What are local edits in Nano Banana?

Local edits are precise modifications to a model’s behavior for a specific scope. In Nano Banana, you define triggers and targets so the edit applies only when relevant, minimizing regressions elsewhere.

How do I choose between rewrite, bias, and constraint edits?

Use rewrite for factual corrections or templated outputs, bias for subtle preference shifts, and constraint for hard rules like mandatory disclaimers. Start lighter (rewrite or bias) and escalate only if tests fail.

How can I prevent local edits from affecting unrelated queries?

Tighten your trigger scope with negatives, increase the semantic radius, or switch to a classifier trigger. Always include counterfactual tests to ensure stability.

Can I roll back a local edit in Nano Banana?

Yes. Nano Banana supports versioning and rollback. Validate each edit, use canary rollout, and keep a rollback window so you can revert instantly if metrics degrade.

How do I test local edits effectively?

Create positive prompts, counterfactual prompts, and stress tests, then validate before activation. Measure pass rate, counterfactual drift, and UX metrics like CSAT to ensure the edit helps without collateral damage.

Как да правите локални редакции с Nano Banana: Практическо ръководство

Ако някога сте искали да можете да промените само една част от поведението на модел – без да го преобучавате, да разваляте всичко останало или да чакате часове – локалните редакции са вашата нова суперсила. В това ръководство ще ви преведем стъпка по стъпка как да правите локални редакции с Nano Banana, с практически примери и клопки, които трябва да избягвате.

Смело твърдение: Локалните редакции ви позволяват хирургически да поправите едно поведение на модел, като същевременно оставите останалото непокътнато. Мислете за бърза поправка, а не за преизграждане.

Този урок следва практичен и ориентиран към решения стил. Ще го запазим практически, ще ви покажем модели, подобни на код, и ще се съсредоточим върху резултатите, които можете бързо да проверите.

Какво представляват локалните редакции (и защо да използвате Nano Banana)?

Локалните редакции са прецизни модификации на отговорите на модел за конкретни входни данни или концепции, без да засягат несвързани изходни данни.

Nano Banana (NB) е лек инструментариум за редактиране на LLM и класификаторни глави, който набляга на:

Скорост: Редакции за секунди, а не за часове

Изолация: Минимизиране на регресиите на други места

Обратимост: Отмяна или версииране на редакции чисто

Проверимост: Проследяване точно какво се е променило и защо

Типични случаи на употреба:

Поправете модел, който халюцинира цена на продукт, като наложите коригиран факт

Понижете или премахнете пристрастна асоциация за конкретен обект

Добавете ново правило за чувствителен домейн (напр. медицински отказ от отговорност) без преобучение

Поправете модел на отговор "known-bad", идентифициран при red-teaming

Преди да започнете: Концепции, които ще използвате

Обхват на редактиране: Условията за задействане, определящи кога се прилага редакцията (шаблони, вграждания или класификаторни врати).

Цел на редактиране: Поведението, което искате (ново предпочитание към токен, ограничение или шаблон за презапис).

Сила на редактиране: Колко силно редакцията замества базовия модел (меки спрямо твърди ограничения).

Тестове за безопасност: Контрафактични подкани, които не трябва да се променят – задължително, за да се избегнат регресии.

Връщане/версиониране: Възможност за отмяна или сравняване на варианти на редакции.

Бърз старт: 10-минутният път

Ето най-бързият начин да накарате локална редакция да работи в Nano Banana. Примерите използват псевдо-API, които отразяват общите модели на NB, така че можете да се адаптирате към вашата среда.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Инициализирайте редактора с вашия модел
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Дефинирайте тригера (обхват на редактиране)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # фрази за закотвяне на концепцията
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # праг на сходство за активиране
)
# 3) Дефинирайте целевото поведение
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; по-високо = по-силно заместване
)
# 4) Добавете тестове за безопасност
tests = Tests(
positives=[
("What's the price of Acme Pro 5?", "699"),
],
counterfactuals=[
("What's the price of Acme Pro 4?", "do not say 699"),
("Compare Acme Pro 5 to Acme Lite", "avoid price rewrite unless directly asked"),
]
)
# 5) Приложете редакцията и валидирайте
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Активирайте след преминаване на вратите
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Избор на правилния тип редакция

Презапис: Най-добър за фактически корекции или шаблонизирани подтиквания. Пример: коригиране на спецификация на продукт.

Отклонение: Коригирайте вероятностите на ниво токен без шаблониране. Пример: обезкуражете опасни глаголи в тесен контекст.

Ограничение: Налагане на твърди правила (напр. трябва да включва отказ от отговорност). Използвайте пестеливо, за да избегнете неестествени фрази.

Кога да използвате семантични спрямо моделни тригери

Семантични тригери: Устойчиви на перифрази. Чудесни за концепции като „цена на Acme Pro 5“.

Моделни тригери: Regex или съвпадения на ключови думи. Добри за строги формати (напр. SKU кодове).

Класификаторни тригери: Обучете малка врата върху положителни/отрицателни примери за прецизност в трудни домейни.

Изграждане на надеждни тригери

Започнете с 5–10 положителни начални фрази и 5–10 отрицателни.

Измерете отклонението на активиране: колко често тригерът се задейства при несвързани входни данни.

Настройте радиуса, така че вашите положителни резултати да се задействат последователно, докато контрафактите не го правят. Стремете се към <2% фалшиви активирания.

probe = nb.dry_run(trigger, samples=[
"How much is Acme Pro 5?",
"Is Acme Pro 4 cheaper?",
"Acme Lite warranty details",
])
probe.metrics

Създаване на цели без странични щети

Предпочитайте кратки шаблони: едно изречение често е по-добро от три.

Поддържайте силата умерена първо (0,4–0,7); увеличете само ако тестовете се провалят.

За редакции за съответствие използвайте условен шаблон:

target = Target(
mode="rewrite",
template="If the user asks about pricing, respond: 'The current price of Acme Pro 5 is $699.' Otherwise, proceed normally.",
strength=0.55
)

Тестване: Вашата предпазна мрежа

Проектирайте тестове, сякаш бъдещото ви Аз ще ви благодари.

Положителни: Директни попадения и перифрази („цена“, „стойност“, „колко“).

Контрафакти: Подобни обекти, различни модели, сравнения.

Стрес тестове: Дълги подкани, враждебни фрази, многоезични варианти.

suite = nb.autogenerate_tests(
positives_topic="Acme Pro 5 pricing",
counterfactuals_topics=["Acme Pro 4 pricing", "Acme Lite features"],
paraphrase_count=25)
report = nb.validate(edit_id, suite)

Версиониране и връщане като професионалист

Използвайте семантично версиониране за редакции: [email protected].

Винаги валидирайте преди активиране; никога не активирайте горещо в производствения трафик.

Поддържайте прозорец за връщане и режим на канари (напр. 1% от трафика), за да откриете регресии.

nb.activate(edit_id, rollout="canary:1%")
nb.monitor(edit_id, metrics=["ctr", "csat", "drift"]) # бизнес + моделни показатели

Реални сценарии, които ще срещнете

Фактите за продукта се променят с времето

Тригер: семантичен върху обект на продукт

Цел: презапис с динамична променлива

Интеграция: извличане на стойност на живо от вашия източник на истина за ценообразуване

def dynamic_price:
return fetch_price("Acme Pro 5")
target = Target(mode="rewrite", template=lambda: f"The current price of Acme Pro 5 is ${dynamic_price}.", strength=0.6)

Добавете откази от отговорност за безопасност, без да прекалявате с контрола

Тригер: класификатор за медицинско намерение относно употреба извън етикета

Цел: ограничение + кратък отказ от отговорност

Съвет: Включете контрафакти за добронамерени здравни заявки, за да избегнете прекомерно задействане

Понижете пристрастна асоциация

Тригер: семантичен върху чувствителен обект

Цел: режим на отклонение за намаляване на вероятността от вредни дескриптори

Тестове: проучвания за справедливост в различните демографски групи

Измерване на успеха

Проследявайте както моделните, така и продуктовите резултати:

Прецизност на редактиране: Колко често се задейства редакцията, когато трябва

Контрафактична стабилност: Степен на отклонение при близки пропуски

Удовлетвореност на потребителите: CSAT или процент на одобрение на редактирани отговори

Латентно натоварване: Цел <10 ms допълнително време на заявка

Бизнес KPI: Намалени ескалации, по-висок процент на разрешаване, по-малко флагове за съответствие

Отстраняване на неизправности при локални редакции в Nano Banana

Редакцията изглежда не се прилага

Намалете семантичния радиус или добавете още положителни семена

Увеличете силата леко (с 0,05–0,1)

Потвърдете, че runtime зарежда активния набор от редакции

Твърде много фалшиви положителни резултати

Добавете отрицателни и увеличете радиуса

Преобразувайте от семантичен в класификаторен тригер за прецизност

Отговорите звучат насилствено

Съкратете шаблона; превключете към режим на отклонение за по-леко докосване

Намалете силата; добавете условна клауза

Спад в производителността

Групирайте изчислението на тригера; кеширайте заявките за вграждане

Подредете неактивните редакции; избягвайте припокриващи се тригери

Управление и одит

Поддържайте регистър на промените с: автор, намерение, тригери, цели, тестове и резултати.

Изисквайте преглед за редакции с голямо въздействие (съответствие, безопасност, финанси).

Направете моментна снимка на примери преди/след за възможност за одит.

Разширени модели

Йерархични тригери: Широк класификатор затваря специфичен семантичен тригер за по-малко фалшиви пожари.

Ограничени във времето редакции: Автоматично изтичане на редакции след дата; чудесно за промоции.

Шаблони за множество обекти: Използвайте променливи: {{product}}, {{price}}, {{region}} с resolver.

A/B варианти на редакции: Състезавайте се [email protected] срещу [email protected], за да видите кой дава по-добър UX.

Интегриране във вашия стек

Съхранявайте редакциите във версиониран регистър и ги зареждайте при зареждане на моделния сървър.

Разкрийте малък администраторски интерфейс за превключване, връщане и проверка на въздействието.

Предавайте поточно събития, когато се задейства тригер за наблюдаемост.

observability:
emit_trigger_events: true
payload: [user_id, prompt_hash, edit_id, activation_score]

Между другото: Ускоряване на авторството със Sider.AI

Струва си да се отбележи: ако поддържате много малки редакции, създаването на тестове и перифрази може да стане досадно. Инструменти като Sider.AI могат да ви помогнат да генерирате перифразирани подкани, да организирате контрафактични пакети и да документирате обосновки за редактиране. Това не замества вашата валидация — просто ускорява скучните части, така че можете да се съсредоточите върху качествените врати.

Обобщение: Контролен списък, който можете да използвате повторно

Дефинирайте поведението, което искате; поддържайте го тясно насочено

Изберете тип тригер: семантичен, модел или класификатор

Започнете с умерена сила и кратък шаблон

Изградете положителни, контрафактични и стрес тестове

Валидирайте, канари, наблюдавайте и едва тогава разгърнете

Версионирайте всяка промяна и дръжте връщането под ръка

Следващи стъпки

Приложете първата си редакция за презапис със семантичен тригер

Добавете редакция за безопасност с класификаторен тригер с откази от отговорност

Автоматизирайте генерирането на перифрази и регресионното тестване

Измервайте отклонението всяка седмица и подрязвайте остарелите редакции

Ако следвате този работен процес, ще получите ясни, надеждни локални редакции с Nano Banana — бързи за изпращане, лесни за управление и безопасни за връщане.

ЧЗВ

В1: Какво представляват локалните редакции в Nano Banana? Локалните редакции са прецизни модификации на поведението на модел за конкретен обхват. В Nano Banana вие дефинирате тригери и цели, така че редакцията да се прилага само когато е уместна, минимизирайки регресиите на други места.

В2: Как да избера между редакции за презапис, отклонение и ограничение? Използвайте презапис за фактически корекции или шаблонизирани изходи, отклонение за фини промени в предпочитанията и ограничение за твърди правила като задължителни откази от отговорност. Започнете по-леко (презапис или отклонение) и ескалирайте само ако тестовете се провалят.

В3: Как мога да предотвратя локалните редакции да засягат несвързани заявки? Затегнете обхвата на тригера си с отрицателни резултати, увеличете семантичния радиус или превключете към класификаторен тригер. Винаги включвайте контрафактични тестове, за да осигурите стабилност.

В4: Мога ли да върна локална редакция в Nano Banana? Да. Nano Banana поддържа версиониране и връщане. Валидирайте всяка редакция, използвайте канарово разгръщане и поддържайте прозорец за връщане, за да можете да се върнете незабавно, ако показателите се влошат.

В5: Как да тествам ефективно локални редакции? Създайте положителни подкани, контрафактични подкани и стрес тестове, след което валидирайте преди активиране. Измерете процента на преминаване, контрафактичното отклонение и UX показатели като CSAT, за да сте сигурни, че редакцията помага без странични щети.