Gemini AI Photo Prompt Generator: Modellgeschichte, native Multimodalität und ein ernsthafter Evaluationsplan

Veröffentlichungsgeschichte: von einer Bildgenerierungs-Vorschau zur Nano-Banana-Familie

Google stellte die Bildgenerierung in der Gemini API am 7. Mai 2025 über Gemini 2.0 Flash Preview Image Generation bereit. Die Vorschau von Gemini 2.5 Flash Image folgte am selben Tag und erreichte am 2. Oktober 2025 unter dem Namen Nano Banana allgemeine Verfügbarkeit. Das stabile 2.5-Modell ist inzwischen ein Legacy-Mitglied einer breiteren Familie: Gemini 3.1 Flash Lite Image ist auf Durchsatz ausgelegt, Gemini 3.1 Flash Image bietet die allgemeine Balance aus Fähigkeit, Kosten und Latenz, und Gemini 3 Pro Image ist für komplexe professionelle Arbeiten gedacht.

Diese Geschichte ist praktisch relevant. Ein Prompt, der für das 2.5-Modell optimiert wurde, ist kein zeitloser Maßstab: Modell-Aliase, Ausgabeauflösung, Grenzen für Referenzbilder und Abschaltdaten ändern sich. Notieren Sie die exakte Modellbezeichnung und das Datum, wann immer Sie Ergebnisse vergleichen, und vermeiden Sie es, einen Marketingnamen als Schlüssel zur Reproduzierbarkeit zu behandeln.

Die technische Idee: eine native multimodale Generierungs- und Bearbeitungsschleife

Google beschreibt Gemini 2.5 Flash Image als nativ multimodal: Text und Bilder werden in einem einheitlichen Workflow verarbeitet, statt als isolierte Beschriftungsstufe gefolgt von einem separaten Bildmodell behandelt zu werden. Die praktische Folge ist, dass derselbe Gesprächskontext eine Anweisung, eine oder mehrere Referenzen und eine Abfolge von Bearbeitungen enthalten kann.

Das bedeutet nicht, dass das Modell jedes Pixel oder jede Identität perfekt bewahrt. Es bedeutet, dass Bildeingaben vollwertige Konditionierungssignale sind. In der Praxis sollten Prompts die Rolle jeder Referenz benennen: welches Bild das Motiv liefert, welches das Material oder die Palette liefert, und welche Eigenschaften unverändert bleiben müssen. Mehrdeutige Multi-Bild-Prompts verlangen vom Modell, einen Gestaltungskonflikt zu lösen, den Sie nicht spezifiziert haben.

Was die öffentliche Dokumentation tatsächlich sagt

Der aktuelle Gemini-Bildleitfaden dokumentiert Text-zu-Bild, Text-und-Bild-Bearbeitung, Multi-Bild-Komposition, konfigurierbare Seitenverhältnisse und Ausgabeauflösungen bis zu 4K bei den höherwertigen Gemini-3-Modellen. Er beschreibt außerdem Search Grounding und einen Denkprozess für ausgewählte Gemini-3-Bildmodelle. Das sind Produktfähigkeiten, keine veröffentlichte Darstellung der Modellarchitektur, des Trainingskorpus, der Parameterzahl oder des Diffusions-/Decoder-Designs; Google hat diese Implementierungsdetails in der zitierten Produktdokumentation nicht bereitgestellt.

Dieselbe Dokumentation nennt harte Grenzwerte, die Produktions-Prompts prägen sollten. Gemini 2.5 Flash Image funktioniert am besten mit bis zu drei Eingabebildern. Gemini 3 Pro Image unterstützt bis zu fünf hochtreue Referenzbilder und bis zu vierzehn Eingaben insgesamt, während Gemini 3.1 Flash Image separate Grenzwerte für Charakterähnlichkeit und Objekttreue dokumentiert. Jedes generierte Bild enthält ein SynthID-Wasserzeichen.

Evaluation: Instruktionsbefolgung von Bildpräferenz trennen

Ästhetische Präferenz reicht nicht aus, um einen Prompt-Generator zu evaluieren. Erstellen Sie ein festes Testset an Briefings, die unterschiedliche Fähigkeiten isolieren: Treue bei einem einzelnen Motiv, exakter Text, eingeschränkte Bearbeitungen, Genauigkeit der Objektanzahl, Multi-Referenz-Komposition, Charakterkonsistenz und Einhaltung des Seitenverhältnisses. Halten Sie für jedes Briefing Modell, Größe, Seed-Kontrolle (falls verfügbar) und Referenzeingaben konstant; variieren Sie nur die zu testende Prompt-Formulierung.

Bewerten Sie jede Ausgabe anhand einer Rubrik statt eines einzelnen Alles-oder-nichts-Urteils. Eine brauchbare Rubrik umfasst Anforderungsabdeckung, Erhalt geschützter Elemente, Textgenauigkeit, räumliche Korrektheit, unerwünschte Artefakte und die finale visuelle Qualität. Verwenden Sie verblindete paarweise Vergleiche durch Menschen für geschmacksabhängige Urteile und berichten Sie dann die Anzahl der Prompts, Bilder pro Prompt, die Anzahl der Bewertenden und Konfidenzintervalle. Ohne diese Angaben ist ein Leaderboard-Screenshot ein Beleg für eine Präferenzstichprobe – kein allgemeiner Überlegenheitsanspruch.

• Instruktionsabdeckung: Ist jedes explizit geforderte Element erschienen, und ist jedes explizit verbotene Element ausgeblieben?
• Lokalität der Bearbeitung: Ist die gewünschte Änderung eingetreten, ohne dass es zu unzusammenhängender Abweichung bei Identität, Layout oder Stil kam?
• Referenztreue: Hat die Ausgabe die deklarierte Rolle jedes Eingabebilds bewahrt, statt nur einem davon zu ähneln?
• Betriebskosten: Messen Sie Latenz, Fehlerrate, Wiederholungsversuche und effektive Kosten pro akzeptiertem Asset – nicht nur Kosten pro API-Aufruf.

Wie man in einem Foto-Workflow prompted

Beginnen Sie mit einer Szenenspezifikation: Motiv, Umgebung, Kamera/Bildausschnitt, Beleuchtung, Materialhinweise und gewünschtes Ausgabeformat. Fügen Sie dann explizite Einschränkungen und einen kompakten Bearbeitungsvertrag hinzu. Verwenden Sie bei komplexen Arbeiten zunächst einen kurzen ersten Durchgang, um die Komposition festzulegen, und nehmen Sie dann eine gezielte Folgebearbeitung vor, statt alle möglichen Änderungen in die erste Anfrage zu packen.

Bei einem Foto-Prompt-Generator ist die wertvollste Ausgabe nicht ein maximaler Absatz. Es ist ein Prompt, der die testbaren Entscheidungen bewahrt: Was ist das Motiv, welche visuellen Attribute sind nicht verhandelbar, was soll über eine Bearbeitung hinweg stabil bleiben, und welches Format wird benötigt? Geminis multimodaler Workflow ist am stärksten, wenn diese Struktur die Referenzrollen eindeutig macht.