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.

Paikallisten muokkausten tekeminen Nano Bananalla: Käytännön opas

Oletko koskaan toivonut, että voisit hienosäätää vain yhtä mallin käyttäytymisen osaa – ilman uudelleenkoulutusta, kaiken muun rikkomista tai tuntikausien odottelua? Paikalliset muokkaukset ovat uusi supervoimasi. Tässä oppaassa käymme läpi, miten paikallisia muokkauksia tehdään Nano Bananalla vaihe vaiheelta, käytännön esimerkkien ja vältettävien sudenkuoppien kera.

Rohkea väite: Paikallisten muokkausten avulla voit korjata kirurgisesti yhden mallin käyttäytymisen jättäen loput ennalleen. Ajattele pikakorjausta, älä uudelleenrakentamista.

Tämä opetusohjelma noudattaa käytännöllistä ja ratkaisukeskeistä tyyliä. Pidämme sen käytännönläheisenä, näytämme koodimaisia malleja ja keskitymme tuloksiin, jotka voit nopeasti todentaa.

Mitä ovat paikalliset muokkaukset (ja miksi käyttää Nano Bananaa)?

Paikalliset muokkaukset ovat tarkkoja muutoksia mallin vastauksiin tietyille syötteille tai käsitteille, vaikuttamatta muihin kuin niihin liittyviin tulosteisiin.

Nano Banana (NB) on kevyt muokkaustyökalupakki LLM:ille ja luokittelijapäille, joka korostaa:

Nopeutta: Muokkaukset sekunneissa, ei tunneissa

Eristystä: Minimoi regressiot muualla

Peruutettavuutta: Kumoa tai versioi muokkaukset puhtaasti

Auditoitavuutta: Seuraa tarkasti, mitä muuttui ja miksi

Tyypillisiä käyttötapauksia:

Korjaa malli, joka hallusinoi tuotteen hinnan, pakottamalla korjatun faktan

Heikennä tai poista puolueellista assosiaatiota tietylle entiteetille

Lisää uusi sääntö arkaluonteiselle alueelle (esim. lääketieteelliset vastuuvapauslausekkeet) ilman uudelleenkoulutusta

Paikkaa "tunnetusti huono" vastausmalli, joka on tunnistettu punatiimityksessä

Ennen kuin aloitat: Käytettävät käsitteet

Muokkauksen laajuus: Liipaisinehdot, jotka määrittävät, milloin muokkaus koskee (mallit, upotukset tai luokittelijan portit).

Muokkauksen kohde: Haluamasi käyttäytyminen (uusi token-asetus, rajoitus tai uudelleenkirjoitusmalli).

Muokkauksen vahvuus: Kuinka voimakkaasti muokkaus ohittaa perusmallin (pehmeät vs. kovat rajoitukset).

Turvallisuustestit: Kontrafaktuaaliset kehotteet, joiden ei pitäisi muuttua – välttämättömyys regressioiden välttämiseksi.

Palautus/versiointi: Kyky kumota tai verrata muokkausvariantteja.

Pika-aloitus: 10 minuutin polku

Tässä on nopein tapa saada paikallinen muokkaus toimimaan Nano Bananassa. Esimerkit käyttävät pseudo-rajapintoja, jotka peilaavat yleisiä NB-malleja, jotta voit mukauttaa ympäristöösi.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Alusta editori mallillasi
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Määritä liipaisin (muokkauksen laajuus)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # lausekkeet käsitteen ankkuroimiseksi
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # samankaltaisuuskynnys aktivoinnille
)
# 3) Määritä kohdekäyttäytyminen
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; korkeampi = vahvempi ohitus
)
# 4) Lisää turvallisuustestit
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) Käytä muokkausta ja vahvista
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktivoi porttien läpäisyn jälkeen
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Oikean muokkaustyypin valitseminen

Uudelleenkirjoitus: Paras tosiasioiden korjauksiin tai mallinnettuihin ohjauksiin. Esimerkki: tuotteen spesifikaation korjaaminen.

Harha: Säädä token-tason todennäköisyyksiä ilman mallintamista. Esimerkki: estä vaarallisia verbejä kapeassa kontekstissa.

Rajoitus: Pakota kovia sääntöjä (esim. vastuuvapauslauseke on sisällytettävä). Käytä säästeliäästi luonnottoman muotoilun välttämiseksi.

Milloin käyttää semanttisia vs. malliliipaisimia

Semanttiset liipaisimet: Kestäviä parafraaseille. Erinomainen käsitteille, kuten "Acme Pro 5:n hinta".

Malliliipaisimet: Regex- tai avainsanaosumat. Hyvä tiukoille muodoille (esim. SKU-koodit).

Luokittelijaliipaisimet: Kouluta pieni portti positiivisilla/negatiivisilla esimerkeillä tarkkuuden saavuttamiseksi hankalilla alueilla.

Luotettavien liipaisimien rakentaminen

Aloita 5–10 positiivisella siemenlausekkeella ja 5–10 negatiivisella.

Mittaa aktivointipoikkeama: kuinka usein liipaisin laukeaa aiheeseen liittymättömissä syötteissä.

Säädä sädettä niin, että positiiviset laukeavat johdonmukaisesti, kun taas kontrafaktuaaliset eivät. Pyri alle 2 %:n vääriin aktivointeihin.

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

Kohdeiden luominen ilman vaurioita

Suosi ytimekkäitä malleja: yksi lause usein voittaa kolme.

Pidä vahvuus aluksi kohtalaisena (0,4–0,7); lisää vain, jos testit epäonnistuvat.

Vaatimustenmukaisuuden muokkauksissa käytä ehdollista mallia:

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
)

Testaus: Turvaverkko

Suunnittele testit ikään kuin tuleva itsesi kiittäisi sinua.

Positiiviset: Suorat osumat ja parafraasit ("hinta", "kustannus", "kuinka paljon").

Kontrafaktuaaliset: Samanlaiset entiteetit, eri mallit, vertailut.

Stressitestit: Pitkät kehotteet, vastakkainasettelun muotoilu, monikieliset muunnelmat.

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)

Versiointi ja palautus kuin ammattilainen

Käytä semanttista versiointia muokkauksissa: [email protected].

Vahvista aina ennen aktivointia; älä koskaan aktivoi suoraan tuotantoliikenteessä.

Pidä palautusikkuna ja kanarialintu-tila (esim. 1 % liikenteestä) regressioiden havaitsemiseksi.

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

Todellisia skenaarioita, joita kohtaat

Tuotetiedot muuttuvat ajan myötä

Liipaisin: semanttinen tuoteentiteetissä

Kohde: uudelleenkirjoitus dynaamisella muuttujalla

Integraatio: vedä reaaliaikainen arvo hinnoittelun totuuden lähteestä

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)

Lisää turvallisuusvastuuvapauslausekkeita ilman ylivartiointia

Liipaisin: luokittelija lääketieteelliselle tarkoitukselle off-label-käytöstä

Kohde: rajoitus + lyhyt vastuuvapauslauseke

Vihje: Sisällytä kontrafaktuaalisia hyvänlaatuisia terveyskyselyitä ylilaukaisun välttämiseksi

Heikennä puolueellista assosiaatiota

Liipaisin: semanttinen arkaluonteisessa entiteetissä

Kohde: harhatila vähentää haitallisten kuvaajien todennäköisyyttä

Testit: oikeudenmukaisuustutkimukset eri väestöryhmissä

Menestyksen mittaaminen

Seuraa sekä mallin että tuotteen tuloksia:

Muokkauksen tarkkuus: Kuinka usein muokkaus laukeaa, kun sen pitäisi

Kontrafaktuaalinen vakaus: Poikkeamanopeus lähes-missauksissa

Käyttäjätyytyväisyys: CSAT tai peukku ylös -prosentti muokatuissa vastauksissa

Latenssiylitys: Tavoite <10 ms lisäaikaa per pyyntö

Liiketoiminnan KPI: Vähentyneet eskalaatiot, korkeampi ratkaisuprosentti, vähemmän vaatimustenmukaisuusmerkintöjä

Paikallisten muokkausten vianmääritys Nano Bananassa

Muokkaus ei näytä koskevan

Laske semanttista sädettä tai lisää positiivisia siemeniä

Lisää vahvuutta hieman (0,05–0,1)

Vahvista, että suoritusaikana ladataan aktiivinen muokkausjoukko

Liian monta vääriä positiivista

Lisää negatiivisia ja nosta sädettä

Muunna semanttisesta luokittelijaliipaisimeksi tarkkuuden saavuttamiseksi

Vastaukset kuulostavat pakotetuilta

Lyhennä mallia; vaihda harhatilaan kevyemmän kosketuksen saavuttamiseksi

Vähennä vahvuutta; lisää ehdollinen lauseke

Suorituskyky laskee

Erälippaa liipaisinlaskenta; välimuista upotuskyselyt

Karsi passiiviset muokkaukset; vältä päällekkäisiä liipaisimia

Hallinto ja auditointi

Pidä muutoslokia, jossa on: tekijä, tarkoitus, liipaisimet, kohteet, testit ja tulokset.

Vaadi tarkistus suurivaikutteisille muokkauksille (vaatimustenmukaisuus, turvallisuus, rahoitus).

Ota tilannekuvia ennen/jälkeen esimerkeistä auditoitavuuden varmistamiseksi.

Edistyneet mallit

Hierarkkiset liipaisimet: Laaja luokittelija portittaa tietyn semanttisen liipaisimen vähentääkseen vääriä laukaisuja.

Aikarajoitetut muokkaukset: Automaattisesti vanhenevat muokkaukset päivämäärän jälkeen; sopii erinomaisesti kampanjoihin.

Monientiteettimallit: Käytä muuttujia: {{product}}, {{price}}, {{region}} ratkaisijan kanssa.

A/B-muokkausvariantit: Kilpailuta [email protected] vs [email protected] nähdäksesi, mikä tuottaa paremman UX:n.

Integrointi pinoosi

Tallenna muokkaukset versioituun rekisteriin ja lataa ne mallipalvelimen käynnistyksessä.

Paljasta pieni hallintakäyttöliittymä vaihtaaksesi, palauttaaksesi ja tarkastaaksesi vaikutuksen.

Suoratoista tapahtumia, kun liipaisin laukeaa havainnoitavuuden vuoksi.

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

Muuten: Kirjoittamisen nopeuttaminen Sider.AI:n avulla

Huomionarvoista: jos ylläpidät monia pieniä muokkauksia, testien ja parafraasien kirjoittaminen voi olla työlästä. Työkalut, kuten Sider.AI, voivat auttaa sinua luomaan parafraseerattuja kehotteita, järjestämään kontrafaktuaalisia sarjoja ja dokumentoimaan muokkausten perusteluja. Tämä ei korvaa validointiasi – vain nopeuttaa tylsiä osia, jotta voit keskittyä laatuportteihin.

Yhteenveto: Tarkistuslista, jonka voit käyttää uudelleen

Määritä haluamasi käyttäytyminen; pidä se kapea-alaisena

Valitse liipaisintyyppi: semanttinen, malli tai luokittelija

Aloita kohtalaisella vahvuudella ja lyhyellä mallilla

Rakenna positiivisia, kontrafaktuaalisia ja stressitestejä

Vahvista, kanarialintu, seuraa ja vasta sitten ota käyttöön

Versioi jokainen muutos ja pidä palautus käden ulottuvilla

Seuraavat vaiheet

Toteuta ensimmäinen semanttisen liipaisimen uudelleenkirjoitusmuokkaus

Lisää luokittelijaliipaisimen turvallisuusmuokkaus vastuuvapauslausekkeilla

Automatisoi parafraasien luominen ja regressiotestaus

Mittaa poikkeama viikoittain ja karsi vanhentuneet muokkaukset

Jos noudatat tätä työnkulkua, saat teräviä ja luotettavia paikallisia muokkauksia Nano Bananalla – nopea toimittaa, helppo hallita ja turvallinen palauttaa.

UKK

K1: Mitä ovat paikalliset muokkaukset Nano Bananassa? Paikalliset muokkaukset ovat tarkkoja muutoksia mallin käyttäytymiseen tietyssä laajuudessa. Nano Bananassa määrität liipaisimet ja kohteet, jotta muokkaus koskee vain silloin, kun se on relevantti, minimoiden regressiot muualla.

K2: Miten valitsen uudelleenkirjoitus-, harha- ja rajoitusmuokkausten välillä? Käytä uudelleenkirjoitusta tosiasioiden korjauksiin tai mallinnettuihin tulosteisiin, harhaa hienovaraisiin asetusmuutoksiin ja rajoitusta koviin sääntöihin, kuten pakollisiin vastuuvapauslausekkeisiin. Aloita kevyemmin (uudelleenkirjoitus tai harha) ja eskaloitu vain, jos testit epäonnistuvat.

K3: Miten voin estää paikallisia muokkauksia vaikuttamasta aiheeseen liittymättömiin kyselyihin? Tiukenna liipaisimen laajuutta negatiivisilla, lisää semanttista sädettä tai vaihda luokittelijaliipaisimeen. Sisällytä aina kontrafaktuaalisia testejä vakauden varmistamiseksi.

K4: Voinko kumota paikallisen muokkauksen Nano Bananassa? Kyllä. Nano Banana tukee versiointia ja palautusta. Vahvista jokainen muokkaus, käytä kanarialinnun käyttöönottoa ja pidä palautusikkuna, jotta voit palata heti, jos mittarit heikkenevät.

K5: Miten testaan paikallisia muokkauksia tehokkaasti? Luo positiivisia kehotteita, kontrafaktuaalisia kehotteita ja stressitestejä ja vahvista sitten ennen aktivointia. Mittaa läpäisyprosentti, kontrafaktuaalinen poikkeama ja UX-mittarit, kuten CSAT, varmistaaksesi, että muokkaus auttaa ilman vaurioita.