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.

Com fer edicions locals amb Nano Banana: Una guia pràctica

Si alguna vegada has desitjat poder ajustar només una part del comportament d'un model, sense haver de reentrenar-lo, trencar-ho tot o esperar hores, les edicions locals són el teu nou superpoder. En aquesta guia, et mostrarem com fer edicions locals amb Nano Banana, pas a pas, amb exemples pràctics i trampes a evitar.

Afirmació audaç: les edicions locals et permeten corregir quirúrgicament un comportament d'un model mentre deixes la resta intacta. Pensa en una solució ràpida, no en una reconstrucció.

Aquest tutorial segueix un estil pràctic i orientat a la solució. El mantindrem pràctic, et mostrarem patrons semblants a codi i ens centrarem en resultats que puguis verificar ràpidament.

Què són les edicions locals (i per què utilitzar Nano Banana)?

Les edicions locals són modificacions precises a les respostes d'un model per a entrades o conceptes específics, sense afectar les sortides no relacionades.

Nano Banana (NB) és un conjunt d'eines d'edició lleuger per a LLM i capçals de classificació que emfatitza:

Velocitat: Edicions en segons, no en hores

Aïllament: Minimitzar les regressions en altres llocs

Reversibilitat: Desfer o versionar les edicions de manera neta

Auditabilitat: Fer un seguiment exacte de què ha canviat i per què

Casos d'ús típics:

Corregir un model que al·lucina el preu d'un producte aplicant un fet corregit

Rebaixar o eliminar una associació esbiaixada per a una entitat específica

Afegir una nova regla per a un domini sensible (per exemple, exempcions de responsabilitat mèdica) sense reentrenar

Aplicar un pegat a un patró de resposta "conegut com a dolent" identificat en proves d'equip vermell

Abans de començar: conceptes que utilitzaràs

Àmbit d'edició: Les condicions de disparador que defineixen quan s'aplica l'edició (patrons, embeddings o portes de classificació).

Objectiu d'edició: El comportament que vols (nova preferència de token, restricció o plantilla de reescriptura).

Força d'edició: Amb quina força l'edició anul·la el model base (restriccions suaus vs. dures).

Proves de seguretat: Indicacions contrafactuals que no haurien de canviar; una necessitat per evitar regressions.

Reversió/versionat: Capacitat de desfer o comparar variants d'edició.

Inici ràpid: el camí de 10 minuts

Aquí tens la manera més ràpida de fer que una edició local funcioni a Nano Banana. Els exemples utilitzen pseudo-API que reflecteixen patrons NB comuns perquè puguis adaptar-te al teu entorn.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Inicialitza l'editor amb el teu model
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Defineix el disparador (àmbit d'edició)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # frases per ancorar el concepte
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # llindar de similitud per a l'activació
)
# 3) Defineix el comportament objectiu
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; com més alt = anul·lació més forta
)
# 4) Afegeix proves de seguretat
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) Aplica l'edició i valida
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Activa després de passar les portes
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Triar el tipus d'edició correcte

Reescriure: Millor per a correccions factuals o empentes amb plantilla. Exemple: corregir una especificació de producte.

Biaix: Ajustar les probabilitats a nivell de token sense plantilles. Exemple: descoratjar verbs insegurs en un context estret.

Restricció: Aplicar regles dures (per exemple, ha d'incloure una exempció de responsabilitat). Utilitza-ho amb moderació per evitar frases poc naturals.

Quan utilitzar disparadors semàntics vs. de patró

Disparadors semàntics: Sòlids davant de paràfrasis. Ideals per a conceptes com "preu d'Acme Pro 5".

Disparadors de patró: Coincidències de regex o paraules clau. Bons per a formats estrictes (per exemple, codis SKU).

Disparadors de classificador: Entrena una petita porta amb exemples positius/negatius per a la precisió en dominis complicats.

Construir disparadors fiables

Comença amb 5-10 frases llavor positives i 5-10 negatives.

Mesura la deriva d'activació: amb quina freqüència el disparador s'activa en entrades no relacionades.

Ajusta el radi perquè els teus positius s'activin constantment mentre que els contrafactuals no ho facin. Apunta a <2% d'activacions espúries.

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

Crear objectius sense danys col·laterals

Prefereix plantilles concises: una frase sovint supera tres.

Mantén la força moderada primer (0,4-0,7); augmenta només si les proves fallen.

Per a les edicions de compliment, utilitza una plantilla condicional:

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
)

Proves: la teva xarxa de seguretat

Dissenya proves com si el teu jo futur t'ho agraís.

Positius: Coincidències directes i paràfrasis ("preu", "cost", "quant").

Contrafactuals: Entitats similars, models diferents, comparacions.

Proves d'estrès: Indicacions llargues, frases adversarials, variants multilingües.

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)

Versionat i reversió com un professional

Utilitza el versionat semàntic per a les edicions: [email protected].

Valida sempre abans de l'activació; no activis mai en calent en el trànsit de producció.

Mantén una finestra de reversió i un mode canari (per exemple, l'1% del trànsit) per detectar regressions.

nb.activate(edit_id, rollout="canary:1%")
nb.monitor(edit_id, metrics=["ctr", "csat", "drift"]) # mètriques de negoci + model

Escenaris del món real que trobaràs

Els fets del producte canvien amb el temps

Disparador: semàntic en l'entitat del producte

Objectiu: reescriure amb variable dinàmica

Integració: extreu el valor en directe de la teva font de veritat de preus

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)

Afegeix exempcions de responsabilitat de seguretat sense un excés de control

Disparador: classificador per a la intenció mèdica sobre l'ús no indicat

Objectiu: restricció + exempció de responsabilitat curta

Consell: inclou contrafactuals per a consultes de salut benignes per evitar un excés d'activació

Rebaixar una associació esbiaixada

Disparador: semàntic en una entitat sensible

Objectiu: mode de biaix per reduir la probabilitat de descriptors nocius

Proves: proves d'equitat entre dades demogràfiques

Mesurar l'èxit

Fes un seguiment tant del model com dels resultats del producte:

Precisió d'edició: Amb quina freqüència el disparador s'activa quan hauria de fer-ho

Estabilitat contrafactual: Taxa de deriva en gairebé errors

Satisfacció de l'usuari: CSAT o taxa de polze cap amunt en respostes editades

Sobrecàrrega de latència: Objectiu <10 ms de temps addicional per sol·licitud

KPI de negoci: Reducció d'escalades, taxa de resolució més alta, menys indicadors de compliment

Resolució de problemes d'edicions locals a Nano Banana

Sembla que l'edició no s'aplica

Redueix el radi semàntic o afegeix més llavors positives

Augmenta lleugerament la força (en 0,05-0,1)

Confirma que el temps d'execució està carregant el conjunt d'edició activa

Massa falsos positius

Afegeix negatius i augmenta el radi

Converteix de disparador semàntic a classificador per a la precisió

Les respostes sonen forçades

Escurça la plantilla; canvia al mode de biaix per a un toc més lleuger

Redueix la força; afegeix una clàusula condicional

Caigudes de rendiment

Processa per lots el càlcul del disparador; emmagatzema en memòria cau les consultes d'embedding

Poda les edicions inactives; evita els disparadors superposats

Govern i auditoria

Mantén un registre de canvis amb: autor, intenció, disparadors, objectius, proves i resultats.

Requereix una revisió per a les edicions d'alt impacte (compliment, seguretat, finances).

Fes una instantània d'abans/després d'exemples per a l'auditabilitat.

Patrons avançats

Disparadors jeràrquics: Un classificador ampli controla un disparador semàntic específic per a menys falsos incendis.

Edicions limitades en el temps: Les edicions caduquen automàticament després d'una data; ideals per a promocions.

Plantilles multi-entitat: Utilitza variables: {{product}}, {{price}}, {{region}} amb un resolutor.

Variants d'edició A/B: Competeix [email protected] vs [email protected] per veure quin produeix una millor UX.

Integració a la teva pila

Emmagatzema les edicions en un registre versionat i carrega-les a l'arrencada del servidor de models.

Exposa una petita IU d'administració per alternar, revertir i inspeccionar l'impacte.

Transmet esdeveniments quan s'activa un disparador per a l'observabilitat.

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

Per cert: accelerar l'autoria amb Sider.AI

Val la pena destacar: si mantens moltes edicions petites, l'autoria de proves i paràfrasis pot ser tediosa. Eines com Sider.AI poden ajudar-te a generar indicacions parafrasejades, organitzar conjunts contrafactuals i documentar les justificacions de l'edició. Això no substitueix la teva validació, només accelera les parts avorrides perquè puguis centrar-te en les portes de qualitat.

Resum: una llista de verificació que pots reutilitzar

Defineix el comportament que vols; mantén-lo estretament limitat

Tria el tipus de disparador: semàntic, patró o classificador

Comença amb una força moderada i una plantilla curta

Construeix positius, contrafactuals i proves d'estrès

Valida, canari, supervisa i només llavors desplega

Versiona cada canvi i mantén la reversió a mà

Passos següents

Implementa la teva primera edició de reescriptura de disparador semàntic

Afegeix una edició de seguretat de disparador de classificador amb exempcions de responsabilitat

Automatitza la generació de paràfrasis i les proves de regressió

Mesura la deriva setmanalment i poda les edicions obsoletes

Si segueixes aquest flux de treball, obtindràs edicions locals nítides i fiables amb Nano Banana: ràpides d'enviar, fàcils de gestionar i segures de revertir.

Preguntes freqüents

Q1:Què són les edicions locals a Nano Banana? Les edicions locals són modificacions precises al comportament d'un model per a un àmbit específic. A Nano Banana, defineixes disparadors i objectius perquè l'edició s'apliqui només quan sigui rellevant, minimitzant les regressions en altres llocs.

Q2:Com puc triar entre les edicions de reescriptura, biaix i restricció? Utilitza la reescriptura per a correccions factuals o sortides amb plantilla, el biaix per a canvis de preferència subtils i la restricció per a regles dures com les exempcions de responsabilitat obligatòries. Comença més lleuger (reescriptura o biaix) i augmenta només si les proves fallen.

Q3:Com puc evitar que les edicions locals afectin les consultes no relacionades? Reforça l'àmbit del teu disparador amb negatius, augmenta el radi semàntic o canvia a un disparador de classificador. Inclou sempre proves contrafactuals per garantir l'estabilitat.

Q4:Puc revertir una edició local a Nano Banana? Sí. Nano Banana admet el versionat i la reversió. Valida cada edició, utilitza el desplegament canari i mantén una finestra de reversió perquè puguis revertir instantàniament si les mètriques es deterioren.

Q5:Com puc provar les edicions locals de manera eficaç? Crea indicacions positives, indicacions contrafactuals i proves d'estrès, després valida abans de l'activació. Mesura la taxa d'aprovació, la deriva contrafactual i les mètriques d'UX com el CSAT per garantir que l'edició ajudi sense danys col·laterals.