# 谷歌和何恺明团队搞了个 Vision Banana，想把所有视觉任务统一成“生成像素”这一种操作

> 原标题：谷歌这把「香蕉」太狠了！何恺明等引爆视觉Transformer时刻

- 来源：新智元 · 公众号
- 发布时间：2026-04-24T06:31:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/9683
- 原文：https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652694878&idx=2&sn=3007381ed6db675afbc20e3d41211733

## 摘要

Vision Banana 是谷歌 DeepMind 跟何恺明他们一起做的视觉模型，核心思路是用一套“像素生成”的界面去覆盖检测、分割、生成和编辑这些活，不再每种任务单独搞一个模型。

## 推荐理由

谷歌 DeepMind 与何恺明团队提出 Vision Banana，用像素生成这一种输出统一检测、分割、生成和编辑，不再为每个任务单独挂模型头。

## 锐评

把检测、分割、生成、编辑全塞进一个像素输出接口，这个方向我认。多任务头那套东西维护起来就是灾难，每加一个任务就要重训一遍，接口统一以后 prompt 和输出格式都能复用，工程上省的事比 benchmark 上那几分重要得多。

GenAI-Bench 上对 Nano Banana Pro 人类评估胜率 53.5%，ImgEdit 上 47.8%，基本就是五五开，没拉开差距。训练配方只提了混入少量可逆格式数据，具体怎么混的没说。方向对，但现在还只是个方向。
