Gemini 2.5 Flash Image หรือที่รู้จักในชื่อ "Nano Banana" พร้อมใช้งานทั่วไปแล้ว เป็นโมเดลสร้างภาพที่ล้ำสมัยพร้อมความเข้าใจในบริบท สามารถสร้างภาพได้...
Google: Nano Banana (Gemini 2.5 Flash Image) เป็นโมเดลภาษาหลายรูปแบบที่พัฒนาโดย Google ซึ่งเป็นส่วนหนึ่งของซีรีส์ Gemini 2.5 Flash โมเดลนี้รองรับทั้งภาพและข้อความ作为อินพุต และสร้างข้อความเป็นเอาต์พุต…
ความสามารถหลักเน้นที่การทำความเข้าใจและให้เหตุผลเกี่ยวกับเนื้อหาภาพที่นำเสนอในรูปแบบรูปภาพ เมื่อได้รับรูปภาพและข้อความแจ้ง (text prompt) โมเดลสามารถอธิบายฉาก ระบุวัตถุ ตอบคำถามเกี่ยวกับเนื้อหา แยกข้อความ (OCR) และดำเนินการให้เหตุผลทางภาพขั้นพื้นฐาน (เช่น ความสัมพันธ์เชิงพื้นที่ สี การกระทำ) นอกจากนี้ยังสามารถประมวลผลข้อความที่มากับรูปภาพ เช่น คำแนะนำหรือบริบท เนื่องจากใช้สถาปัตยกรรมระดับ flash (flash-tier architecture) จึงได้รับการปรับให้เหมาะกับเวลาแฝงต่ำและปริมาณงานสูง ทำให้เหมาะสมกับแอปพลิเคชันแบบเรียลไทม์หรือที่มีปริมาณสูง อย่างไรก็ตาม อาจไม่เทียบเท่ากับความลึกซึ้งในการให้เหตุผลหรือความแม่นยำของโมเดลที่ใหญ่กว่าและมีราคาแพงกว่า เช่น Gemini 2.5 Pro สำหรับงานด้านภาพที่ซับซ้อนซึ่งต้องการการวิเคราะห์แบบละเอียดหรือห่วงโซ่การให้เหตุผลที่ยาว โมเดลนี้ไม่ได้ออกแบบมาสำหรับงานต่างๆ เช่น การสร้างภาพ การวิเคราะห์วิดีโอ หรือการสนทนาหลายรอบที่ต้องการบริบทยาวเกิน 32K โทเคน
หากแอปพลิเคชันของคุณไม่จำเป็นต้องป้อนภาพเลย การใช้แบบจำลองที่ใช้ข้อความเท่านั้น (เช่น Gemini รุ่นย่อยที่เล็กกว่าหรือแบบจำลองโอเพนซอร์ส) จะคุ้มค่ากว่า ในทำนองเดียวกัน หากงานของคุณเกี่ยวข้องกับการใช้เหตุผลบนข้อความเท่านั้นโดยไม่มีองค์ประกอบภาพ ภาระการประมวลผลภาพก็ไม่จำเป็น สำหรับสถานการณ์ที่ความยาวผลลัพธ์มาก เช่น การสร้างรายงานหรือเรื่องราวโดยละเอียดจากภาพ ราคา $30 ต่อหนึ่งล้านโทเค็นผลลัพธ์อาจกลายเป็นค่าใช้จ่ายสูง ในกรณีดังกล่าว ควรพิจารณาแบบจำลองที่มีราคาผลลัพธ์ต่ำกว่า หรือใช้แบบจำลองนี้สร้างสรุปสั้นๆ แล้วขยายความด้วยแบบจำลองข้อความที่ถูกกว่า นอกจากนี้ หากคุณจำเป็นต้องประมวลผลหลายภาพต่อคำขอหรือจัดการกับภาพที่มีขนาดใหญ่มาก แบบจำลองที่มีหน้าต่างบริบทขนาดใหญ่กว่าหรือการรองรับความละเอียดภาพเฉพาะอาจเหมาะสมกว่า
การปรับใช้งานปริมาณมากได้ประโยชน์จากต้นทุนอินพุตต่ำของโมเดลนี้ ($0.30 ต่อล้านโทเค็น) และการอนุมานที่รวดเร็ว กรณีการใช้งานที่เหมาะสม ได้แก่ การติดแท็กรูปภาพอัตโนมัติสำหรับคลังภาพถ่ายขนาดใหญ่ การสร้างข้อความทดแทน (alt-text) สำหรับภาพผลิตภัณฑ์หลายพันภาพ การทำ OCR บนชุดเอกสารที่สแกน และการกลั่นกรองเนื้อหาแบบเรียลไทม์สำหรับภาพที่ผู้ใช้อัปโหลด เนื่องจากต้นทุนเอาต์พุตสูง คำตอบควรสั้น—มักเป็นคำเดียว ป้ายกำกับ หรือประโยคเดียว ตัวอย่างเช่น การจัดประเภทรูปภาพเป็นหมวดหมู่ที่กำหนดไว้ล่วงหน้า การแยกข้อมูลสำคัญสองสามฟิลด์จากฟอร์ม หรือการตอบคำถามใช่/ไม่ใช่เกี่ยวกับรูปภาพ การประมวลผลแบบแบตช์สามารถทำได้ผ่าน API ของ OrcaRouter ด้วยคำขอพร้อมกัน โดยทั่วไปความหน่วงของโมเดลต่ำ แต่ปริมาณงานจริงขึ้นอยู่กับขนาดและความซับซ้อนของภาพ ไม่มีการจำกัดอัตราแยกต่างหากใน OrcaRouter นอกเหนือจากการใช้งาน API โดยรวม
ข้อจำกัดหลักคือค่าใช้จ่ายของโทเค็นเอาท์พุตที่สูงเมื่อเทียบกับค่าใช้จ่ายอินพุต ทำให้การสร้างข้อความยาวมีราคาแพง หน้าต่างบริบทขนาด 32,768 โทเค็นจำกัดปริมาณข้อความและขนาดของรูปภาพ (ในหน่วยโทเค็น) ที่สามารถประมวลผลได้ในคำขอเดียว โมเดลนี้ไม่ได้ออกแบบมาสำหรับงานที่ต้องใช้การให้เหตุผลแบบมัลติโมดัลเชิงลึก รายละเอียดภาพที่ซับซ้อน หรือการจัดการหลายภาพพร้อมกัน (แต่ละภาพเพิ่มเติมจะใช้บริบท) นอกจากนี้ ในฐานะโมเดลระดับ flash-tier อาจมีความแม่นยำต่ำลงในงานด้านภาพเฉพาะทาง เช่น การวิเคราะห์ภาพทางการแพทย์ การตรวจจับวัตถุที่มีรายละเอียดละเอียด หรือการรู้จำวัตถุหายาก เมื่อเทียบกับโมเดลที่มีความสามารถมากกว่าแต่ช้ากว่าหรือมีราคาแพงกว่า ข้อมูลการฝึกของโมเดลและประสิทธิภาพเฉพาะในการวัดมาตรฐานไม่ได้รับการเปิดเผยในข้อเท็จจริงที่ให้มา ผู้ใช้ควรประเมินบนชุดข้อมูลของตนเอง สุดท้ายนี้ รองรับเฉพาะอินพุตรูปภาพและข้อความเท่านั้น ไม่รองรับวิดีโอหรือเสียง
ข้อเท็จจริงที่ให้มาไม่รวมคะแนนมาตรฐานเฉพาะใดๆ สำหรับ Google: Nano Banana (Gemini 2.5 Flash Image) ซึ่งเป็นส่วนหนึ่งของซีรีส์ Gemini 2.5 Flash ของ Google ที่โดยทั่วไปเน้นประสิทธิภาพมากกว่าความแม่นยำระดับสูงสุด ในกรณีที่ไม่มีตัวเลข ผู้ใช้ควรคาดหวังประสิทธิภาพที่เทียบเคียงได้กับโมเดล multimodal ระดับ flash อื่นๆ ในงาน vision-language มาตรฐาน เช่น VQAv2, COCO Captions และ OCR อย่างไรก็ตาม คะแนนที่แน่นอนไม่ได้ระบุไว้ เราขอแนะนำให้ประเมินโมเดลบนชุดข้อมูลที่เป็นตัวแทนของคุณเองเพื่อพิจารณาว่าความสามารถของโมเดลตรงตามข้อกำหนดของคุณหรือไม่ OrcaRouter ไม่ได้ให้เกณฑ์มาตรฐานภายในที่เกินกว่าสิ่งที่เปิดเผยต่อสาธารณะจาก Google หากคุณต้องการเมตริกความแม่นยำที่แม่นยำ โปรดปรึกษาเอกสารทางการของ Google สำหรับซีรีส์ Gemini 2.5 Flash แต่โปรดทราบว่าตัวระบุโมเดลเฉพาะนี้อาจมีการปรับแต่งของตัวเอง
ข้อเท็จจริงที่ให้มาไม่มีข้อมูลการวัดเวลาแฝงสำหรับโมเดลนี้ ในฐานะที่เป็นส่วนหนึ่งของตระกูล Gemini 2.5 Flash โมเดลนี้ถูกออกแบบมาให้มีเวลาแฝงต่ำและปริมาณงานสูง โดยทั่วไปแล้วโมเดลระดับ flash จาก Google จะแลกคุณภาพการให้เหตุผลบางส่วนเพื่อความเร็ว ทำให้เหมาะสำหรับแอปพลิเคชันที่ต้องการความใกล้เคียงเวลาจริง เวลาแฝงที่เกิดขึ้นจริงขึ้นอยู่กับปัจจัยต่างๆ เช่น ขนาดและความละเอียดของภาพที่นำเข้า ความยาวของข้อความแจ้งเตือน จำนวนโทเค็นเอาต์พุตที่ร้องขอ และโหลดปัจจุบันบน API โดยทั่วไป งานบรรยายภาพแบบง่ายอาจเสร็จภายในไม่กี่ร้อยมิลลิวินาทีถึงไม่กี่วินาที ในขณะที่ข้อความแจ้งเตือนที่ซับซ้อนกว่าซึ่งต้องการเอาต์พุตที่ยาวขึ้นก็จะใช้เวลานานขึ้น เพื่อผลลัพธ์ที่ดีที่สุด ให้รักษาความละเอียดของภาพให้เหมาะสมและจำกัดความยาวของเอาต์พุต API ของ OrcaRouter ไม่มีค่าใช้จ่ายเพิ่มเติมนอกเหนือจากเวลาตอบสนองของผู้ให้บริการ
จุดแข็ง: โมเดลนี้มีความสามารถโดดเด่นในงานที่ต้องการคำตอบที่รวดเร็วและคุ้มค่าจากภาพเดียว สามารถระบุวัตถุทั่วไป อ่านข้อความจากภาพ และตอบคำถามตรง ๆ เกี่ยวกับเนื้อหาภาพได้อย่างรวดเร็ว ต้นทุนอินพุตที่ต่ำทำให้สามารถประมวลผลภาพปริมาณมากได้ จุดจำกัด: โมเดลอาจมีปัญหาในงานที่ต้องการความแม่นยำสูง เช่น การนับวัตถุขนาดเล็ก การแยกแยะพื้นผิวที่คล้ายกันมาก หรือการทำความเข้าใจไดอะแกรมที่ซับซ้อน ความเข้าใจของโมเดลจำกัดอยู่เพียงสิ่งที่สามารถอนุมานได้จากข้อมูลพิกเซลและข้อความแจ้งเตือนเท่านั้น โมเดลไม่มีสิทธิ์เข้าถึงความรู้ภายนอกนอกเหนือจากข้อมูลที่ใช้ในการฝึก (ไม่ทราบวันที่ตัดข้อมูล) นอกจากนี้ เนื่องจากต้นทุนเอาต์พุตสูง การสร้างคำตอบที่ละเอียดสำหรับแต่ละภาพอาจมีค่าใช้จ่ายสูงอย่างรวดเร็ว สำหรับงานที่ต้องการการวิเคราะห์ที่ยาวและละเอียด ควรใช้โมเดลที่มีความสามารถมากกว่า (และโดยทั่วไปมีราคาแพงกว่า) จะเหมาะสมกว่า ประสิทธิภาพในกรณีขอบ อย่างเช่นภาพมืดเบลอหรือมุมที่ผิดปกติอาจต่ำกว่า
ราคาเป็นแบบตรงไปตรงมา: $0.30 ต่อ 1 ล้านอินพุตโทเคน และ $30.00 ต่อ 1 ล้านเอาต์พุตโทเคน อินพุตโทเคนรวมโทเคนจากทั้งข้อความแจ้งเตือนและรูปภาพ (รูปภาพถูกแปลงเป็นโทเคนโดยโมเดล) เอาต์พุตโทเคนคือโทเคนที่สร้างขึ้นเป็นคำตอบ ไม่มีค่าติดตั้ง ไม่มีขั้นต่ำรายเดือน และ OrcaRouter ไม่เพิ่มมาร์กอัปใดๆ—คุณจ่ายตามอัตราของผู้ให้บริการเท่านั้น โทเคนจะถูกนับโดยระบบของ OrcaRouter การเรียกเก็บเงินเป็นแบบตามการใช้งานเป็นหลัก โดยมีค่าใช้จ่ายเกิดขึ้นเมื่อคุณส่งคำขอ คุณสามารถตรวจสอบการใช้งานผ่านแดชบอร์ดของ OrcaRouter เนื่องจากอินพุตโทเคนมีราคาถูกกว่าเอาต์พุตโทเคนมาก ต้นทุนรวมสำหรับคำขอทั่วไป (เอาต์พุตสั้น) จึงถูกครอบงำโดยฝั่งอินพุต โดยเฉพาะอย่างยิ่งหากคุณรวมรูปภาพขนาดใหญ่ ตัวอย่างเช่น รูปภาพขนาด 1024x1024 อาจใช้หลายพันอินพุตโทเคน
เมื่อเทียบกับโมเดลที่รองรับเฉพาะข้อความ (เช่น Gemini 1.5 Flash แบบข้อความเท่านั้น ที่ราคา $0.075/M อินพุต $0.30/M เอาต์พุต) โมเดลนี้มีต้นทุนอินพุตสูงกว่า 4x และต้นทุนเอาต์พุตสูงกว่า 100x ซึ่งสะท้อนถึงความซับซ้อนที่เพิ่มขึ้นของระบบภาพ สำหรับงานที่ไม่ต้องการวิเคราะห์ภาพ โมเดลที่รองรับเฉพาะข้อความเหล่านั้นมีราคาถูกกว่ามาก เมื่อเทียบกับโมเดลมัลติโมดัลขนาดใหญ่เช่น Gemini 2.5 Pro (ซึ่งมีต้นทุนต่อโทเค็นสูงกว่าแต่มีความสามารถในการให้เหตุผลที่ดีกว่า) โมเดลนี้มีราคาถูกกว่าในส่วนอินพุต แต่ใกล้เคียงหรือสูงกว่าในส่วนเอาต์พุต ขึ้นอยู่กับระดับ Pro ที่เฉพาะเจาะจง การแลกเปลี่ยนในระดับ Flash คือความแม่นยำที่ต่ำกว่าเพื่อต้นทุนอินพุตที่ต่ำกว่า หากแอปพลิเคชันของคุณต้องการความแม่นยำสูงและสามารถทนต่อต้นทุนอินพุตที่สูงขึ้นได้ โมเดล Pro อาจดีกว่า หากความยาวเอาต์พุตมีขนาดใหญ่ ต้นทุนเอาต์พุตของโมเดลนี้จะสูงเกินไป ดังนั้นควรพิจารณาโมเดลที่มีราคาเอาต์พุตต่ำกว่า เช่น Gemini 1.5 Flash (ข้อความ+ภาพ) ซึ่งอาจมีอัตราที่แตกต่างกัน
ข้อเท็จจริงที่ให้มาไม่ได้กล่าวถึงกลไกการแคชหรือส่วนลดตามปริมาณสำหรับโมเดลนี้บน OrcaRouter OrcaRouter ส่งต่อราคาของผู้ให้บริการโดยไม่มีส่วนเพิ่ม ดังนั้นส่วนลดใดๆ จะต้องมาจากการจัดการการเรียกเก็บเงินโดยตรงของ Google ณ ขณะนี้ ยังไม่มีการแคชอิมเมจเอ็มเบ็ดดิ้งหรือพรอมป์โดยอัตโนมัติในข้อมูลที่เผยแพร่ของ OrcaRouter ผู้ใช้ควรถือว่าคำขอแต่ละครั้งจะถูกเรียกเก็บเงินตามโทเคนอินพุตและเอาต์พุตที่ใช้ สำหรับผู้ใช้ที่มีปริมาณสูง อาจคุ้มค่าที่จะติดต่อ OrcaRouter เพื่อสอบถามเกี่ยวกับข้อตกลงองค์กรที่อาจมี แต่ราคาแบบจ่ายตามการใช้งานมาตรฐานคือ $0.30/M input และ $30.00/M output เพื่อลดต้นทุน ให้นำผลลัพธ์ที่สร้างไว้ก่อนหน้านี้กลับมาใช้ใหม่เมื่อเป็นไปได้ และจำกัดจำนวนโทเคนในแต่ละคำขอ (เช่น โดยการปรับขนาดรูปภาพหรือใช้พรอมป์ที่สั้น)
ในการใช้ Google: Nano Banana (Gemini 2.5 Flash Image) ผ่าน OrcaRouter ให้ส่งคำขอ POST ไปยัง https://api.orcarouter.ai/v1/chat/completions โดยกำหนดพารามิเตอร์ model เป็น "google/gemini-2.5-flash-image" API นี้ใช้รูปแบบเดียวกับ OpenAI chat completions รวมคีย์ API ของ OrcaRouter ในส่วนหัว Authorization เป็น "Bearer YOUR_API_KEY" ใน body ของคำขอ ให้จัดเตรียมอาร์เรย์ messages พร้อมข้อความผู้ใช้ที่มีทั้งรูปภาพและข้อความ สำหรับรูปภาพ ให้รวมส่วนเนื้อหาประเภท "image_url" พร้อม URL หรือข้อมูล base64 ตัวอย่าง: {"model":"google/gemini-2.5-flash-image","messages":[{"role":"user","content":[{"type":"text","text":"What is in this image?"},{"type":"image_url","image_url":{"url":"https://example.com/photo.jpg"}}]}],"max_tokens":50} การตอบกลับจะเป็น chat completion มาตรฐานพร้อมคำตอบของโมเดล
OrcaRouter API รองรับพารามิเตอร์หลายตัวที่เหมือนกับ OpenAI API พารามิเตอร์ที่จำเป็น: model (จำเป็น, ตั้งค่าเป็น "google/gemini-2.5-flash-image"), messages (จำเป็น, อาร์เรย์ของออบเจ็กต์ข้อความ), max_tokens (จำนวนเต็ม, โทเค็นสูงสุดที่จะสร้าง), temperature (ทศนิยม, ค่าเริ่มต้น 1.0, ควบคุมการสุ่ม), top_p (ทศนิยม, ค่าเริ่มต้น 1.0), presence_penalty และ frequency_penalty (ทศนิยม), stop (สตริงหรืออาร์เรย์ของสตริง, สูงสุด 4 ลำดับ), และ stream (บูลีน, สำหรับการตอบกลับแบบสตรีม) สำหรับการป้อนรูปภาพ messages ต้องมีข้อความผู้ใช้อย่างน้อยหนึ่งข้อความที่มี content เป็นอาร์เรย์ของส่วนต่างๆ โดยแต่ละส่วนมีฟิลด์ type ("text" หรือ "image_url") ส่วนที่เป็น image_url ต้องมีออบเจ็กต์ "image_url" ที่มีสตริง "url" (อาจเป็น URL ที่เข้าถึงได้สาธารณะหรือ data URL พร้อม base64) ไม่มีพารามิเตอร์ fine-tuning หรือพารามิเตอร์เฉพาะโมเดลเพิ่มเติมที่เปิดเผย หน้าต่างบริบท (context window) คือ 32,768 โทเค็น ดังนั้นต้องแน่ใจว่า prompt_token_count + image_token_count + max_tokens <= 32768
การย้ายไปยัง OrcaRouter ต้องการการเปลี่ยนแปลงโค้ดเพียงเล็กน้อยหากคุณใช้ API ที่เข้ากันได้กับ OpenAI อยู่แล้ว เพียงเปลี่ยน Base URL จาก endpoint ก่อนหน้าของคุณเป็น https://api.orcarouter.ai/v1 อัปเดตคีย์ API ของคุณเป็นคีย์ OrcaRouter ของคุณ เมื่อเรียกใช้โมเดล ให้ตั้งค่าพารามิเตอร์ model เป็น "google/gemini-2.5-flash-image" (หรือโมเดลที่คุณต้องการ) ปรับรหัสโมเดลที่มีอยู่ให้สอดคล้อง สำหรับอินพุตรูปภาพ ตรวจสอบให้แน่ใจว่ารูปแบบคำขอของคุณสอดคล้องกับรูปแบบของ OpenAI (เช่น การใช้ content array กับ image_url) โดยทั่วไปแล้วไม่จำเป็นต้องเปลี่ยนแปลงโค้ดอื่น หากคุณใช้รูปแบบ API ที่แตกต่าง (เช่น cloud endpoints) คุณอาจต้องเขียนโครงสร้างคำขอใหม่ OrcaRouter มีเอกสารสำหรับ SDK ทั่วไป ทดสอบด้วยคำขอจำนวนน้อยเพื่อตรวจสอบจำนวน token และราคา โปรดทราบว่า OrcaRouter คิดค่าบริการตามอัตราของผู้ให้บริการโดยไม่มีส่วนเพิ่ม ดังนั้นราคาอาจแตกต่างจากผู้ให้บริการก่อนหน้าของคุณ
เมื่อเทียบกับ Gemini 2.5 Flash ที่เป็นข้อความล้วน (ถ้ามีให้ใช้งานบน OrcaRouter) โมเดลนี้เพิ่มความสามารถในการรับอินพุตรูปภาพ แต่มีต้นทุนอินพุตที่สูงกว่า เวอร์ชันข้อความล้วนโดยทั่วไปมีต้นทุนต่อโทเค็นอินพุตที่ต่ำกว่า และมีต้นทุนเอาต์พุตต่ำกว่าอย่างมาก ทำให้เป็นตัวเลือกที่ดีกว่าสำหรับงานที่ใช้ข้อความล้วน เมื่อเทียบกับโมเดล Gemini 2.5 Pro โมเดลระดับ flash นี้มีต้นทุนอินพุตที่ถูกกว่า แต่อาจมีความแม่นยำและความลึกในการให้เหตุผลที่ต่ำกว่า โมเดล Pro มีหน้าต่างบริบทที่ใหญ่กว่า (มักจะ 1 ล้านโทเค็น) และประสิทธิภาพที่ดีกว่าในงานที่ซับซ้อนหลายขั้นตอน ต้นทุนเอาต์พุตสำหรับโมเดล Pro อาจใกล้เคียงหรือสูงกว่า สำหรับงานที่ต้องการความเข้าใจรูปภาพควบคู่ไปกับข้อความ โมเดลนี้เป็นจุดเริ่มต้นที่คุ้มค่า อย่างไรก็ตาม หากคุณจำเป็นต้องประมวลผลวิดีโอ เสียง หรือรูปภาพหลายภาพพร้อมกัน คุณควรพิจารณาโมเดลที่รองรับรูปแบบเหล่านั้น (เช่น Gemini 2.5 Pro ซึ่งรองรับวิดีโอและเสียงในบางการกำหนดค่า)
รุ่นนี้เป็นหนึ่งในตัวเลือกมัลติโมดัลหลายตัวที่มีให้ผ่าน OrcaRouter GPT-4o (OpenAI) มักจะมีหน้าต่างบริบทที่ใหญ่กว่า (128k) และอาจมีความสามารถในการเข้าใจภาพและการให้เหตุผลโดยรวมที่ดีกว่า แต่มีต้นทุนอินพุตและเอาต์พุตที่สูงกว่า โมเดลวิทัศน์ของ Claude (เช่น Claude 3.5 Sonnet) ก็มีการแข่งขันเช่นกัน แต่แตกต่างกันในด้านราคาและความยาวของบริบท ข้อได้เปรียบหลักของ Gemini 2.5 Flash Image คือต้นทุนอินพุตที่ต่ำ ทำให้เหมาะสำหรับงานที่มีปริมาณสูงและเอาต์พุตสั้น อย่างไรก็ตาม สำหรับการให้เหตุผลทางภาพที่ซับซ้อน การถ่ายภาพทางการแพทย์ หรือการวิเคราะห์เอกสารโดยละเอียด โมเดลที่ล้ำหน้ากว่าอาจให้ผลลัพธ์ที่ดีกว่า การเลือกขึ้นอยู่กับการแลกเปลี่ยนระหว่างต้นทุน ความแม่นยำ และความหน่วงเวลาที่เฉพาะเจาะจง OrcaRouter ช่วยให้คุณสลับระหว่างโมเดลต่างๆ ได้ง่ายโดยการเปลี่ยนรหัสโมเดล ดังนั้นจึงเป็นไปได้ที่จะทดสอบรุ่นนี้ควบคู่ไปกับตัวเลือกอื่นๆ เพื่อหาสิ่งที่เหมาะสมที่สุด
โมเดลที่มีราคาแพงกว่า—เช่น Gemini 2.5 Pro, GPT-4o หรือ Claude 3.5 Sonnet—จะมีความเหมาะสมเมื่องานต้องการความแม่นยำสูง บริบทที่ยาวขึ้น หรือการใช้เหตุผลที่ต้องใช้หลายขั้นตอน หากแอปพลิเคชันของคุณให้ผลลัพธ์ที่ไม่ถูกต้องหรือไม่สมบูรณ์กับโมเดลนี้ การประหยัดต้นทุนก็จะสูญเปล่าหากคุณต้องมีการประมวลผลภายหลังหรือการแก้ไขโดยมนุษย์ สำหรับงานเช่นการวิเคราะห์ภาพทางการแพทย์ การตีความเอกสารทางกฎหมาย หรือการจัดการเนื้อหาที่ละเอียดอ่อนเกี่ยวกับการปฏิบัติตามข้อกำหนด ความน่าเชื่อถือของโมเดลระดับพรีเมียมอาจคุ้มค่ากับต้นทุนที่สูงกว่า นอกจากนี้ หากคุณต้องการสร้างเอาต์พุตยาว (เช่น คำอธิบายทั้งหน้า) หรือประมวลผลภาพขนาดใหญ่มาก โมเดลที่มีหน้าต่างบริบทใหญ่กว่าและต้นทุนโทเค็นเอาต์พุตต่ำกว่าอาจคุ้มค่ากว่าโดยรวม ลักษณะระดับแฟลชของโมเดลนี้หมายความว่ามันถูกออกแบบมาเพื่อความเร็วและปริมาณงาน ไม่ใช่เพื่อความลึก ใช้มันเมื่อความเข้าใจโดยประมาณเพียงพอ อัปเกรดเมื่อความแม่นยำมีความสำคัญ
ความเป็นส่วนตัวและการจัดการข้อมูลขึ้นอยู่กับนโยบายของ Google สำหรับโมเดล Gemini เช่นเดียวกับคลาวด์ API ทั่วไป ข้อมูลอินพุต (รูปภาพและข้อความ) จะถูกส่งไปยังเซิร์ฟเวอร์ของ Google เพื่อประมวลผล Google อาจใช้ข้อมูลเพื่อปรับปรุงโมเดล เว้นแต่คุณจะเลือกไม่ใช้หรือใช้บัญชีระดับองค์กรที่ห้ามการใช้งานดังกล่าว ข้อเท็จจริงที่ให้มาไม่ได้ระบุรายละเอียดการจัดการข้อมูลสำหรับโมเดลนี้โดยเฉพาะ เมื่อใช้ OrcaRouter เป็นเกตเวย์ ข้อมูลจะผ่านโครงสร้างพื้นฐานของ OrcaRouter แต่สุดท้ายแล้วจะถูกประมวลผลโดย Google OrcaRouter ไม่ได้เก็บข้อมูลของคุณหรือใช้เพื่อการฝึกอบรม ผู้ใช้ควรตรวจสอบข้อกำหนดการประมวลผลข้อมูลของ Google สำหรับ Gemini API และพิจารณาการเข้ารหัสแบบครบวงจรหากจำเป็น สำหรับข้อมูลที่ละเอียดอ่อน องค์กรบางแห่งต้องการโฮสต์โมเดลบนโครงสร้างพื้นฐานของตนเอง (เช่น ผ่าน Vertex AI พร้อมการจัดเก็บข้อมูลในประเทศ) แทนที่จะใช้เกตเวย์ของบุคคลที่สาม อย่างไรก็ตาม OrcaRouter ให้คีย์ API แบบรวมและการเรียกเก็บเงิน ซึ่งอาจช่วยให้การเข้าถึงง่ายขึ้นหากข้อกังวลด้านการจัดการข้อมูลเป็นที่ยอมรับ
https://api.orcarouter.aimax_tokensresponse_formatseedstopstructured_outputstemperaturetop_p| อินพุต / 1M โทเค็น | $0.300 |
| เอาต์พุต / 1M โทเค็น | $30.00 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/google/gemini-2.5-flash-imageเปิด @misc{orcarouter_gemini_2_5_flash_image,
title = {Nano Banana (Gemini 2.5 Flash Image) API},
author = {Google},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-2.5-flash-image}
}Google. (2025). Nano Banana (Gemini 2.5 Flash Image) API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-2.5-flash-image