Gemini AI Photo Prompt Generator: storia dei modelli, multimodalità nativa e un piano di valutazione serio

Storia dei rilasci: da un'anteprima di generazione immagini alla famiglia Nano Banana

Google ha reso disponibile la generazione di immagini nell'API Gemini tramite Gemini 2.0 Flash Preview Image Generation il 7 maggio 2025. L'anteprima di Gemini 2.5 Flash Image è seguita lo stesso giorno, per poi raggiungere la disponibilità generale il 2 ottobre 2025 con il nome Nano Banana. Il modello stabile 2.5 è ora un membro legacy di una famiglia più ampia, con Gemini 3.1 Flash Lite Image posizionato per il throughput, Gemini 3.1 Flash Image per l'equilibrio generale tra capacità, costo e latenza, e Gemini 3 Pro Image per lavori professionali complessi.

Questa storia ha un'importanza operativa concreta. Un prompt ottimizzato per il modello 2.5 non è un benchmark valido nel tempo: gli alias dei modelli, la risoluzione di output, i limiti sulle immagini di riferimento e le date di ritiro cambiano. Registra l'identificatore esatto del modello e la data ogni volta che confronti dei risultati, ed evita di considerare un nome commerciale come una chiave di riproducibilità.

L'idea tecnica: un ciclo nativo multimodale di generazione e modifica

Google descrive Gemini 2.5 Flash Image come nativamente multimodale: testo e immagini vengono elaborati in un unico flusso di lavoro unificato, anziché essere gestiti come una fase isolata di captioning seguita da un modello di immagine separato. La conseguenza pratica è che lo stesso contesto conversazionale può contenere un'istruzione, uno o più riferimenti e una sequenza di modifiche.

Questo non significa che il modello preservi perfettamente ogni pixel o identità. Significa che le immagini in input sono segnali di condizionamento di prima classe. In pratica, i prompt dovrebbero specificare il ruolo di ciascun riferimento: quale immagine fornisce il soggetto, quale fornisce il materiale o la palette, e quali proprietà devono rimanere invariate. I prompt con più immagini ambigui chiedono al modello di risolvere un conflitto progettuale che non hai specificato.

Cosa dice davvero la documentazione pubblica

L'attuale guida alle immagini di Gemini documenta la generazione text-to-image, l'editing testo-e-immagine, la composizione multi-immagine, i rapporti d'aspetto configurabili e risoluzioni di output fino a 4K sui modelli Gemini 3 di livello superiore. Descrive inoltre il search grounding e un processo di ragionamento (thinking) per modelli Gemini 3 immagine selezionati. Si tratta di funzionalità di prodotto, non di una descrizione pubblicata dell'architettura del modello, del corpus di addestramento, del numero di parametri o del design della diffusione/decoder; Google non ha fornito questi dettagli implementativi nella documentazione di prodotto citata.

La stessa documentazione fornisce limiti precisi che dovrebbero orientare i prompt in produzione. Gemini 2.5 Flash Image funziona al meglio con un massimo di tre immagini in input. Gemini 3 Pro Image supporta fino a cinque immagini di riferimento ad alta fedeltà e fino a quattordici input totali, mentre Gemini 3.1 Flash Image documenta limiti separati per la somiglianza dei personaggi e la fedeltà degli oggetti. Ogni immagine generata include un watermark SynthID.

Valutazione: separare l'aderenza alle istruzioni dalla preferenza estetica

La preferenza estetica non basta per valutare un generatore di prompt. Costruisci un set di test fisso composto da brief che isolano abilità diverse: fedeltà a soggetto singolo, testo esatto, modifiche vincolate, accuratezza nel conteggio degli oggetti, composizione multi-riferimento, coerenza dei personaggi e rispetto del rapporto d'aspetto. Per ogni brief, mantieni costanti il modello, le dimensioni, il controllo del seed se disponibile, e gli input di riferimento; varia solo la formulazione del prompt che stai testando.

Valuta ogni output con una rubrica anziché con una singola etichetta vincitore-tutto. Una rubrica utile include copertura dei requisiti, preservazione degli elementi protetti, accuratezza del testo, correttezza spaziale, artefatti indesiderati e qualità visiva finale. Usa un confronto a coppie in cieco condotto da valutatori umani per i giudizi sensibili al gusto personale, poi riporta il numero di prompt, le immagini per prompt, il numero di valutatori e gli intervalli di confidenza. Senza questi dettagli, uno screenshot di una classifica è la prova di un campione di preferenze, non un'affermazione generale di superiorità.

• Copertura delle istruzioni: ogni elemento esplicitamente richiesto è comparso, e ogni elemento esplicitamente vietato è rimasto assente?
• Località della modifica: la modifica richiesta è avvenuta senza derive non correlate nell'identità, nel layout o nello stile?
• Fedeltà al riferimento: l'output ha preservato il ruolo dichiarato di ciascuna immagine in input, anziché limitarsi ad assomigliare a una di esse?
• Costo operativo: misura la latenza, il tasso di fallimento, i tentativi ripetuti e il costo effettivo per asset accettato, non solo il costo per chiamata API.

Come scrivere i prompt in un flusso di lavoro fotografico

Inizia con una specifica della scena: soggetto, ambiente, camera/inquadratura, illuminazione, indizi sui materiali e formato di output previsto. Aggiungi poi vincoli espliciti e un contratto di modifica compatto. Per lavori complessi, usa un primo passaggio breve per stabilire la composizione, poi effettua una singola modifica di follow-up mirata invece di accumulare ogni possibile cambiamento nella richiesta iniziale.

Per un generatore di prompt fotografici, l'output di maggior valore non è un paragrafo massimale. È un prompt che preserva le decisioni verificabili: qual è il soggetto, quali attributi visivi sono non negoziabili, cosa deve rimanere stabile durante una modifica e quale formato è richiesto. Il flusso di lavoro multimodale di Gemini è più efficace quando questa struttura rende inequivocabili i ruoli dei riferimenti.