Nano Banana 2.1 衝 4K 直出並降價，Jev 估值 75 億美元，靈巧手補齊觸覺閉環

這一輪 AI 競賽的評判標準正在換軌：不再只看模型能不能寫出漂亮的文字或生成驚豔的圖片，而是看它能不能被塞進生產線、被軟體穩定呼叫、被機器人真正握在手裡。從生圖成本下探，到決策模型成為資本新寵，再到靈巧手把觸覺寫進控制迴路，三條看似無關的進展指向同一件事——可交付。^[1][2][3]

生圖模型的新標尺：4K 直出與半價

Google 在凌晨發布了新一代生圖模型 Nano Banana 2.1，升級方向集中在視覺設計、遮罩編輯、主體一致性和畫面的真實自然感，主打 4K 直出攝影級圖像，以及自由修圖、一鍵替換背景這類高頻改圖需求 ^[1]。據美國評測平台 Arena 的資料，相比上一代 Nano Banana 2，新模型在文字轉圖像、多圖像編輯和單張圖像編輯三項功能上平均提升約 61.7 分，其中文字轉圖像排名第四、比上一代高出 80 分，僅次於 GPT ^[1]。價格是另一個變數：1K、2K 圖片的生成價格直接砍半，4K 也便宜了約 25% ^[1]。證據中給出的實測案例同樣指向「可用」：網友 Christopher Fryant 用 4K 原圖直出展示了瞳孔顏色與弧度的自然漸變、睫毛尾尖的捲翹，以及皮膚紋路與皺眉時「川」字的細節；網友 @�歸藏的中文宣傳海報測試則顯示中文渲染畫面乾淨、排版美觀，並可一鍵生成 4K 圖片 ^[1]。

速度占優，但浮水印 Bug 與畫質仍是短板

能力提升並不等於沒有短板。網友 Zane 把 ChatGPT Images 2.5 與 Nano Banana 2.1 生成火車站月台上的同一場景做了對比，結論是新模型生成速度確實更快，但畫面質感和整體完成度仍打不過 GPT ^[1]。網友 Stav Zilbershtein 和 snow 的實測則發現了一個浮水印 Bug：初始編輯品質又準又好，但浮水印會不斷疊加，隨著修改次數增加，圖片可能越改越差、越改越糊，原本不該變的區域開始出現雜訊、色彩漂移與紋理失真 ^[1]。目前 Nano Banana 2.1 已上線 Gemini App、Google AI Studio 等平台，以 Gemini 3.6 Flash 為底層框架，每天贈送 50 積分；開發者也可以透過模型名 gemini-nano-banana-2.1 接入付費 API，完成文生圖、圖生圖、海報生成和 4K 放大等操作 ^[1]。此外，Heather Cooper 把新模型生成的畫面交給 Veo 3.1，再在 Google Flow 內做成高畫質短片，一條「生成關鍵畫面—保持主體風格—讓畫面動起來」的流程已可在同一平台內完成 ^[1]。

Jev：不聊天、只下判斷的模型拿到 75 億美元估值

與生圖模型的迭代邏輯不同，TypeSafe AI 的 Jev 走的是一條減法路線：它砍掉了傳統大模型的生成功能，只保留一件事——下判斷，而且是非題之外還會在選項之間做選擇，回答形式更接近 yes、no 或某個候選 ^[3]。由於新架構成本太低、難以計量，公司乾脆把輸出 token 永久免費，輸入每百萬 token 僅收 0.042 美元（約 0.3 元）^[3]。資本市場的反應快得多：母公司 TypeSafe AI 宣布完成 8.7 億美元（約 63.08 億元）A 輪募資，投後估值達 75 億美元（約 543.75 億元），a16z、紅杉資本、DCVC 等入局，a16z 合夥人 Martin Casado 親自加入董事會參與下一階段戰略決策 ^[3]。而在今年 9 月 15 日，這家公司才剛走出隱身狀態，帶著首個 System One 模型 Jev 和 4000 萬美元種子輪、2 億美元估值露面 ^[3]。創辦人兼 CEO Diogo Almeida 曾任職於 Google Brain 和 OpenAI，是 InstructGPT 論文核心作者之一，也參與過 RLHF、ChatGPT 和 GPT-4 相關工作；另兩位共同創辦人分別是來自 Meta/FAIR 的 COO Sasha Sheng 與連續創業者 CTO Erik Gafni ^[3]。

增長曲線與四週內湧入的對手

Jev 的增長資料是這輪募資最直接的註腳。Vercel 資料顯示，Jev 接入 AI Gateway 後的 24 小時內，就被近 13% 的付費團隊採用，超過此前任何一次新模型發布的兩倍，成為該閘道史上採用速度最快的模型；a16z 披露，Jev 上線僅 3 天處理量就達到 1 兆 token ^[3]。到 A 輪正式公布時，TypeSafe AI 表示已有約三分之一的《財星》500 強企業開始使用或接入 Jev，並為客戶節省了數百萬美元的生產成本；Diogo Almeida 也提到日處理量已突破一兆 token，且夜間流量同樣在持續走高 ^[3]。這條賽道的窗口期並不長：微軟董事長兼 CEO Satya Nadella 帶著基於 Qwen3.5-9B 後訓練的 Microsoft-Decision-1 入場，專門處理路由、分類、優先級判斷、驗證和工作流程控制 ^[3]；10 月 6 日，也就是 Jev 發布 21 天後，OpenAI 開放 Decisions API 公開測試，由 GPT-6 Luna 驅動，可把文字和圖像轉成 Predicate、Choice 和 Score 三類結構化答案 ^[3]；更早的 10 月 1 日，Cloudflare 已推出開源決策模型 Clef 和 Clef-flash，不僅相容 Jev API，還直接把 Jev 擺上對比台 ^[3]。

靈巧手不再只拼自由度：Sharpa 把觸覺鋪滿上半身

具身智慧一側，Sharpa 在 IROS 上發布了三款產品：一體式觸覺感知靈巧操作機器人 D01、新一代全觸覺超緊湊輕量化靈巧手 W02，以及高保真外骨骼觸感資料手套 AE01 ^[2]。D01 的關鍵數字都圍繞靈巧操作展開：手臂負載自重比接近 1:1，最大末端執行器速度超過 10.5m/s，通訊頻率達到 1000Hz，重複定位精度 0.2mm，球形腕關節採用 1:1 人體尺度設計；電子皮膚覆蓋全身、觸覺覆蓋上半身，觸覺取樣率 100Hz，力感知範圍 0.1—20N，力解析度 0.2N ^[2]。高速運動意味著機器人可以快速完成接棒、工具操作等動態任務，高負載讓手臂在動作過程中保留作業餘量，而 0.2mm 的精度則把能力推向精細操作 ^[2]。W02 則出現了一個反直覺的取捨：上一代 W01 有 22 個主動自由度，W02 反而減少到 21 個，依據是應用調查顯示該自由度在常見抓取和手內操作中使用頻率較低、對任務貢獻有限；整手尺寸相比 W01 縮小約 30%，重量進一步降低，前臂負載隨之下降，更容易裝進按人手尺寸設計的工作空間 ^[2]。它還實現了「零抓握半徑」，能更穩地處理筷子、細線等小直徑物體，指尖採用高解析度視覺觸覺感測器，力感知範圍 5mN—30N、空間解析度 1mm，手掌其他區域由電子皮膚覆蓋，力感知範圍 0.1—20N、空間解析度 5mm ^[2]。

從「碰到」到「記住」：把接觸寫進控制迴路

硬體之外，Sharpa 把重點放在接觸發生之後的閉環上。其 CraftNet 模型分三層：System 2 負責理解任務和長程規劃，System 1 負責接觸前的動作規劃，System 0 則進入接觸階段，以更高頻率處理觸覺回饋和精細動作，並把狀態資訊回傳給 System 1，讓上層動作在執行失敗或物理狀態發生變化時重新調整 ^[2]。AE01 資料手套透過 22 個編碼器精準捕捉操作者的自然手部動作並即時對應至機器人，同時把機器人端的觸覺狀態回饋給操作者，形成雙向介面，把人的動作軌跡、機器人的接觸回饋以及兩者之間的對應放進同一個擷取過程 ^[2]。最新研究 WM-Craftnet 訓練了一個帶時間記憶的 World Synesthesia Model：輸入包括腕部深度、觸覺、本體感知和此前執行的動作，透過 Dreamer 風格的循環狀態空間模型壓縮成隨時間變化的隱狀態，再作為策略上下文判斷物體當前的幾何、接觸和運動狀態，模型學到的不只是「現在碰到了什麼」，還要結合過去推斷「現在為什麼會變成這樣」 ^[2]。

共同趨勢：從示範效果到可交付能力

把三條線索放在一起看，共同趨勢是 AI 的競爭焦點從「示範效果」轉向「被穩定呼叫」。生圖模型用 Arena 分數、4K 直出和一半的價格換取設計師工作流程中的位置，同時暴露出浮水印疊加導致品質衰減這類工程細節 ^[1]；決策模型乾脆放棄對話，靠免費輸出和後台高頻呼叫進入軟體系統，但微軟、OpenAI、Cloudflare 在數週內相繼入場，說明門檻不在想法，而在於能否先把開發者生態握在手裡 ^[3]；機器人則在視覺之外補上觸覺與力回饋，把速度、負載、精度和接觸感知放進同一套閉環，並嘗試用世界模型記住接觸經驗 ^[2]。接下來值得關注的，是生圖模型能否在編輯一致性與成本之間找到平衡、決策模型在多家巨頭擠壓下的差異化空間，以及靈巧操作擷取到的觸覺資料能否真正沉澱為可重用的能力。