¿Es Nano Banana Pro un todoterreno de visión de bajo nivel? Una evaluación exhaustiva en 14 tareas y 40 conjuntos de datos
Is Nano Banana Pro a Low-Level Vision All-Rounder? A Comprehensive Evaluation on 14 Tasks and 40 Datasets
December 17, 2025
Autores: Jialong Zuo, Haoyou Deng, Hanyu Zhou, Jiaxin Zhu, Yicheng Zhang, Yiwei Zhang, Yongxin Yan, Kaixing Huang, Weisen Chen, Yongtai Deng, Rui Jin, Nong Sang, Changxin Gao
cs.AI
Resumen
La rápida evolución de los modelos de generación de texto a imagen ha revolucionado la creación de contenido visual. Si bien productos comerciales como Nano Banana Pro han captado una atención significativa, su potencial como solucionadores generalistas para desafíos tradicionales de visión de bajo nivel sigue estando en gran parte sin explorar. En este estudio, investigamos la cuestión crítica: ¿Es Nano Banana Pro un todoterreno para la visión de bajo nivel? Realizamos una evaluación integral de cero disparos en 14 tareas distintas de bajo nivel que abarcan 40 conjuntos de datos diversos. Mediante el uso de indicaciones textuales simples sin ajuste fino, comparamos a Nano Banana Pro con modelos especialistas de última generación. Nuestro extenso análisis revela una dicotomía de rendimiento distintiva: si bien Nano Banana Pro demuestra una calidad visual subjetiva superior, a menudo alucinando detalles plausibles de alta frecuencia que superan a los modelos especialistas, se queda atrás en las métricas cuantitativas tradicionales basadas en referencia. Atribuimos esta discrepancia a la estocasticidad inherente de los modelos generativos, que luchan por mantener la estricta consistencia a nivel de píxel requerida por las métricas convencionales. Este informe identifica a Nano Banana Pro como un competidor capaz de cero disparos para tareas de visión de bajo nivel, al mismo tiempo que destaca que lograr la alta fidelidad de los especialistas de dominio sigue siendo un obstáculo significativo.
English
The rapid evolution of text-to-image generation models has revolutionized visual content creation. While commercial products like Nano Banana Pro have garnered significant attention, their potential as generalist solvers for traditional low-level vision challenges remains largely underexplored. In this study, we investigate the critical question: Is Nano Banana Pro a Low-Level Vision All-Rounder? We conducted a comprehensive zero-shot evaluation across 14 distinct low-level tasks spanning 40 diverse datasets. By utilizing simple textual prompts without fine-tuning, we benchmarked Nano Banana Pro against state-of-the-art specialist models. Our extensive analysis reveals a distinct performance dichotomy: while Nano Banana Pro demonstrates superior subjective visual quality, often hallucinating plausible high-frequency details that surpass specialist models, it lags behind in traditional reference-based quantitative metrics. We attribute this discrepancy to the inherent stochasticity of generative models, which struggle to maintain the strict pixel-level consistency required by conventional metrics. This report identifies Nano Banana Pro as a capable zero-shot contender for low-level vision tasks, while highlighting that achieving the high fidelity of domain specialists remains a significant hurdle.