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.

Πώς να κάνετε τοπικές επεξεργασίες με το Nano Banana: Ένας πρακτικός οδηγός

Αν έχετε ευχηθεί ποτέ να μπορούσατε να τροποποιήσετε μόνο ένα μέρος της συμπεριφοράς ενός μοντέλου—χωρίς επανεκπαίδευση, καταστροφή των υπολοίπων ή αναμονή ωρών—οι τοπικές επεξεργασίες είναι η νέα σας υπερδύναμη. Σε αυτόν τον οδηγό, θα σας καθοδηγήσουμε βήμα προς βήμα πώς να κάνετε τοπικές επεξεργασίες με το Nano Banana, με πρακτικά παραδείγματα και παγίδες που πρέπει να αποφύγετε.

Ισχυρισμός: Οι τοπικές επεξεργασίες σάς επιτρέπουν να διορθώσετε χειρουργικά μια συμπεριφορά ενός μοντέλου, ενώ αφήνετε τα υπόλοιπα άθικτα. Σκεφτείτε το σαν άμεση επιδιόρθωση, όχι ανακατασκευή.

Αυτό το σεμινάριο ακολουθεί ένα πρακτικό και προσανατολισμένο στην λύση στυλ. Θα το κρατήσουμε πρακτικό, θα σας δείξουμε μοτίβα σαν κώδικα και θα επικεντρωθούμε σε αποτελέσματα που μπορείτε να επαληθεύσετε γρήγορα.

Τι είναι οι τοπικές επεξεργασίες (και γιατί να χρησιμοποιήσετε το Nano Banana);

Οι τοπικές επεξεργασίες είναι ακριβείς τροποποιήσεις στις απαντήσεις ενός μοντέλου για συγκεκριμένες εισόδους ή έννοιες, χωρίς να επηρεάζονται άσχετες έξοδοι.

Το Nano Banana (NB) είναι ένα ελαφρύ εργαλείο επεξεργασίας για LLMs και κεφαλές ταξινόμησης που δίνει έμφαση σε:

Ταχύτητα: Επεξεργασίες σε δευτερόλεπτα, όχι ώρες

Απομόνωση: Ελαχιστοποιήστε τις παλινδρομήσεις αλλού

Αναστρεψιμότητα: Αναίρεση ή έκδοση επεξεργασιών καθαρά

Ελεγξιμότητα: Παρακολουθήστε ακριβώς τι άλλαξε και γιατί

Τυπικές περιπτώσεις χρήσης:

Διορθώστε ένα μοντέλο που παραισθάνεται μια τιμή προϊόντος επιβάλλοντας ένα διορθωμένο γεγονός

Υποβαθμίστε ή καταργήστε μια μεροληπτική συσχέτιση για μια συγκεκριμένη οντότητα

Προσθέστε έναν νέο κανόνα για έναν ευαίσθητο τομέα (π.χ., ιατρικές αποποιήσεις) χωρίς επανεκπαίδευση

Επιδιορθώστε ένα μοτίβο απόκρισης "γνωστό-κακό" που εντοπίστηκε στην κόκκινη ομάδα

Πριν ξεκινήσετε: Έννοιες που θα χρησιμοποιήσετε

Πεδίο επεξεργασίας: Οι συνθήκες ενεργοποίησης που καθορίζουν πότε ισχύει η επεξεργασία (μοτίβα, ενσωματώσεις ή πύλες ταξινόμησης).

Στόχος επεξεργασίας: Η συμπεριφορά που θέλετε (νέα προτίμηση διακριτικού, περιορισμός ή πρότυπο επανεγγραφής).

Ισχύς επεξεργασίας: Πόσο έντονα η επεξεργασία παρακάμπτει το βασικό μοντέλο (μαλακοί έναντι σκληρών περιορισμών).

Δοκιμές ασφαλείας: Αντιπαραθετικές προτροπές που δεν πρέπει να αλλάξουν—απαραίτητη για την αποφυγή παλινδρομήσεων.

Επαναφορά/έλεγχος έκδοσης: Δυνατότητα αναίρεσης ή σύγκρισης παραλλαγών επεξεργασίας.

Γρήγορη εκκίνηση: Η διαδρομή των 10 λεπτών

Εδώ είναι ο ταχύτερος τρόπος για να λειτουργήσει μια τοπική επεξεργασία στο Nano Banana. Τα παραδείγματα χρησιμοποιούν ψευδο-APIs που αντικατοπτρίζουν κοινά μοτίβα NB, ώστε να μπορείτε να προσαρμοστείτε στο περιβάλλον σας.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Initialize editor with your model
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Define the trigger (edit scope)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # phrases to anchor the concept
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # similarity threshold for activation
)
# 3) Define the target behavior
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; higher = stronger override
)
# 4) Add safety tests
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) Apply the edit and validate
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Activate after passing gates
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Επιλογή του σωστού τύπου επεξεργασίας

Επανεγγραφή: Καλύτερο για διορθώσεις γεγονότων ή πρότυπες ωθήσεις. Παράδειγμα: διόρθωση μιας προδιαγραφής προϊόντος.

Μεροληψία: Προσαρμόστε τις πιθανότητες σε επίπεδο διακριτικού χωρίς δημιουργία προτύπων. Παράδειγμα: αποθαρρύνετε μη ασφαλή ρήματα σε ένα στενό πλαίσιο.

Περιορισμός: Επιβάλλετε αυστηρούς κανόνες (π.χ., πρέπει να περιλαμβάνεται μια αποποίηση ευθυνών). Χρησιμοποιήστε το με φειδώ για να αποφύγετε αφύσικη διατύπωση.

Πότε να χρησιμοποιήσετε σημασιολογικούς έναντι μοτίβων ενεργοποιητές

Σημασιολογικοί ενεργοποιητές: Ισχυροί στις παραφράσεις. Ιδανικοί για έννοιες όπως "τιμή του Acme Pro 5".

Ενεργοποιητές μοτίβου: Αντιστοιχίσεις Regex ή λέξεων-κλειδιών. Καλό για αυστηρές μορφές (π.χ., κωδικοί SKU).

Ενεργοποιητές ταξινόμησης: Εκπαιδεύστε μια μικρή πύλη σε θετικά/αρνητικά παραδείγματα για ακρίβεια σε δύσκολους τομείς.

Δημιουργία αξιόπιστων ενεργοποιητών

Ξεκινήστε με 5–10 θετικές αρχικές φράσεις και 5–10 αρνητικές.

Μετρήστε την απόκλιση ενεργοποίησης: πόσο συχνά ενεργοποιείται ο ενεργοποιητής σε άσχετες εισόδους.

Ρυθμίστε την ακτίνα έτσι ώστε τα θετικά σας να ενεργοποιούνται σταθερά, ενώ τα αντιπαραθετικά να μην ενεργοποιούνται. Στοχεύστε σε <2% ψευδείς ενεργοποιήσεις.

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

Δημιουργία στόχων χωρίς παράπλευρες απώλειες

Προτιμήστε συνοπτικά πρότυπα: μια πρόταση συχνά κερδίζει τρεις.

Διατηρήστε την ισχύ μέτρια πρώτα (0,4–0,7). Αυξήστε μόνο εάν οι δοκιμές αποτύχουν.

Για επεξεργασίες συμμόρφωσης, χρησιμοποιήστε ένα υπό όρους πρότυπο:

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
)

Δοκιμές: Το δίχτυ ασφαλείας σας

Σχεδιάστε δοκιμές σαν να σας ευχαριστεί ο μελλοντικός σας εαυτός.

Θετικά: Άμεσες επιτυχίες και παραφράσεις ("τιμή", "κόστος", "πόσο").

Αντιπαραθετικά: Παρόμοιες οντότητες, διαφορετικά μοντέλα, συγκρίσεις.

Δοκιμές καταπόνησης: Μεγάλες προτροπές, εχθρική διατύπωση, πολύγλωσσες παραλλαγές.

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)

Έλεγχος έκδοσης και επαναφορά σαν επαγγελματίας

Χρησιμοποιήστε σημασιολογικό έλεγχο έκδοσης για επεξεργασίες: [email protected].

Να επικυρώνετε πάντα πριν από την ενεργοποίηση. Ποτέ μην ενεργοποιείτε εν θερμώ στην παραγωγική κίνηση.

Διατηρήστε ένα παράθυρο επαναφοράς και μια λειτουργία καναρινιού (π.χ., 1% της επισκεψιμότητας) για να εντοπίσετε παλινδρομήσεις.

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

Πραγματικά σενάρια που θα συναντήσετε

Τα γεγονότα προϊόντων αλλάζουν με την πάροδο του χρόνου

Ενεργοποίηση: σημασιολογική στην οντότητα προϊόντος

Στόχος: επανεγγραφή με δυναμική μεταβλητή

Ενσωμάτωση: τραβήξτε ζωντανή τιμή από την πηγή αλήθειας τιμολόγησης

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)

Προσθέστε αποποιήσεις ασφαλείας χωρίς υπερβολική αστυνόμευση

Ενεργοποίηση: ταξινομητής για ιατρική πρόθεση σχετικά με μη ενδεδειγμένη χρήση

Στόχος: περιορισμός + σύντομη αποποίηση ευθυνών

Συμβουλή: Συμπεριλάβετε αντιπαραθετικά για καλοήθεις ερωτήσεις υγείας για να αποφύγετε την υπερβολική ενεργοποίηση

Υποβαθμίστε μια μεροληπτική συσχέτιση

Ενεργοποίηση: σημασιολογική σε ευαίσθητη οντότητα

Στόχος: λειτουργία μεροληψίας για μείωση της πιθανότητας επιβλαβών περιγραφέων

Δοκιμές: έλεγχοι δικαιοσύνης σε όλες τις δημογραφικές ομάδες

Μέτρηση επιτυχίας

Παρακολουθήστε τόσο τα αποτελέσματα του μοντέλου όσο και του προϊόντος:

Ακρίβεια επεξεργασίας: Πόσο συχνά ενεργοποιείται η επεξεργασία όταν θα έπρεπε

Σταθερότητα αντιπαραθετικών: Ρυθμός απόκλισης σε σχεδόν αστοχίες

Ικανοποίηση χρήστη: CSAT ή ποσοστό επιδοκιμασίας στις επεξεργασμένες απαντήσεις

Επιβάρυνση λανθάνοντος χρόνου: Στόχος <10 ms επιπλέον χρόνου ανά αίτημα

Επιχειρησιακό KPI: Μειωμένες κλιμακώσεις, υψηλότερος ρυθμός επίλυσης, λιγότερες σημαίες συμμόρφωσης

Αντιμετώπιση προβλημάτων τοπικών επεξεργασιών στο Nano Banana

Η επεξεργασία δεν φαίνεται να εφαρμόζεται

Μειώστε τη σημασιολογική ακτίνα ή προσθέστε περισσότερους θετικούς σπόρους

Αυξήστε ελαφρώς την ισχύ (κατά 0,05–0,1)

Επιβεβαιώστε ότι το runtime φορτώνει το ενεργό σύνολο επεξεργασιών

Πάρα πολλά ψευδώς θετικά

Προσθέστε αρνητικά και αυξήστε την ακτίνα

Μετατρέψτε από σημασιολογικό σε ενεργοποιητή ταξινόμησης για ακρίβεια

Οι απαντήσεις ακούγονται εξαναγκασμένες

Συντομεύστε το πρότυπο. Μεταβείτε σε λειτουργία μεροληψίας για ελαφρύτερη επαφή

Μειώστε την ισχύ. προσθέστε μια υπό όρους ρήτρα

Βουτιές απόδοσης

Ομαδοποιήστε τον υπολογισμό ενεργοποίησης. αποθηκεύστε προσωρινά τα ερωτήματα ενσωμάτωσης

Περικόψτε τις ανενεργές επεξεργασίες. αποφύγετε τις αλληλεπικαλυπτόμενες ενεργοποιήσεις

Διακυβέρνηση και έλεγχος

Διατηρήστε ένα αρχείο καταγραφής αλλαγών με: συγγραφέα, πρόθεση, ενεργοποιητές, στόχους, δοκιμές και αποτελέσματα.

Απαιτήστε έλεγχο για επεξεργασίες υψηλού αντίκτυπου (συμμόρφωση, ασφάλεια, χρηματοδότηση).

Τραβήξτε στιγμιότυπο πριν/μετά από υποδείγματα για δυνατότητα ελέγχου.

Προηγμένα μοτίβα

Ιεραρχικοί ενεργοποιητές: Ένας ευρύς ταξινομητής ελέγχει έναν συγκεκριμένο σημασιολογικό ενεργοποιητή για λιγότερες ψευδείς ενεργοποιήσεις.

Επεξεργασίες με χρονικό όριο: Αυτόματη λήξη επεξεργασιών μετά από μια ημερομηνία. Ιδανικό για προωθητικές ενέργειες.

Πρότυπα πολλαπλών οντοτήτων: Χρησιμοποιήστε μεταβλητές: {{product}}, {{price}}, {{region}} με έναν επιλυτή.

Παραλλαγές επεξεργασίας A/B: Ανταγωνιστείτε [email protected] έναντι [email protected] για να δείτε ποιο αποδίδει καλύτερη UX.

Ενσωμάτωση στην στοίβα σας

Αποθηκεύστε τις επεξεργασίες σε ένα μητρώο με έλεγχο έκδοσης και φορτώστε τις κατά την εκκίνηση του διακομιστή μοντέλου.

Εκθέστε ένα μικρό UI διαχείρισης για εναλλαγή, επαναφορά και επιθεώρηση αντίκτυπου.

Μεταδώστε συμβάντα όταν ενεργοποιείται ένας ενεργοποιητής για παρατηρησιμότητα.

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

Παρεμπιπτόντως: Επιτάχυνση της σύνταξης με το Sider.AI

Αξίζει να σημειωθεί: εάν διατηρείτε πολλές μικρές επεξεργασίες, η σύνταξη δοκιμών και παραφράσεων μπορεί να γίνει κουραστική. Εργαλεία όπως το Sider.AI μπορούν να σας βοηθήσουν να δημιουργήσετε παραφρασμένες προτροπές, να οργανώσετε σουίτες αντιπαραθετικών και να τεκμηριώσετε αιτιολογίες επεξεργασίας. Αυτό δεν αντικαθιστά την επικύρωσή σας—απλώς επιταχύνει τα βαρετά μέρη, ώστε να μπορείτε να εστιάσετε στις ποιοτικές πύλες.

Επανάληψη: Μια λίστα ελέγχου που μπορείτε να επαναχρησιμοποιήσετε

Καθορίστε τη συμπεριφορά που θέλετε. διατηρήστε το στενά περιορισμένο

Επιλέξτε τύπο ενεργοποίησης: σημασιολογικός, μοτίβο ή ταξινομητής

Ξεκινήστε με μέτρια ισχύ και ένα σύντομο πρότυπο

Δημιουργήστε θετικά, αντιπαραθετικά και δοκιμές καταπόνησης

Επικυρώστε, καναρίνι, παρακολουθήστε και μόνο τότε αναπτύξτε

Δημιουργήστε έκδοση κάθε αλλαγής και διατηρήστε την επαναφορά εύχρηστη

Επόμενα βήματα

Εφαρμόστε την πρώτη σας επεξεργασία επανεγγραφής σημασιολογικού ενεργοποιητή

Προσθέστε μια επεξεργασία ασφαλείας ενεργοποιητή ταξινόμησης με αποποιήσεις ευθυνών

Αυτοματοποιήστε τη δημιουργία παραφράσεων και τον έλεγχο παλινδρόμησης

Μετρήστε την απόκλιση εβδομαδιαία και περικόψτε τις παλιές επεξεργασίες

Εάν ακολουθήσετε αυτήν τη ροή εργασιών, θα λάβετε ευκρινείς, αξιόπιστες τοπικές επεξεργασίες με το Nano Banana—γρήγορες στην αποστολή, εύκολες στη διαχείριση και ασφαλείς στην επαναφορά.

Συχνές ερωτήσεις

Ε1: Τι είναι οι τοπικές επεξεργασίες στο Nano Banana; Οι τοπικές επεξεργασίες είναι ακριβείς τροποποιήσεις στη συμπεριφορά ενός μοντέλου για ένα συγκεκριμένο πεδίο. Στο Nano Banana, ορίζετε ενεργοποιητές και στόχους, ώστε η επεξεργασία να εφαρμόζεται μόνο όταν είναι σχετική, ελαχιστοποιώντας τις παλινδρομήσεις αλλού.

Ε2: Πώς μπορώ να επιλέξω μεταξύ επεξεργασιών επανεγγραφής, μεροληψίας και περιορισμού; Χρησιμοποιήστε την επανεγγραφή για διορθώσεις γεγονότων ή πρότυπες εξόδους, τη μεροληψία για λεπτές αλλαγές προτίμησης και τον περιορισμό για αυστηρούς κανόνες, όπως υποχρεωτικές αποποιήσεις ευθυνών. Ξεκινήστε ελαφρύτερα (επανεγγραφή ή μεροληψία) και κλιμακώστε μόνο εάν οι δοκιμές αποτύχουν.

Ε3: Πώς μπορώ να αποτρέψω τις τοπικές επεξεργασίες από το να επηρεάσουν άσχετα ερωτήματα; Σφίξτε το πεδίο ενεργοποίησης με αρνητικά, αυξήστε τη σημασιολογική ακτίνα ή μεταβείτε σε έναν ενεργοποιητή ταξινόμησης. Να συμπεριλαμβάνετε πάντα αντιπαραθετικές δοκιμές για να διασφαλίσετε τη σταθερότητα.

Ε4: Μπορώ να επαναφέρω μια τοπική επεξεργασία στο Nano Banana; Ναι. Το Nano Banana υποστηρίζει έλεγχο έκδοσης και επαναφορά. Επικυρώστε κάθε επεξεργασία, χρησιμοποιήστε την ανάπτυξη καναρινιού και διατηρήστε ένα παράθυρο επαναφοράς, ώστε να μπορείτε να επαναφέρετε άμεσα εάν οι μετρήσεις υποβαθμιστούν.

Ε5: Πώς μπορώ να δοκιμάσω αποτελεσματικά τις τοπικές επεξεργασίες; Δημιουργήστε θετικές προτροπές, αντιπαραθετικές προτροπές και δοκιμές καταπόνησης και, στη συνέχεια, επικυρώστε πριν από την ενεργοποίηση. Μετρήστε το ποσοστό επιτυχίας, την αντιπαραθετική απόκλιση και τις μετρήσεις UX, όπως το CSAT, για να διασφαλίσετε ότι η επεξεργασία βοηθά χωρίς παράπλευρες απώλειες.