Nano Banana 2 Lite 提示詞怎麼寫：又快又銳利

Google 在 2026 年 6 月 30 日發表了 Nano Banana 2 Lite——gemini-3.1-flash-lite-image，Gemini 圖片家族裡最快也最便宜的模型。它生成一張 1K 圖片大約 4 秒、$0.034，比 Nano Banana 2 快大約 2.7 倍，而且在 Arena.ai 的文生圖競技場上仍然排在整體第 5，Elo 接近 1,251。把它的提示詞寫好，重點不在補償一個比較弱的模型，而在弄清楚到底哪幾個旋鈕被轉動了。

在 Lite 這個級距上，變動的不只是速度和價格。解析度掉了、Google 搜尋接地功能消失了，而且——很反直覺地——參考圖的上限反而變高了。要拿到又快又銳利的結果，就要弄懂哪些取捨對你這件工作有影響，以及哪些寫提示詞的習慣可以補償那些有影響的。

Lite 級距實際上改了什麼

有兩個數字值得停下來看。Lite 一張 1K 圖片 $0.034，和 Nano Banana 2 的批次價一樣，比它的標準價便宜一半——而且是即時生成的速度，不是批次的等待。而且雖然它是預算級距，Lite 保住了真正決定一張圖能不能用的那些東西：角色一致性、提示詞遵循度，以及圖片裡讀得懂的文字。Google 自己的定位是在這個速度和價格上「品質不打折」，解析度是唯一真正的天花板。

思考模式在這個級距上也預設開啟，透過 thinking_level 控制：minimal 或 high。比較高的思考等級會在產出最終圖片之前先跑幾次構圖試算——當提示詞裡有好幾個元素必須彼此吻合時，那多出來的零點幾秒很划算。畫面比例的支援和家族其他成員一樣：1:1、3:2、2:3、3:4、4:3、4:5、5:4、9:16、16:9 和 21:9 都有，所以取景屬於提示詞本身，不是事後才想起來的東西。

反直覺的地方：參考圖更多，不是更少

面對一個「lite」模型，直覺會以為每個旋鈕都被往下轉。參考圖打破了這個模式。Nano Banana 2 Lite 每次生成最多吃 14 張參考圖或物件圖——比 Nano Banana 2 的 10 張物件圖加 4 張角色圖還多。

這讓 Lite 在那種圍繞著大量參考素材的工作上，成為一個真正強的選擇：一條有十幾個品項的產品線、一份有很多套裝和道具變體的角色設定表、一組有好幾種標誌組合、而且必須同時出現又保持一致的品牌識別包。你放棄了頂端的解析度，但在那個決定一次多參考生成撐不撐得住的輸入類型上，你拿到了餘裕。如果一件工作需要超過十張參考圖、又不需要 4K 輸出，Lite 是更適合的工具，不是妥協。

一份尊重這個級距的提示詞範本

Google 對 Nano Banana 2 Lite 的建議，和整個 Gemini 圖片家族的反應是一致的：豐富、具體的細節會提高控制力，而範本式的結構表現勝過鬆散的關鍵字清單。五個欄位幾乎涵蓋所有簡報：

[Shot type] of [specific subject with descriptive detail], in [setting],
lit by [lighting direction and quality], shot from [camera angle / lens
characteristic]. [Style descriptor: medium + visual qualities].

送出任何東西之前，先照這份清單走一遍：

• 景別——特寫、四分之三商品照、廣角開場鏡頭。不要讓模型自己猜取景。
• 主體——要具體，不要籠統。"A 34-year-old ceramicist with flour-dusted forearms" 每一次都贏過 "a person"。
• 場景——在哪裡、什麼時候，包含背景裡任何重要的東西。
• 光線——方向、質地和色溫。"Soft window light from the left" 產出的圖，和 "hard overhead fluorescent" 完全不一樣。
• 機位／鏡頭——平視對上低角度、35mm 對上微距。它在構圖上出的力，比多數提示詞給它的份量多得多。
• 風格描述——把媒材（照片、水彩、3D 算圖）和你要的視覺特質（底片顆粒、亮面棚拍質感）點名出來；讓一批變體彼此保持一致的，就是這些描述詞。

這套結構在任何一個 Gemini 圖片級距上都成立——差別只在於，一次生成大約 4 秒的時候，你可以每次只改一個欄位、把範本跑個五六次，然後挑最好的結果，而不必手工微調單一一組提示詞。

五組可以試的提示詞

1. 單張參考圖的商品主圖。 "Three-quarter product shot of a matte-ceramic white sneaker on a slate-gray pedestal, softbox key light from top-left with a subtle rim light from behind, 50mm macro lens, shallow depth of field, editorial product-catalog style, no props." 在 $0.034、一張約 4 秒的條件下，十個角度變體的成本，比在較慢的模型上跑一輪修改還低。

2. 多參考圖的一致性，測 14 張的上限。 "Using the attached reference set, generate a three-quarter studio portrait of the same character in a pose and lighting that match the references. Keep facial features, outfit, and color palette identical to the reference images; change only the background to a warm gradient studio backdrop." 這就是 Lite 多出來的參考圖餘裕為之而生的工作。

3. 專題人像，thinking_level 開 high。 "Candid editorial portrait of an elderly luthier in his workshop, golden-hour light through a dusty window, 85mm lens, shallow depth of field, natural film grain, documentary photography style." 複雜的場景會受益於把 thinking_level 拉到 high——當一份簡報有這麼多部分要調和時，中間那道構圖試算就值回票價。

4. 快速社群變體，thinking_level 開 minimal。 "Flat-lay of a matcha latte and a linen napkin on a marble countertop, soft overhead daylight, top-down angle, minimal aesthetic, muted pastel palette." 大量、低複雜度的內容，用 minimal 思考等級可以維持高吞吐，又不會犧牲構圖。

5. 風格描述的壓力測試。 "Watercolor illustration of a lighthouse on a rocky coast at dusk, visible paper texture, loose wet-on-wet washes, muted indigo and rust palette, hand-lettered caption area left blank." 點名媒材和具體技法——而不是只寫 "watercolor style"——能讓連續跑出來的這一批在視覺上保持一致。

不用重寫提示詞的多輪編輯

Nano Banana 2 Lite 透過 previous_interaction_id 支援逐步打磨——你引用前一次生成，而不用把整個場景再描述一遍。一段典型的對話：

• 第 1 輪： 用完整的提示詞生成基礎圖片。
• 第 2 輪： "Using the previous generation, change the jacket color to burgundy and add rain-soaked reflections on the pavement."
• 第 3 輪： "Zoom to a tighter three-quarter crop and warm the color grade slightly."

每一輪只需要描述那個改動，不用描述整個場景——這把 Lite 的速度變成一條真正的迭代迴圈，而不是三組各自從零開始的提示詞。

保留指示保護你不想被動到的部分

逐步編輯最常見的失敗模式是範圍蔓延：你要求改一個地方，結果改了三個。明確的保留指示可以修好這件事。在任何一輪編輯裡加上一句像 "keep the background unchanged" 或 "keep the subject's pose and expression identical" 的子句，模型就會把它當成硬性限制，而不是建議。

Nano Banana 2 Lite 還落後的地方

有兩個限制值得預先規劃。解析度上限是 1K——只有 0.5K 和 1K 兩種輸出，沒有 2K 或 4K 的路——所以大尺寸印刷或戶外看板的案子，應該交給更高的級距。而且 Lite 不支援 Google 搜尋接地，所以依賴時事或即時資料的提示詞不會被接到任何真實資訊上；那些請丟給別的模型，或是搭配人工查證。

哪些技巧今天在 OmniArt 上有效

Nano Banana 2 Lite（gemini-3.1-flash-lite）和 Nano Banana 2（gemini-3.1-flash）都在 OmniArt 的圖片工作台裡上線了，上面那套提示詞文法在兩邊都成立。

換句話說，兩個模型都用同一套從景別到機位的紀律，然後在快速 1080p 迭代和大量參考素材適合這件工作時，選 Lite。

想看完整的三方規格拆解，請看 Nano Banana 2 Lite、2 和 Pro：該用哪個 Gemini 模型。這波發布在影片端的對應篇，則是 Gemini Omni Flash 的開發者 API：I/O 之後有什麼新東西，談的是 Google 同時推出了什麼。

常見問題

OmniArt 上有 Nano Banana 2 Lite 嗎？

有。Nano Banana 2 Lite 在 OmniArt 上的代號是 gemini-3.1-flash-lite，開放 1080p 輸出，並支援最多 14 張參考圖。thinking_level 這個 API 控制項沒有在 OmniArt 介面上開放。

Nano Banana 2 Lite 和 Nano Banana 2 實際上差在哪？

主要是速度和解析度。Lite 大約 4 秒生成一張，Nano Banana 2 大約要 2.7 倍的時間，而 Lite 一張 1K 圖片 $0.034。代價是 Lite 的解析度上限是 1K——沒有 2K 或 4K——而且不支援 Google 搜尋接地。

為什麼「lite」級距支援的參考圖比旗艦還多？

這是真的取捨，不是疏忽。Lite 每次生成最多吃 14 張參考圖或物件圖，Nano Banana 2 則是 10 張物件加 4 張角色。如果一件工作對大量參考素材的依賴大於對 4K 輸出的依賴，Lite 就是更適合的工具。

Nano Banana 2 Lite 可以輸出 4K 嗎？

不行。Lite 的最高解析度是 1K，只支援 0.5K 和 1K 兩種輸出。要 2K 或 4K，請用 Nano Banana 2 或 Nano Banana 2 Pro。

Nano Banana 2 Lite 支援 Google 搜尋接地嗎？

不支援。Nano Banana 2 有；Lite 沒有。依賴時事或即時資料的提示詞，應該交給支援接地的模型，或是搭配人工查證。

Nano Banana 2 Lite 要怎麼做多輪編輯？

用 previous_interaction_id 引用前一次生成，然後只描述你要的那個改動——換顏色、改裁切、調光線。再搭配一句明確的保留指示（"keep the background unchanged"），阻止模型去動你沒有提到的部分。

在 OmniArt 上開始

打開 Nano Banana 2 Lite，跑一次從景別到機位的範本，等你拿到一張喜歡的主圖之後，用照片變商品影片的流程把它帶進影片工作台。想了解跨模型通用的提示詞結構，請看怎麼寫出更好的提示詞；想看完整的旗艦對決，請看 GPT Image 2 對決 Nano Banana 2。