鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

Nano Banana平替悄悄火了!马斯克、Meta争相合作

编程导航
编程导航
2025-12-15 19:13
阅读 1
编程导航
2025-12-15 19:13
阅读 1

智东西(公众号:zhidxcom)
作者 | 王涵
编辑 | 云鹏

一家低调的德国AI初创公司,凭什么被誉为“AI生图界的DeepSeek”?

智东西12月15日报道,在Artificial Analysis的文生图榜单最新排名中,德国人工智能实验室Black Forest Labs的FLUX.2[pro]排名第二,仅次于谷歌的Nano Banana Pro。轻量版FLUX.2[flex]则排名第四,在字节跳动Seedream 4.5之前。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲Artificial Analysis榜单(图源:Artificial Analysis)

在LMarena的文生图榜单中,FLUX.2[flex]与Gemini 2.5 Flash Image的分数打成平手,位列第四名。FLUX.2[pro]和FLUX.2[dev]均挤进了前十,分别排在第6、7名。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲LMarena榜单(图源:LMarena)

不仅基准测试成绩好,FLUX.2还是开源的,其在Hugging Face上的下载量已经达到了225346次,在图生图模型排名中仅次于千问,位列第二。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲FLUX.2的Hugging Face排名(来源:Hugging Face)

与OpenAI等乐于置身聚光灯下的同行不同,Black Forest的联合创始人兼首席执行官Robin Rombach在接受英国《金融时报》采访时曾坦言,他更倾向于“让产品自己说话”。而其产品FLUX系列AI图像模型的表现确实不负众望:

Black Forest Labs上个月发布的FLUX.2在对比实测中和谷歌Nano Banana几乎打成平手,来看看这几张对比图,你能分清这些图片哪些是Nano Banana生成的,哪些是FLUX.2生成的吗?

提示词:办公楼楼梯间的监控画面:成堆的椅子被不可能地垒到数层楼高,有个人正从楼梯上经过这些椅子旁,场景中带有应急照明、鱼眼镜头畸变,以及明显违背建筑结构逻辑的异常感。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

提示词:2000年代CCD相机风格的照片,画面内容是两只树懒在酒馆喝酒。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

提示词:同时保持参考图各自独特的风格,男性和女性正并肩摆姿势拍照,背景墙的颜色与图像1中的背景相同,但风格和质感则与图像2保持一致。她身着既酷炫又华丽的服饰,服装颜色为亮蓝色。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲FLUX.2生成的图片从上到下分别是:左左右

这家2024年8月才成立的公司,迄今已累计融资超4.5亿美元(约合人民币31.8亿元)。12月1日,Black Forest Labs宣布已完成B轮融资,筹得3亿美元(约合人民币21.2亿元),公司估值已达32.5亿美元(约合人民币229.6亿元),估值在短短一年多时间里翻了整整三倍。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲Black Forest Labs融资公告(来源:Black Forest Labs官网)

成立之初,马斯克xAI的Grok就与其合作推出AI图像功能。今年9月,彭博社报道称Black Forest Labs已与Meta达成一份1.4亿美元(约合人民币9.9亿元)的交易,并与Adobe和Canva建立了合作伙伴关系。

从开源模型社区爆火,到拿下硅谷巨头近十亿订单,这家来自德国小镇的AI公司似乎每一步都踩在了风口上。

这一切的技术根基从何而来?为何马斯克和Meta都愿意为其技术买单?在估值一年翻三倍的背后,又是怎样的团队与战略在支撑这家“欧洲版DeepSeek”的崛起呢?

一、“Stable Diffusion之父”,开启了生成式AI的大门

Black Forest Labs的联合创始人兼首席执行官Robin Rombach,于2013年至2020年在海德堡大学学习物理学,之后在海德堡大学计算机视觉小组攻读计算机科学博士学位。2021年,其携研究团队迁至慕尼黑大学。他的研究主要集中在生成式深度学习模型,特别是文本到图像系统。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲Black Forest Labs的联合创始人兼首席执行官Robin Rombach(来源:Latent Labs)

Rombach在攻读博士学位期间遇到了后来成为其联合创始人的团队,他们共同发表了一系列专注于“latent diffusion”这一AI技术的研究论文,其论文《High-resolution image synthesis with latent diffusion models》距今已被引用了27039次。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲Robin Rombach谷歌学术主页(来源:谷歌学术)

Rombach称,这项技术是“该领域正在构建的许多生成式AI技术的基础”。他还透露:“我们当时在消费级硬件上的超小型GPU上运行,”他说,“为了从中获得真正出色的性能,我们必须想出一种更高效的算法。”

在学术界和研究社区的早期认可促使Rombach将该技术扩展用于商业用途。2022年,Rombach及其AI研究团队共同加入了总部位于伦敦的AI初创公司Stability AI

在这期间,他们与Stability AI合作,扩展了latent diffusion方法,最终创建了Stable Diffusion模型。

“2022年夏天,当互联网因超逼真图像生成而爆炸时,这在很大程度上是他们工作的成果。”投资公司Air Street Capital的Nathan Benaich说。

但在Stability AI陷入困境后,Rombach及其团队于2024年离职,创立了Black Forest Labs。该公司很快从包括a16z和General Catalyst在内的投资者那里筹集了启动资金。

“地球上只有极少数人知道如何推进通用AI模型的前沿。Robin及其团队作为潜在扩散的发明者,拥有这种优势。”a16z的风险合伙人Anjney Midha如此评价道。

二、马斯克、Meta、英伟达三巨头背书,Black Forest Labs年收入近亿,一年估值翻三倍

Black Forest Labs专注于开发用于生成和编辑图像的基础AI模型,自成立以来,其已经赢得了众多巨头企业的关注与合作。

其中,科技巨头Meta的合作尤为引人瞩目。据彭博社报道,今年9月,Meta已与Black Forest Labs签署了一份价值1.4亿美元(约合人民币9.9亿元)的多年度合同,将引入其AI图像技术。

具体来看,据知情人士透露,Meta将在合作第一年向这家德国初创公司支付3500万美元(约合人民币2.5亿元),第二年支付金额则提升至1.05亿美元(约合人民币7.4亿元)。

事实上,Meta并非首个青睐Black Forest Labs的行业巨头。早在去年,马斯克旗下xAI的聊天机器人Grok就曾依赖该公司技术,推出了AI图像生成功能,而Black Forest Labs也正是凭借这一合作案例,成功打开市场知名度,从此名声大噪。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲Black Forest Labs与xAI合作(来源:X)

随着市场认可度的不断提升,Black Forest Labs的合作版图持续扩大。知情人士称,该公司已陆续与Adobe、Canva 和Snap等行业知名企业签署合作协议,若将与Meta的协议计入在内,这些合作的总合同价值已达到约3亿美元。

业务的快速扩张也直接体现在营收数据上:截至今年8月,该初创公司的年度经常性收入已达到9630万美元(约合人民币6.8亿元),且据该人士进一步透露,Black Forest Labs预计其年度经常性收入将在2026财年攀升至3亿美元(约合人民币21.2亿元)。

在业务合作与营收增长的同时,Black Forest Labs在核心技术研发上也未曾停歇。

随着Black Forest Labs一起亮相的FLUX.1系列模型,模型生成效果非常惊艳,很快在网络上走红,连AI大神卡帕西也曾倾情推荐。

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲Andrej Karpathy推文(来源:X)

今年5月,其发布了FLUX.1 Kontext,首次引入文本与图像双输入机制,支持上下文感知的生成与编辑。
该模型采用流匹配技术(Flow Matching),改变了传统扩散模型架构。

11月,Black Forest Labs正式发布了最新版图像生成模型FLUX.2,相较于前代产品,该模型优化了其在文本和图像渲染方面的表现,并且创新性地支持以多达10张图像作为参考,此外,其最高还可生成4K分辨率的高清图像。(FLUX.2开源!AI生图“DeepSeek”能否平替谷歌Nano Banana?附一手实测)

Nano Banana平替悄悄火了!马斯克、Meta争相合作

▲FLUX.2(来源:Black Forest Labs)

技术实力与市场表现的双重突破,也为公司赢得了资本市场的青睐。Black Forest Labs在12月1日宣布,已成功完成B轮融资,筹集了3亿美元(约合人民币21.2亿元),公司估值已攀升至32.5亿美元(约合人民币229.6亿元)。

从投资方阵容来看,本轮融资的关注度颇高。融资由Salesforce Ventures和Anjney Midha(AMP)联合领投,参与投资的机构则涵盖了a16z、英伟达、Northzone、Creandum、Earlybird VC、BroadLight Capital、General Catalyst、淡马锡、贝恩资本风险投资公司、Air Street Capital、Visionaries Club等知名投资机构,同时Canva以及Figma Ventures等合作企业也参与其中。

三、远离硅谷喧嚣,Black Forest Labs想要“攻下”好莱坞

值得一提的是,Black Forest Labs在欧洲AI领域也占据着独特地位,作为少数几家自主开发基础AI模型的欧洲公司,它与巴黎的AI创企Mistral齐名。

Rombach认为,将总部设在远离旧金山“超级炒作”氛围的弗赖堡,是“我们迄今为止做得最好的决定”,这一选择有效帮助团队保持了“极度专注”的研发状态。

这种远离喧嚣的“接地气”特质,进一步塑造了公司独特的凝聚力文化。General Catalyst的Jeannette zu Fürstenberg就评价道:“这是一个非常独特的群体。最好的公司会变成一个近乎狂热的紧密团体。”在这种文化加持下,公司规模已从最初的10人稳步扩展到50名全职员工,其位于旧金山的办事处也在持续扩大。

外媒认为,Black Forest Labs有三大核心战略支撑其快速发展:

1、通过开源部分FLUX模型赢得开发者社区认可,且其使用成本显著低于竞争对手;

2、将新融资重点投入计算基础设施升级与商业团队扩充;

3、直面Google和ByteDance等行业巨头的竞争,立志在从广告到好莱坞的颠覆性市场中分得一杯羹。

不过,高速发展背后也潜藏着挑战。一位曾与其合作的业内人士警示称,虽然小规模团队为公司带来了敏捷响应的优势,但在生成式AI这场长期竞争中,小型实验室可能难以持续维持技术领先地位。

针对这一潜在风险,Black Forest选择积极在创意产业中建立信任。在早期投资者、Creative Artists Agency联合创始人Michael Ovitz的帮助下,公司正努力在仍对AI持谨慎态度的好莱坞开拓人脉。

Rombach也曾明确地传递出公司的价值导向:“我们非常严肃地对待知识产权。我们的目标是增强创作者的能力,帮助他们创造新颖的东西,而不是取代现有的东西。”

结语:Black Forest Labs给欧洲AI添上新注脚

Black Forest Labs的发展路径清晰而务实:创始团队基于顶尖的学术成果完成从实验室到商业化的转身,再通过开源具有竞争力的基础模型,快速建立开发者生态与市场口碑。最终,凭借领先的技术性能和商业友好策略,Black Forest Labs成功获得了包括Meta、xAI在内的行业巨头订单。

Black Forest Labs的崛起,为欧洲AI的叙事增添了关键一笔。它证明,远离硅谷的喧嚣,依托顶尖学术基因与对产品的细致打磨,同样能在巨头的游戏中占得一席之地。

来源:英国《金融时报》、彭博社、Black Forest Labs、X

原文链接: Nano Banana平替悄悄火了!马斯克、Meta争相合作
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230