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.

Kuidas teha kohalikke muudatusi Nano Bananaga: praktiline juhend

Kui oled kunagi soovinud, et saaksid mudeli käitumist veidi muuta – ilma ümberõpetamiseta, kõige muu rikkumiseta või tunde ootamata –, siis on kohalikud muudatused sinu uus supervõime. Selles juhendis tutvustame samm-sammult, kuidas Nano Bananaga kohalikke muudatusi teha, tuues praktilisi näiteid ja vältimist vajavaid lõkse.

Julge väide: kohalikud muudatused võimaldavad sul kirurgiliselt parandada mudeli ühte käitumist, jättes ülejäänu puutumata. Mõtle sellele kui kiirele parandusele, mitte ümberehitamisele.

See õpetus järgib praktilist ja lahendustele orienteeritud stiili. Oleme praktilised, näitame sulle koodilaadseid mustreid ja keskendume tulemustele, mida saad kiiresti kontrollida.

Mis on kohalikud muudatused (ja miks kasutada Nano Bananat)?

Kohalikud muudatused on täpsed muudatused mudeli vastustes konkreetsete sisendite või kontseptsioonide puhul, mõjutamata seotud väljundeid.

Nano Banana (NB) on LLM-ide ja klassifikaatorite päiste jaoks mõeldud kerge redigeerimiskomplekt, mis rõhutab:

Kiirust: muudatused sekundites, mitte tundides

Isolatsiooni: minimeerib regressioone mujal

Pööratavust: muudatuste puhas tagasipööramine või versioonimine

Auditeeritavust: jälgige täpselt, mis muutus ja miks

Tüüpilised kasutusjuhtumid:

Paranda mudel, mis hallutsineerib toote hinda, jõustades parandatud fakti

Alanda või eemalda erapoolik seos konkreetse üksuse puhul

Lisa uus reegel tundliku valdkonna jaoks (nt meditsiinilised lahtiütlused) ilma ümberõpetamiseta

Plaasterda "teadaolevalt halb" vastusemuster, mis on tuvastatud punase meeskonna poolt

Enne alustamist: kontseptsioonid, mida kasutad

Muudatuse ulatus: käivitusetingimused, mis määratlevad, millal muudatus rakendub (mustrid, manused või klassifikaatori väravad).

Muudatuse siht: käitumine, mida soovid (uus tunnusmärgi eelistus, piirang või ümberkirjutamise mall).

Muudatuse tugevus: kui tugevalt muudatus alusmudeli üle kirjutab (pehmed vs ranged piirangud).

Ohutustestid: kontrafaktuaalsed küsimused, mis ei tohiks muutuda – see on regressioonide vältimiseks hädavajalik.

Tagasipööramine/versioonimine: võime muudatuste variante tagasi võtta või võrrelda.

Kiirkäivitus: 10-minutiline tee

Siin on kiireim viis kohaliku muudatuse Nano Bananas tööle saamiseks. Näidetes kasutatakse pseudo-API-sid, mis peegeldavad tavalisi NB mustreid, et saaksid oma keskkonda kohandada.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Initsialiseeri redaktor oma mudeliga
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Määra käivitaja (muudatuse ulatus)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # fraasid kontseptsiooni ankurdamiseks
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # sarnasuse lävend aktiveerimiseks
)
# 3) Määra sihtkäitumine
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; kõrgem = tugevam ülekirjutamine
)
# 4) Lisa ohutustestid
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) Rakenda muudatus ja valideeri
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktiveeri pärast väravate läbimist
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Õige muudatuse tüübi valimine

Ümberkirjutamine: parim faktiliste paranduste või mallitud tõugete jaoks. Näide: toote spetsifikatsiooni parandamine.

Erapoolikus: reguleerige tunnusmärgi taseme tõenäosusi ilma mallita. Näide: julgustage ebaturvalisi tegusõnu kitsas kontekstis.

Piirang: jõustage ranged reeglid (nt peab sisaldama lahtiütlust). Kasutage säästlikult, et vältida ebaloomulikku sõnastust.

Millal kasutada semantilisi vs mustri käivitajaid

Semantilised käivitajad: vastupidavad ümbersõnastustele. Suurepärane selliste kontseptsioonide jaoks nagu „Acme Pro 5 hind”.

Mustri käivitajad: RegEx või märksõnade vasted. Hea rangete vormingute jaoks (nt SKU koodid).

Klassifikaatori käivitajad: treeni väikest väravat positiivsete/negatiivsete näidete põhjal, et tagada täpsus keerulistes valdkondades.

Usaldusväärsete käivitajate loomine

Alusta 5–10 positiivse seemnefraasi ja 5–10 negatiivse fraasiga.

Mõõda aktiveerimise triivi: kui sageli käivitaja käivitub seotud sisendite korral.

Häälesta raadiust nii, et sinu positiivsed tulemused käivituksid järjepidevalt, samal ajal kui kontrafaktuaalsed tulemused ei käivitu. Eesmärk on <2% valesti aktiveerimisi.

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

Sihtide loomine ilma kaaskahjustusteta

Eelista lühikesi malle: üks lause on sageli parem kui kolm.

Hoia tugevus esialgu mõõdukas (0,4–0,7); suurenda ainult siis, kui testid ebaõnnestuvad.

Vastavusmuudatuste jaoks kasuta tingimuslikku malli:

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
)

Testimine: sinu turvavõrk

Kujunda teste nii, nagu sinu tulevane mina sind tänaks.

Positiivsed: otsesed tabamused ja ümbersõnastused ("hind", "kulu", "kui palju").

Kontrafaktuaalsed: sarnased üksused, erinevad mudelid, võrdlused.

Stressitestid: pikad küsimused, vaenulik sõnastus, mitmekeelsed variandid.

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)

Versioonimine ja tagasipööramine nagu professionaal

Kasuta muudatuste jaoks semantilist versioonimist: [email protected].

Valideeri alati enne aktiveerimist; ära kunagi kuumaktiveeri tootmisliiklust.

Hoia tagasipööramise aken ja kanaarirežiim (nt 1% liiklusest) regressioonide tuvastamiseks.

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

Reaalsed stsenaariumid, millega kokku puutud

Toote faktid muutuvad ajaga

Käivitaja: semantiline tooteüksusel

Siht: ümberkirjutamine dünaamilise muutujaga

Integratsioon: tõmba reaalajas väärtus oma hinnaallikast

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)

Lisa ohutushoiatused ilma ülepolitseitsemiseta

Käivitaja: klassifikaator meditsiinilise kavatsuse jaoks märgistamata kasutuse kohta

Siht: piirang + lühike lahtiütlus

Nipp: lisa kontrafaktuaalsed tulemused healoomulike terviseküsimuste jaoks, et vältida ülekäivitamist

Alanda erapoolikut seost

Käivitaja: semantiline tundlikul üksusel

Siht: erapoolikuse režiim kahjulike kirjelduste tõenäosuse vähendamiseks

Testid: õigluse sondid demograafia lõikes

Edu mõõtmine

Jälgi nii mudeli kui ka toote tulemusi:

Muudatuse täpsus: kui sageli käivitub muudatus siis, kui see peaks

Kontrafaktuaalne stabiilsus: triivi määr peaaegu möödalaskmistel

Kasutaja rahulolu: CSAT või pöidla ülespoole määr muudetud vastustel

Latentsuse üldkulu: siht <10 ms lisakestust taotluse kohta

Äri KPI: vähendatud eskaleerimised, kõrgem lahendamise määr, vähem vastavuslippe

Kohalike muudatuste tõrkeotsing Nano Bananas

Tundub, et muudatus ei rakendu

Alanda semantilist raadiust või lisa rohkem positiivseid seemneid

Suurenda tugevust veidi (0,05–0,1 võrra)

Kinnita, et käituskeskkond laadib aktiivse muudatuste komplekti

Liiga palju valepositiivseid

Lisa negatiivseid ja tõsta raadiust

Teisenda semantilisest klassifikaatori käivitajaks täpsuse tagamiseks

Vastused kõlavad sunduslikult

Lühenda malli; lülitu kergema puudutuse saamiseks erapoolikuse režiimile

Vähenda tugevust; lisa tingimuslik klausel

Jõudlus langeb

Partiide käivitaja arvutus; vahemälu manustamispäringud

Kärbi mitteaktiivseid muudatusi; väldi kattuvate käivitajate kasutamist

Juhtimine ja audit

Hoia muudatuste logi, mis sisaldab: autor, kavatsus, käivitajad, sihid, testid ja tulemused.

Nõua kõrge mõjuga muudatuste (vastavus, ohutus, rahandus) läbivaatamist.

Tee enne/pärast näidete hetktõmmis auditeeritavuse tagamiseks.

Täiustatud mustrid

Hierarhilised käivitajad: lai klassifikaator väravab konkreetse semantilise käivitaja, et vähendada valesignaale.

Ajalised muudatused: aeguvad muudatused automaatselt pärast kuupäeva; suurepärane reklaamide jaoks.

Mitme üksusega mallid: kasuta muutujaid: {{product}}, {{price}}, {{region}} koos lahendajaga.

A/B muudatuste variandid: konkureeri [email protected] vs [email protected], et näha, kumb annab parema UX-i.

Integreerimine oma virna

Salvesta muudatused versioonitud registrisse ja laadi need mudeliserveri käivitamisel.

Avalda väike haldusliides, et lülitada sisse, tagasi pöörata ja mõju kontrollida.

Voogedasta sündmusi, kui käivitaja käivitub jälgitavuse tagamiseks.

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

Muide: autorluse kiirendamine Sider.AI abil

Väärib märkimist: kui sa hooldad paljusid väikseid muudatusi, võib testide ja ümbersõnastuste autorlus muutuda tüütuks. Tööriistad nagu Sider.AI aitavad sul genereerida ümbersõnastatud küsimusi, korraldada kontrafaktuaalseid komplekte ja dokumenteerida muudatuste põhjendusi. See ei asenda sinu valideerimist – lihtsalt kiirendab igavaid osi, et saaksid keskenduda kvaliteediväravatele.

Kokkuvõte: kontrollnimekiri, mida saad taaskasutada

Määra käitumine, mida soovid; hoia see kitsalt piiritletud

Vali käivitaja tüüp: semantiline, muster või klassifikaator

Alusta mõõduka tugevusega ja lühikese malliga

Loo positiivseid, kontrafaktuaalseid ja stressiteste

Valideeri, kanaari, jälgi ja alles siis rulli välja

Versiooneeri iga muudatus ja hoia tagasipööramine käepärast

Järgmised sammud

Rakenda oma esimene semantilise käivitajaga ümberkirjutamise muudatus

Lisa klassifikaatori käivitajaga ohutusmuudatus koos lahtiütlustega

Automatiseeri ümbersõnastuste genereerimine ja regressioonitestimine

Mõõda triivi iganädalaselt ja kärbi aegunud muudatusi

Kui sa järgid seda töövoogu, saad Nano Bananaga teravad ja usaldusväärsed kohalikud muudatused – kiiresti tarnitavad, hõlpsasti hallatavad ja ohutult tagasi pööratavad.

KKK

K1: Mis on kohalikud muudatused Nano Bananas? Kohalikud muudatused on täpsed muudatused mudeli käitumises konkreetse ulatuse jaoks. Nano Bananas määrad sa käivitajad ja sihid, nii et muudatus rakendub ainult siis, kui see on asjakohane, minimeerides regressioone mujal.

K2: Kuidas ma valin ümberkirjutamise, erapoolikuse ja piirangute muudatuste vahel? Kasuta ümberkirjutamist faktiliste paranduste või mallitud väljundite jaoks, erapoolikust peente eelistuste nihete jaoks ja piiranguid rangete reeglite jaoks, nagu kohustuslikud lahtiütlused. Alusta kergemalt (ümberkirjutamine või erapoolikus) ja eskaleeri ainult siis, kui testid ebaõnnestuvad.

K3: Kuidas ma saan takistada kohalikel muudatustel mõjutada seotud päringuid? Tihenda oma käivitaja ulatust negatiivsete tulemustega, suurenda semantilist raadiust või lülitu klassifikaatori käivitajale. Kaasa alati kontrafaktuaalsed testid, et tagada stabiilsus.

K4: Kas ma saan Nano Bananas kohaliku muudatuse tagasi pöörata? Jah. Nano Banana toetab versioonimist ja tagasipööramist. Valideeri iga muudatus, kasuta kanaari väljarullimist ja hoia tagasipööramise aken, et saaksid kohe taastada, kui mõõdikud halvenevad.

K5: Kuidas ma saan kohalikke muudatusi tõhusalt testida? Loo positiivseid küsimusi, kontrafaktuaalseid küsimusi ja stressiteste, seejärel valideeri enne aktiveerimist. Mõõda läbimise määra, kontrafaktuaalset triivi ja UX-i mõõdikuid, nagu CSAT, et tagada, et muudatus aitab ilma kaaskahjustusteta.