Gerador de Prompts de Fotos IA do Gemini: Histórico do Modelo, Multimodalidade Nativa e um Plano de Avaliação Sério

Histórico de lançamento: de uma pré-visualização de geração de imagens à família Nano Banana

A Google disponibilizou a geração de imagens na API do Gemini através do Gemini 2.0 Flash Preview Image Generation a 7 de maio de 2025. A pré-visualização do Gemini 2.5 Flash Image seguiu-se no mesmo dia, e atingiu disponibilidade geral a 2 de outubro de 2025 sob o nome Nano Banana. O modelo estável 2.5 é agora um membro legado de uma família mais alargada, com o Gemini 3.1 Flash Lite Image posicionado para débito (throughput), o Gemini 3.1 Flash Image para o equilíbrio geral entre capacidade, custo e latência, e o Gemini 3 Pro Image para trabalho profissional complexo.

Este histórico importa a nível operacional. Um prompt afinado para o modelo 2.5 não é um padrão de referência intemporal: os aliases de modelo, a resolução de saída, os limites de imagens de referência e as datas de descontinuação mudam. Registe o identificador exato do modelo e a data sempre que comparar resultados, e evite tratar um nome de marketing como uma chave de reprodutibilidade.

A ideia técnica: um ciclo nativo e multimodal de geração e edição

A Google descreve o Gemini 2.5 Flash Image como nativamente multimodal: o texto e as imagens são processados num único fluxo de trabalho unificado, em vez de serem tratados como uma etapa isolada de legendagem seguida de um modelo de imagem separado. A consequência prática é que o mesmo contexto conversacional pode conter uma instrução, uma ou mais referências, e uma sequência de edições.

Isso não significa que o modelo preserve cada pixel ou identidade na perfeição. Significa que as imagens de entrada são sinais de condicionamento de primeira classe. Na prática, os prompts devem indicar o papel de cada referência: que imagem fornece o sujeito, qual fornece o material ou a paleta, e quais propriedades devem permanecer inalteradas. Prompts com várias imagens ambíguos pedem ao modelo que resolva um conflito de design que não foi especificado.

O que a documentação pública realmente diz

O guia de imagem atual do Gemini documenta texto-para-imagem, edição de texto e imagem, composição multi-imagem, proporções de imagem configuráveis, e resoluções de saída até 4K nos modelos Gemini 3 de nível superior. Também descreve o fundamento de pesquisa (search grounding) e um processo de raciocínio (thinking) para modelos de imagem Gemini 3 selecionados. Estas são capacidades de produto, não uma descrição publicada da arquitetura do modelo, do corpus de treino, do número de parâmetros, ou do design de difusão/descodificador; a Google não forneceu esses detalhes de implementação na documentação de produto citada.

A mesma documentação apresenta limites rígidos que devem moldar os prompts de produção. O Gemini 2.5 Flash Image funciona melhor com até três imagens de entrada. O Gemini 3 Pro Image suporta até cinco imagens de referência de alta fidelidade e até catorze entradas no total, enquanto o Gemini 3.1 Flash Image documenta limites separados para semelhança de personagem e fidelidade de objeto. Cada imagem gerada inclui uma marca de água SynthID.

Avaliação: separar o seguimento de instruções da preferência de imagem

A preferência estética não é suficiente para avaliar um gerador de prompts. Construa um conjunto fixo de briefings de teste que isolem diferentes capacidades: fidelidade a um único sujeito, texto exato, edições restritas, precisão na contagem de objetos, composição com múltiplas referências, consistência de personagem, e conformidade com a proporção de imagem. Para cada briefing, mantenha constantes o modelo, o tamanho, o controlo de seed se disponível, e as imagens de referência; varie apenas a formulação do prompt que está a testar.

Classifique cada resultado com uma grelha de avaliação em vez de uma única etiqueta do tipo tudo-ou-nada. Uma grelha útil inclui cobertura de requisitos, preservação de elementos protegidos, precisão do texto, correção espacial, artefactos indesejados, e qualidade visual final. Use comparação humana pareada e cega para julgamentos sensíveis ao gosto, e depois reporte o número de prompts, imagens por prompt, número de avaliadores, e intervalos de confiança. Sem esses detalhes, uma captura de ecrã de uma tabela de classificação é evidência de uma amostra de preferência — não uma afirmação geral de superioridade.

• Cobertura de instruções: cada elemento explicitamente obrigatório apareceu, e cada elemento explicitamente proibido permaneceu ausente?
• Localidade da edição: a alteração pedida ocorreu sem desvios não relacionados na identidade, no layout ou no estilo?
• Fidelidade de referência: o resultado preservou o papel declarado de cada imagem de entrada, em vez de apenas se assemelhar a uma delas?
• Custo operacional: meça a latência, a taxa de falhas, as repetições, e o custo efetivo por ativo aceite — não apenas o custo por chamada de API.

Como criar prompts num fluxo de trabalho fotográfico

Comece com uma especificação da cena: sujeito, ambiente, câmara/enquadramento, iluminação, indícios de material, e formato de saída pretendido. Depois acrescente restrições explícitas e um contrato de edição compacto. Para trabalho complexo, use uma primeira passagem curta para estabelecer a composição, e depois faça uma edição de acompanhamento específica, em vez de empilhar todas as alterações possíveis no pedido inicial.

Para um gerador de prompts de fotos, o resultado de maior valor não é um parágrafo maximalista. É um prompt que preserva as decisões testáveis: qual é o sujeito, que atributos visuais são inegociáveis, o que deve permanecer estável ao longo de uma edição, e que formato é exigido. O fluxo de trabalho multimodal do Gemini é mais forte quando essa estrutura torna inequívocos os papéis das referências.