Gemini Nano Banana 2 у high-volume Bubble: третій провайдер поруч із GPT Image 2.5 у BIAIG

Навіщо третій стовп

У high-volume пайплайнах Bubble зазвичай вже є два провайдерні «реки»: OpenAI GPT Image 2.5 (Image API, кілька картинок через n, розміри в пікселях) і fal-Meta (meta/muse-image/*, черга, CDN-URL, aspect_ratio, num_images). Digest згадує Gemini Nano Banana 2 як окремий bulk-шлях — не Workspace-панель у Slides, а API + Batch. Поруч із цим: Imagen 3 GA знято: міграція. Поруч із цим: Imagen 3 GA знято: міграція.

Google документує Nano Banana 2 як Gemini 3.1 Flash Image (gemini-3.1-flash-image): швидкість і high-volume use cases, окремо від Nano Banana (gemini-2.5-flash-image) і Nano Banana Pro (gemini-3-pro-image). Нативний вхід — Gemini API generateContent з image modalities; на картці моделі є Batch API, Live API — ні.

BIAIG (multi-provider оркестратор) у публічних джерелах Google/Bubble/fal не знайдений — далі це редакційна схема: один внутрішній job → маршрутизація на GPT / fal-Meta / Gemini (напряму або через fal-ai/nano-banana-2). Про це окремо: Meta @-reference removal: міграція ref-пайплайнів. Про це окремо: 29.10.2026: вимкнення Nano Banana 2.

Два способи підключити той самий сімейство моделей

1. Direct Google — generativelanguage.googleapis.com (або Vertex за вашою політикою): batch jobs, inline/base64, Files API.
2. fal — fal-ai/nano-banana-2 (+ /edit): та сама лінійка, але fal-normalized схема (prompt, resolution, aspect_ratio, num_images 1–4, image_urls на edit, опційний web search/thinking).

Вибір — не «яка модель краща», а latency vs throughput, billing, compliance і хто тримає refs (URL vs files).

Де Nano Banana 2 логічно в матриці провайдерів

Критерій	GPT Image 2.5	fal-Meta	Nano Banana 2 (Google / fal)
Позиціонування	gpt-image-2.5-flare (швидкість) / sunburst (якість)	Muse text-to-image + edit	High-volume, широкі ratios, до 14 input images (native spec)
Multi-image за один виклик	n	num_images	fal: 1–4; native sync — окремо від Batch job
Bulk / високий throughput	обмеження sync API	queue/subscribe	Batch API (async, до ~24h turnaround; JSONL через File API або inline <~20MB)
Batch resolution	—	—	Cloud batch inference: лише 1K для image output (2K/4K у batch — ні)
Refs на edit	URL / base64 / file IDs	image_urls (1–10 на edit)	native: inline_data/Files (URL на native generateContent — не приймаються за дзеркалами поведінки API); fal edit: image_urls

Практичне правило для оркестратора: real-time прев’ю та малі серії — sync шлях (GPT, fal, Gemini generateContent); ночі/каталоги/тисячі варіантів — Gemini Batch (або fal queue, якщо SLA коротший, але caps інші).

Контракти, які треба нормалізувати в одному оркестраторі

1. References

• Internal: ref[] з типом blob | file_id | https_url + checksum.
• Google native: завантаження через Files API або inline_data; перед викликом — adapter «URL → download → file/part» (не passthrough URL).
• OpenAI / fal-Meta / fal Nano Banana: URL часто OK — але Bubble storage все одно має persist результат (hosted URL на fal можуть expiring).

2. Aspect / size

• Google: imageConfig.aspectRatio (у 3.1 Flash — ширший набір, включно 1:4, 4:1, 1:8, 8:1) + imageSize (512 / 1K / 2K / 4K; default 1K).
• OpenAI: pixel size + quality, не enum ratio.
• fal: aspect_ratio enum + resolution tier.

Один internal enum (напр. RATIO_16_9 @ RES_1K) → три mapper-и; для batch-Gemini примусово RES_1K на Vertex batch inference, навіть якщо sync дозволяє 2K/4K.

3. Batch semantics

• Google Batch API — окремий lifecycle (job, polling, output file); таргетовано під «Gemini Nano Banana» high-volume image; tradeoff: вищі limits/throughput vs до ~24h.
• OpenAI — multi-image в одному sync запиті, не той самий контракт, що JSONL batch.
• fal Nano Banana 2 — num_images ≤ 4 на запит, не заміна megabatch без orchestrator-side fan-out.

Оркестратор має розділяти JobType: SYNC | QUEUED | BATCH_24H і не змішувати polling Batch з webhook fal в одному UI step без явної моделі стану.

4. Output handling

• Google native — часто base64 inline parts.
• fal — HTTPS URL на CDN.
• OpenAI — формати з Image API guide.

Bubble-side: один крок «ingest → S3/Bubble file → DB record» для всіх провайдерів; metadata (model id, aspect, batch job id) — в одній таблиці assets.

Workspace vs API (кут з digest)

Інтерактивні Gemini/Imagen у Workspace не документовані як еквivalent bulk API. Google веде Imagen-користувачів до Nano Banana + generateContent. Для Bubble high-volume орієнтуйтесь на API (+ Batch), а не на «генерувати в Slides і експортувати».

Checklist перед продакшен-маршрутом

• Підтвердити канонічний model ID (gemini-3.1-flash-image vs preview-рядки в прикладах Batch docs).
• Чи eligible ваші Bubble jobs для 24h Batch SLA, чи потрібен лише sync/fal queue.
• Pricing: token-based billing Google vs fal markup — рахуйте окремо; grounding/search — опційний flag у cost model.
• Compliance: fal як додатковий vendor vs direct Google — нейтрально, поки немає internal policy.
• Не обіцяти 2K/4K у Vertex batch image — лише 1K за офіційним batch inference.

Висновок

Nano Banana 2 заповнює прогалину Google-native bulk + широкі ratios + багато input images, тоді як GPT Image 2.5 залишається зручним sync-стовпом, а fal-Meta — єдиною fal-схемою для Meta edit. Третій стовп у BIAIG має сенс, якщо оркестратор явно нормалізує refs, aspect/size (з batch 1K cap), batch lifecycle і persist outputs — не як «ще один plugin», а як маршрут за JobType і SLA.

---

Джерела: Gemini API Image generation, model card 3.1 Flash Image, Batch API, Vertex batch inference capabilities, OpenAI Image generation guides, fal Nano Banana 2 та Meta Muse Image API (див. Scout packet).