Nano Banana 2.1 冲 4K 直出并降价，Jev 估值 75 亿美元，灵巧手补齐触觉闭环

这一轮 AI 竞赛的评判标准正在换轨：不再只看模型能不能写出漂亮的文字或生成惊艳的图片，而是看它能不能被塞进生产线、被软件稳定调用、被机器人真正握在手里。从生图成本下探，到决策模型成为资本新宠，再到灵巧手把触觉写进控制回路，三条看似无关的进展指向同一件事——可交付。^[1][2][3]

生图模型的新标尺：4K 直出与半价

谷歌在凌晨发布了新一代生图模型 Nano Banana 2.1，升级方向集中在视觉设计、蒙版编辑、主体一致性和画面的真实自然感，主打 4K 直出摄影级图像，以及自由修图、一键替换背景这类高频改图需求 ^[1]。据美国评测平台 Arena 的数据，相比上一代 Nano Banana 2，新模型在文本转图像、多图像编辑和单张图像编辑三项功能上平均提升约 61.7 分，其中文本转图像排名第四、比上一代高出 80 分，仅次于 GPT ^[1]。价格是另一个变量：1K、2K 图片的生成价格直接砍半，4K 也便宜了约 25% ^[1]。证据中给出的实测案例同样指向“可用”：网友 Christopher Fryant 用 4K 原图直出展示了瞳孔颜色与弧度的自然渐变、睫毛尾尖的卷翘，以及皮肤纹路与皱眉时“川”字的细节；网友@�归藏的中文宣传海报测试则显示中文渲染画面干净、排版美观，并可一键生成 4K 图片 ^[1]。

速度占优，但水印 Bug 与画质仍是短板

能力提升并不等于没有短板。网友 Zane 把 ChatGPT Images 2.5 与 Nano Banana 2.1 生成火车站台上的同一场景做了对比，结论是新模型生成速度确实更快，但画面质感和整体完成度仍打不过 GPT ^[1]。网友 Stav Zilbershtein 和 snow 的实测则发现了一个水印 Bug：初始编辑质量又准又好，但水印会不断叠加，随着修改次数增加，图片可能越改越差、越改越糊，原本不该变的区域开始出现噪点、色彩漂移与纹理失真 ^[1]。目前 Nano Banana 2.1 已上线 Gemini App、Google AI Studio 等平台，以 Gemini 3.6 Flash 为底层框架，每天赠送 50 积分；开发者也可以通过模型名 gemini-nano-banana-2.1 接入付费 API，完成文生图、图生图、海报生成和 4K 放大等操作 ^[1]。此外，Heather Cooper 把新模型生成的画面交给 Veo 3.1，再在 Google Flow 内做成高清短片，一条“生成关键画面—保持主体风格—让画面动起来”的流程已可在同一平台内完成 ^[1]。

Jev：不聊天、只下判断的模型拿到 75 亿美元估值

与生图模型的迭代逻辑不同，TypeSafe AI 的 Jev 走的是一条减法路线：它砍掉了传统大模型的生成功能，只保留一件事——下判断，而且是非题之外还会在选项之间做选择，回答形式更接近 yes、no 或某个候选 ^[3]。由于新架构成本太低、难以计量，公司干脆把输出 token 永久免费，输入每百万 token 仅收 0.042 美元（约 0.3 元）^[3]。资本市场的反应快得多：母公司 TypeSafe AI 宣布完成 8.7 亿美元（约 63.08 亿元）A 轮融资，投后估值达 75 亿美元（约 543.75 亿元），a16z、红杉资本、DCVC 等入局，a16z 合伙人 Martin Casado 亲自加入董事会参与下一阶段战略决策 ^[3]。而在今年 9 月 15 日，这家公司才刚走出隐身状态，带着首个 System One 模型 Jev 和 4000 万美元种子轮、2 亿美元估值露面 ^[3]。创始人兼 CEO Diogo Almeida 曾任职于 Google Brain 和 OpenAI，是 InstructGPT 论文核心作者之一，也参与过 RLHF、ChatGPT 和 GPT-4 相关工作；另两位联合创始人分别是来自 Meta/FAIR 的 COO Sasha Sheng 与连续创业者 CTO Erik Gafni ^[3]。

增长曲线与四周内涌入的对手

Jev 的增长数据是这轮融资最直接的注脚。Vercel 数据显示，Jev 接入 AI Gateway 后的 24 小时内，就被近 13% 的付费团队采用，超过此前任何一次新模型发布的两倍，成为该网关史上采用速度最快的模型；a16z 披露，Jev 上线仅 3 天处理量就达到 1 万亿 token ^[3]。到 A 轮官宣时，TypeSafe AI 表示已有约三分之一的《财富》500 强企业开始使用或接入 Jev，并为客户节省了数百万美元的生产成本；Diogo Almeida 也提到日处理量已突破一万亿 token，且夜间流量同样在持续走高 ^[3]。这条赛道的窗口期并不长：微软董事长兼 CEO Satya Nadella 带着基于 Qwen3.5-9B 后训练的 Microsoft-Decision-1 入场，专门处理路由、分类、优先级判断、验证和工作流控制 ^[3]；10 月 6 日，也就是 Jev 发布 21 天后，OpenAI 开放 Decisions API 公开测试，由 GPT-6 Luna 驱动，可把文本和图像转成 Predicate、Choice 和 Score 三类结构化答案 ^[3]；更早的 10 月 1 日，Cloudflare 已推出开源决策模型 Clef 和 Clef-flash，不仅兼容 Jev API，还直接把 Jev 摆上对比台 ^[3]。

灵巧手不再只拼自由度：Sharpa 把触觉铺满上半身

具身智能一侧，Sharpa 在 IROS 上发布了三款产品：一体式触觉感知灵巧操作机器人 D01、新一代全触觉超紧凑轻量化灵巧手 W02，以及高保真外骨骼触感数据手套 AE01 ^[2]。D01 的关键数字都围绕灵巧操作展开：手臂载荷自重比接近 1:1，最大末端执行器速度超过 10.5m/s，通信频率达到 1000Hz，重复定位精度 0.2mm，球形腕关节采用 1:1 人体尺度设计；电子皮肤覆盖全身、触觉覆盖上半身，触觉采样率 100Hz，力感知范围 0.1—20N，力分辨率 0.2N ^[2]。高速运动意味着机器人可以快速完成接棒、工具操作等动态任务，高载荷让手臂在动作过程中保留作业余量，而 0.2mm 的精度则把能力推向精细操作 ^[2]。W02 则出现了一个反直觉的取舍：上一代 W01 有 22 个主动自由度，W02 反而减少到 21 个，依据是应用调研显示该自由度在常见抓取和手内操作中使用频率较低、对任务贡献有限；整手尺寸相比 W01 缩小约 30%，重量进一步降低，前臂负载随之下降，更容易装进按人手尺寸设计的工作空间 ^[2]。它还实现了“零抓握半径”，能更稳地处理筷子、细线等小直径物体，指尖采用高分辨率视觉触觉传感器，力感知范围 5mN—30N、空间分辨率 1mm，手掌其他区域由电子皮肤覆盖，力感知范围 0.1—20N、空间分辨率 5mm ^[2]。

从“碰到”到“记住”：把接触写进控制回路

硬件之外，Sharpa 把重点放在接触发生之后的闭环上。其 CraftNet 模型分三层：System 2 负责理解任务和长程规划，System 1 负责接触前的动作规划，System 0 则进入接触阶段，以更高频率处理触觉反馈和精细动作，并把状态信息回传给 System 1，让上层动作在执行失败或物理状态发生变化时重新调整 ^[2]。AE01 数据手套通过 22 个编码器精准捕捉操作者的自然手部动作并实时映射至机器人，同时把机器人端的触觉状态反馈给操作者，形成双向接口，把人的动作轨迹、机器人的接触反馈以及两者之间的映射放进同一个采集过程 ^[2]。最新研究 WM-Craftnet 训练了一个带时间记忆的 World Synesthesia Model：输入包括腕部深度、触觉、本体感知和此前执行的动作，通过 Dreamer 风格的循环状态空间模型压缩成随时间变化的隐状态，再作为策略上下文判断物体当前的几何、接触和运动状态，模型学到的不只是“现在碰到了什么”，还要结合过去推断“现在为什么会变成这样” ^[2]。

共同趋势：从演示效果到可交付能力

把三条线索放在一起看，共同趋势是 AI 的竞争焦点从“演示效果”转向“被稳定调用”。生图模型用 Arena 分数、4K 直出和一半的价格换取设计师工作流中的位置，同时暴露出水印叠加导致质量衰减这类工程细节 ^[1]；决策模型干脆放弃对话，靠免费输出和后台高频调用进入软件系统，但微软、OpenAI、Cloudflare 在数周内相继入场，说明门槛不在想法，而在于能否先把开发者生态握在手里 ^[3]；机器人则在视觉之外补上触觉与力反馈，把速度、载荷、精度和接触感知放进同一套闭环，并尝试用世界模型记住接触经验 ^[2]。接下来值得关注的，是生图模型能否在编辑一致性与成本之间找到平衡、决策模型在多家巨头挤压下的差异化空间，以及灵巧操作采集到的触觉数据能否真正沉淀为可复用的能力。