用 Nano Banana 做科研绘图，可以从方法示意图、实验流程和图形摘要这些概念性配图开始：先写清科学内容，再生成构图草稿，核对标签与连接关系，最后按实际使用尺寸准备文件。本次更新包含 Nano Banana 2.1 的官方信息。
Google DeepMind 的模型卡发布于 2026 年 10 月 6 日。Gemini API 官方文档将模型标识列为 gemini-nano-banana-2.1，并介绍了文字渲染和信息图布局准确性的改进。我们据此判断它值得用于带标签的科研示意图探索，但这不是科研绘图实测结论。
本文提供工作流程与原创提示词，没有开展 Nano Banana 2.1 科研图的对照评测。配图由内置 image_gen 生成，用于解释制作流程，不代表 Nano Banana 2.1 的输出效果。
AI 生成的原创编辑插图；纸上符号不代表测量数据。
哪些科研图适合先尝试？
从对象数量少、连接关系明确、标签较短的任务开始。你应该能先用文字解释图里的科学含义，再要求模型画出来。
| 任务 | 需要提供什么 | 出图后检查什么 |
|---|---|---|
| 方法总览、Figure 1 | 模块、输入输出和有向连接 | 漏模块、反向箭头、多余反馈环 |
| 图形摘要 | 研究问题、关键方法、一个有依据的结论 | 视觉表达是否夸大结果 |
| 生物机制示意图 | 已核实的实体、区室和作用关系 | 位置、激活与抑制、证据状态 |
| 实验流程图 | 真实步骤顺序和分支条件 | 步骤顺序、样本身份、分支标签 |
数据曲线、误差棒和统计比较应直接根据真实数据用绘图工具生成。图像模型画出的合理外观不能代替计算。需要严格连接结构或精确筛选数量的图，也应优先采用结构化制图工具并核对结果。
第一步：先写绘图说明，再写风格要求
“帮我画一张漂亮的科研图”没有交代最重要的信息。更有用的说明要写明：图中有哪些对象，哪些对象相连，哪些内容不能出现。
下面是一个虚构的文献检索流程，用来练习构图，不代表真实论文结果：
目标：解释文档检索流程。
对象：Query、Retriever、Evidence passages、Answer model、Answer。
连接：Query -> Retriever；Retriever -> Evidence passages；
Evidence passages -> Answer model；Query -> Answer model；
Answer model -> Answer。
限制：Retriever 与 Answer 之间不能有直接连接。
标签：准确使用上述英文对象名称。
布局：从左到右，Query 分别连接两个目标。
风格：白底、深色标签、蓝色模块边框。
AI 生成的概念案例，已按上面的列表核对五个模块、五条连接和标签。并非 Nano Banana 实测图。可打开原尺寸图片检查连线。
禁止出现的连接也很重要：它能让你在检查时明确知道什么算错误。使用时，把这些对象和关系替换成你的真实方法。
第二步：先获得可读的构图草稿
打开 Google AI Studio，核对账号可用的图像模型；如果列表中有 Nano Banana 2.1，选择它并输入说明。界面提供尺寸设置时，在设置中选择输出大小。只在提示词里写“4K”不能代替实际生成参数。
复杂方法图可以先画框和箭头，在支持参考图的界面中把草图作为布局参考。不同参考图要指定用途：一张负责结构，一张负责配色。风格参考不应把原图的科学内容带进你的图。
不确定构图时，可以参考六种 Figure 1 布局，先决定线性流程、层叠架构或其他组织方式，再考虑图标。
第三步：先检查科学含义
拿生成图逐项对照绘图说明：
- **对象检查：**数清模块，核对每个标签、符号和缩写。
- **关系检查：**检查连线端点、方向和含义，抑制符号不能被画成激活箭头。
- **结论检查：**删除没有来源的曲线、分子结构、测量值或研究结论。
Google 在图像模型的局限说明中也提醒用户核对文字和事实准确性。视觉效果改善并不能省去这些检查。
科研示意图多出一条箭头，就可能改变解释。即使画面整体好看，也要把它当作内容错误修正。
第四步：一次改一个明确问题
可以用下面的修改指令：
修改已提供的草稿。仅删除 Retriever 到 Answer 的箭头。
保留五个模块、准确标签、Query 的两条分支、其他连接、配色和总体布局。
不要增加对象或文字。这表达了保留原内容的要求，但不保证模型一定遵守。每次修改后仍需检查整张图，并保留上一版以便比较或回退。
需要其他类型的起始提示词，可以阅读科研绘图提示词模板。如果目标是概括论文贡献，参照图形摘要教程。
图形摘要案例：保留结论的适用范围
假设一项虚构研究在指定测试集合中发现，增加相关性过滤步骤后，无关检索段落变少。这并不等于回答准确率更高，更不等于所有领域都适用。
把说明分成三部分：问题是检索结果混有无关段落；方法是在检索后添加过滤；结果是测试集合中的无关段落减少。结论面板应保留限定条件。
绘制三面板的概念性图形摘要，描述一个虚构的检索研究。
面板一：研究问题——检索到的段落中包含相关与无关内容。
面板二：方法——Query -> Retriever -> Relevance filter -> Filtered evidence。
面板三：结论——准确标注“测试集合中的无关段落更少”。
采用从左到右的阅读路径，白底、深色短标签，蓝色表示相关段落，灰色表示无关段落。
图例必须解释两种颜色。段落图标数量不能当作定量结果。
不要增加回答准确率、百分比、曲线、性能徽章或普适性结论。检查最后一个面板，再追踪流程。出现“更准确”标签或定量条形图时，应删除不受证据支持的内容。图形摘要是论文结果的视觉总结；数据图必须从真实数据绘制。
图形摘要生成器也可以承接这类绘图说明，使用工具页当前列出的模型；该工具目前为英文页。使用 AI 图像投稿前，核对目标期刊当前的作者指南、图片规则和披露要求。
第五步：按实际排版尺寸准备导出
把图片放进论文或幻灯片，按最终显示尺寸检查标签、线条和不依赖颜色的区分效果。
像素尺寸与印刷密度是不同的量。例如，一张宽 2,400 像素的图片放在 8 英寸宽的位置，有效密度为每英寸 300 像素。修改 DPI 元数据不会增加细节。可用论文配图 DPI 计算器计算所需尺寸；该工具页目前为英文。
图像生成也不等于生成可编辑的矢量对象。需要选中文字、移动连接线时，可参考图片转可编辑 SVG 的流程，转换后再次检查重建的文字和几何结构。
常见问题
Nano Banana 2.1 和 Nano Banana 2 Lite 是同一个模型吗？
它们是不同的模型名称。不要因为版本数字相近，就把 2.1 当作 Lite 的改名。请查阅Nano Banana 2 Lite 介绍并核对提供方文档和界面中的具体模型标签；本文讨论的是 Google 官方文档中的 Nano Banana 2.1。
Nano Banana 2.1 比 Nano Banana Pro 更适合科研绘图吗？
我们尚未验证这个结论。应使用同一份已核实的绘图说明，进行多次生成，按相同标准统计科学错误和修改成本。通用图像偏好评分不能证明科研图更准确。
PaperBanana 已支持 Nano Banana 2.1 吗？
截至本文 10 月 7 日更新，尚未确认 PaperBanana 接入 Nano Banana 2.1。要尝试这个具体模型，请使用 Google 已提供的入口。使用现有科研绘图工作流时，可以打开 PaperBanana，以界面实际列出的模型为准。
