos como caching de prompt ou reutilização de sessão para reduzir o processamento redundante de tokens de imagem. No entanto, detalhes específicos de implementação não são publicamente documentados para este modelo. O caching pode reduzir significativamente os custos em aplicações onde a mesma imagem é enviada repetidamente (por exemplo, em um bot de Q&A com um documento fixo). Os usuários devem consultar a equipe de suporte do OrcaRouter sobre os recursos de caching. Além disso, o OrcaRouter pode oferecer preços escalonados ou planos mensais que reduzem os custos por token para uso comprometido. É aconselhável revisar os termos de serviço ou entrar em contato com as vendas para estratégias precisas de otimização de custos.
Para usar o modelo, envie requisições HTTP POST para o endpoint de API compatível com OpenAI do OrcaRouter: https://api.orcarouter.ai/v1/chat/completions. Defina o parâmetro model como "google/gemini-3.1-flash-image-preview". Inclua sua chave de API no cabeçalho Authorization (token Bearer). O corpo da requisição deve conter um array messages, onde cada mensagem pode ter role (system, user, assistant) e content. Para imagens, inclua um objeto com type "image_url" e a URL da imagem ou dados em base64. Exemplo: "content": [{"type": "text", "text": "Descreva esta foto"}, {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,..."}}]. A API retorna uma resposta padrão de chat completion.
A API suporta os parâmetros padrão de conclusão de chat do OpenAI: model, messages, max_tokens, temperature, top_p, stop, stream, etc. Para entrada de imagem, o array content deve incluir objetos com type "image_url". O objeto image_url pode ter uma URL pública ou uma data URI codificada em base64. O OrcaRouter também pode suportar parâmetros opcionais como max_image_tokens ou configurações de detail (como low/high do OpenAI), mas estes não são confirmados. Consulte a documentação da API do OrcaRouter para quaisquer parâmetros adicionais específicos para modelos multimodais. A resposta inclui informações de uso como prompt_tokens (incluindo tokens de imagem), completion_tokens e total_tokens, que são úteis para monitoramento de custos.
Migrar da API nativa do Vertex AI do Google ou do AI Studio para o OrcaRouter exige alterar a URL base e o identificador do modelo. Substitua seu endpoint do Google por https://api.orcarouter.ai/v1/chat/completions. Altere o nome do modelo para "google/gemini-3.1-flash-image-preview". Autenticação: em vez de credenciais de conta de serviço do Google, use chaves de API do OrcaRouter. O formato da requisição se torna compatível com OpenAI: um array de mensagens com papéis e conteúdo. Se você estava usando o formato de entrada multimodal do Google, precisará converter imagens para o formato image_url descrito acima. A maioria dos SDKs (ex.: OpenAI Python) funciona com uma simples atualização de configuração. Teste com um payload pequeno para verificar o comportamento antes da migração para produção.
O OrcaRouter usa autenticação por chave de API. Você deve obter uma chave de API no painel do OrcaRouter. Inclua-a no cabeçalho da requisição como: Authorization: Bearer SUA_CHAVE_DE_API. As chaves de API devem ser mantidas em segredo e não expostas em código do lado do cliente. Para comunicação servidor a servidor, use variáveis de ambiente. O OrcaRouter pode oferecer limitação de taxa e cotas de uso; verifique as configurações da sua conta. Não há fluxo adicional de OAuth ou autenticação específica do Google necessária. A chave de API está vinculada à sua conta do OrcaRouter e ao plano de faturamento. Se você exceder os limites de taxa, poderá receber o status HTTP 429; implemente a lógica de repetição adequadamente.
O Gemini 3.1 Flash padrão é um modelo apenas de texto (ou possivelmente texto com visão limitada em versões mais recentes). A variante Image Preview adiciona explicitamente capacidades de visão, tornando-a adequada para tarefas multimodais. Em contrapartida, o modelo de preview de imagem pode ter uma arquitetura interna ligeiramente diferente e potencialmente maior latência ou custo devido ao processamento de imagem. Para tarefas apenas de texto, o Flash padrão provavelmente será mais rápido e barato, e possivelmente oferecerá qualidade idêntica ou superior. Os usuários devem escolher a variante Image Preview apenas quando a entrada de imagem for necessária. O OrcaRouter oferece ambos os modelos; compare seus IDs de modelo.
No OrcaRouter, outros modelos multimodais incluem GPT-4V, Claude 3 Vision e Gemini Pro Vision, além de variantes de código aberto. O Gemini 3.1 Flash Image Preview é posicionado como uma alternativa rápida e de menor custo em relação a modelos de visão maiores, como o GPT-4V. Provavelmente, ele troca alguma profundidade de raciocínio por velocidade e preço. Comparado a modelos dedicados de legendagem de imagens, este modelo oferece uma experiência de chat multimodal de uso mais geral. Para tarefas específicas como OCR ou reconhecimento visual de precisão, modelos especializados (por exemplo, o próprio document AI do Google) podem ter melhor desempenho. Os usuários devem avaliar com base em seu caso de uso: este modelo flash é melhor para aplicações críticas de velocidade onde uma capacidade de visão moderada é suficiente.
OrcaRouter fornece uma API unificada compatível com OpenAI para este modelo do Google, simplificando a integração se você já utiliza essa interface. Você evita gerenciar diretamente recursos do Google Cloud, permissões IAM ou SDKs separados. O OrcaRouter pode oferecer recursos adicionais como balanceamento de carga, cache, modelos de fallback e faturamento consolidado. Ele também agrega vários provedores, permitindo a troca fácil de modelos sem alterações no código. Para este modelo específico, o OrcaRouter lida com a conectividade de backend para a infraestrutura do Google, potencialmente otimizando o roteamento. No entanto, usar um gateway de terceiros introduz uma dependência e pode adicionar uma pequena sobrecarga de latência. Avalie se a conveniência supera o acesso direto.
Escolha este modelo quando sua aplicação exigir compreensão de conteúdo visual combinado com texto, como analisar fotos, diagramas ou documentos digitalizados. Se sua tarefa envolver interpretação de imagens como parte do processo de raciocínio — por exemplo, em um bot de suporte ao cliente que lê capturas de tela — este modelo elimina a necessidade de usar uma API de visão separada. No entanto, se suas imagens forem apenas decorativas ou puderem ser descritas textualmente, um modelo somente texto será mais econômico e rápido. Além disso, se você precisar de altíssima precisão em tarefas visuais especializadas (como reconhecimento de objetos com detalhes finos), um modelo de visão computacional dedicado será superior. Este modelo oferece um meio-termo conveniente.
https://api.orcarouter.aiinclude_reasoningmax_tokensreasoningresponse_formatseedstopstructured_outputstemperaturetop_p| Por solicitação | $0.1510 |
| Moeda | USD |
| Tarifa fixa por chamada de API (modelos de geração de imagens) | |
GET /api/public/models/google/gemini-3.1-flash-image-previewAbrir @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