Dans les coulisses de Nanobanana

Le modèle Nanobanana, officiellement propulsé par Gemini 2.5 Flash, marque une avancée importante dans la génération d’images par IA. Lors d’une récente présentation approfondie animée par Logan Kilpatrick, l’équipe de développement a dévoilé les choix techniques qui sous-tendent ce système de nouvelle génération.

Nicole Brichtova, responsable produit, Kaushik Shivakumar et Mostafa Dehghani, responsables de recherche, ainsi que Robert Riachi ont partagé leurs analyses de cette technologie qui transforme la création assistée par IA. Au-delà d’une mise à jour progressive, il s’agit d’une refonte de l’architecture de l’IA multimodale.

Génération d’images native

Au cœur de Nanobanana se trouve la génération d’images native. Contrairement aux méthodes qui traitent chaque image comme une tâche isolée, le modèle génère les images de manière séquentielle et utilise les résultats précédents comme références contextuelles.

Kaushik Shivakumar explique cette approche : « En générant les images de manière séquentielle et en utilisant les résultats précédents comme contexte, le modèle atteint une cohérence et une compréhension contextuelle inédites d’une génération à l’autre. »

Cette évolution de l’architecture permet plusieurs avancées :

Une identité stable pour les personnages

L’un des résultats marquants est la capacité du modèle à représenter un personnage sous différents angles tout en conservant son identité. La version 2.5 va au-delà de la simple préservation et permet un véritable rendu sous plusieurs angles, afin de maintenir la cohérence du personnage dans chaque image.

L’équipe l’a illustré par une transformation inspirée des années 1980. Nicole Brichtova a souligné que le modèle conserve les traits du visage, mais aussi l’atmosphère générale et les nuances stylistiques de toute la séquence.

La génération entrelacée pour les retouches complexes

Mostafa Dehghani a présenté la génération entrelacée, une approche qui permet d’appliquer simultanément plusieurs modifications complexes à partir d’instructions en langage naturel. Le travail ne se limite plus à une succession de retouches isolées : plusieurs dimensions de la création peuvent être traitées ensemble.

« La capacité du modèle à interpréter efficacement des prompts complexes permet de demander de nombreuses modifications en une seule passe fluide », explique Dehghani. Les créateurs peuvent ainsi passer de retouches mineures à une transformation complète de la scène.

Des capacités multimodales avancées

Apprentissage entre modalités

L’équipe a souligné le potentiel de l’apprentissage croisé entre compréhension et génération d’images. Le transfert de compétences dans les deux sens, au sein d’une même architecture, constitue une étape importante dans la conception des systèmes d’IA.

Robert Riachi a évoqué la complexité de l’entraînement multimodal. L’objectif est de réunir compréhension et génération natives dans un seul modèle, afin d’améliorer les performances sur des tâches créatives variées.

Une évaluation centrée sur l’humain

Pour améliorer continuellement la qualité visuelle, l’équipe associe des mesures automatisées à des évaluations humaines pendant l’entraînement. Ces dernières demandent des ressources importantes, mais restent essentielles pour concevoir des systèmes qui comprennent les attentes des utilisateurs et puissent les dépasser.

Logan Kilpatrick a soulevé la question de la mesure des préférences humaines. La discussion a porté sur la manière d’apprendre au modèle à interpréter intelligemment les prompts et à aller au-delà d’une exécution littérale des instructions.

Évolution technique : de la version 2.0 à la version 2.5

Résoudre le problème de la superposition

Les premières versions produisaient parfois des images dans lesquelles les nouveaux éléments semblaient « collés » sur la scène. La version 2.5 vise des transformations plus homogènes : les objets s’intègrent naturellement à l’image tout en conservant leur forme d’origine.

La version 2.0 préservait déjà efficacement l’identité des personnages lors des retouches. La version 2.5 étend cette capacité au rendu sous plusieurs angles, sans dérive d’identité : un défi technique rendu possible par des améliorations fondamentales de l’architecture.

Une interprétation créative intelligente

Le modèle peut enrichir les instructions initiales de l’utilisateur de manière intuitive. Cette « intuition créative » n’est pas programmée explicitement : elle émerge de sa compréhension approfondie du contexte visuel.

Nicole Brichtova rappelle que l’utilisateur reste aux commandes. En affinant progressivement ses prompts, il peut orienter la direction artistique tout en bénéficiant de la puissance de calcul du modèle.

Effets sur le secteur et perspectives

Des processus créatifs professionnels

Des affiches publicitaires aux visuels pour les réseaux sociaux, l’équipe a montré comment le modèle traite des textes complexes tout en préservant la qualité visuelle. Ces applications concrètes illustrent le potentiel de Nanobanana pour la production professionnelle.

Le rendu du texte reste un axe de développement majeur. Des améliorations continues visent à répondre aux exigences des usages commerciaux et professionnels.

Gemini et Imagen : des rôles complémentaires

L’équipe a précisé la complémentarité des systèmes d’IA de Google :

• Imagen : optimisé pour les développeurs qui recherchent des modèles spécialisés dans des tâches précises.
• Gemini : conçu comme un partenaire créatif multimodal polyvalent, capable de traiter des instructions variées.

Cette distinction permet de choisir l’outil adapté à ses besoins techniques et créatifs.

L’avenir de la collaboration

L’enthousiasme de l’équipe pour ses recherches laisse entrevoir de nouvelles avancées rapides. L’accent mis sur la fidélité visuelle et l’interaction intuitive ouvre la voie à une IA qui agit comme un partenaire créatif compétent.

Nanobanana constitue une étape technique importante et un aperçu de l’avenir de la collaboration entre humains et IA. En associant compréhension avancée et génération native, il ouvre de nouvelles possibilités créatives.

À mesure que l’équipe repousse les limites du système, notre manière d’aborder la génération d’images, la retouche et la narration visuelle évolue en profondeur.