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.

Kako napraviti lokalne izmjene s Nano Banana: Praktični vodič

Ako ste ikada poželjeli moći prilagoditi samo jedan dio ponašanja modela—bez ponovnog treniranja, uništavanja svega ostalog ili čekanja satima—lokalne izmjene su vaša nova supermoć. U ovom vodiču proći ćemo korak po korak kako napraviti lokalne izmjene s Nano Banana, s praktičnim primjerima i zamkama koje treba izbjegavati.

Odvažna tvrdnja: Lokalne izmjene omogućuju vam kirurški popravak jednog ponašanja modela, dok ostatak ostaje netaknut. Razmislite o brzom popravku, a ne o ponovnoj izgradnji.

Ovaj tutorial slijedi stil usmjeren na praksu i rješenja. Bit ćemo praktični, pokazati vam obrasce slične kodu i usredotočiti se na rezultate koje možete brzo provjeriti.

Što su lokalne izmjene (i zašto koristiti Nano Banana)?

Lokalne izmjene su precizne modifikacije odgovora modela za specifične unose ili koncepte, bez utjecaja na nepovezane izlaze.

Nano Banana (NB) je lagani alat za uređivanje za LLM-ove i klasifikacijske glave koji naglašava:

Brzinu: Izmjene u sekundama, ne satima

Izolaciju: Minimiziranje regresija drugdje

Reverzibilnost: Čisto vraćanje ili verziranje izmjena

Revizibilnost: Praćenje točno onoga što se promijenilo i zašto

Tipični slučajevi upotrebe:

Popravite model koji halucinira cijenu proizvoda namećući ispravljenu činjenicu

Smanjite ili uklonite pristranu asocijaciju za određeni entitet

Dodajte novo pravilo za osjetljivo područje (npr. medicinske izjave o odricanju odgovornosti) bez ponovnog treniranja

Zakrpajte obrazac odgovora "poznat kao loš" identificiran u red-teamingu

Prije nego što počnete: Koncepti koje ćete koristiti

Opseg uređivanja: Uvjeti okidanja koji definiraju kada se uređivanje primjenjuje (obrasci, ugradnje ili klasifikacijski prolazi).

Cilj uređivanja: Ponašanje koje želite (nova preferencija tokena, ograničenje ili predložak za prepisivanje).

Jačina uređivanja: Koliko snažno uređivanje nadjačava osnovni model (meka naspram tvrdih ograničenja).

Sigurnosni testovi: Kontrafaktualni upiti koji se ne bi trebali mijenjati—nužni za izbjegavanje regresija.

Vraćanje/verzija: Mogućnost poništavanja ili usporedbe varijanti uređivanja.

Brzi početak: Put od 10 minuta

Evo najbržeg načina da lokalno uređivanje proradi u Nano Banana. Primjeri koriste pseudo-API-je koji odražavaju uobičajene NB obrasce kako biste se mogli prilagoditi svom okruženju.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Inicijalizirajte uređivač sa svojim modelom
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Definirajte okidač (opseg uređivanja)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # fraze za sidrenje koncepta
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # prag sličnosti za aktivaciju
)
# 3) Definirajte ciljno ponašanje
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; veće = jače nadjačavanje
)
# 4) Dodajte sigurnosne testove
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) Primijenite uređivanje i potvrdite
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktivirajte nakon prolaska kroz prolaze
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Odabir prave vrste uređivanja

Prepisivanje: Najbolje za činjenične ispravke ili predloške. Primjer: ispravljanje specifikacije proizvoda.

Pristranost: Prilagodite vjerojatnosti na razini tokena bez predložaka. Primjer: obeshrabrite nesigurne glagole u uskom kontekstu.

Ograničenje: Nametnite stroga pravila (npr. mora uključivati izjavu o odricanju odgovornosti). Koristite štedljivo kako biste izbjegli neprirodno fraziranje.

Kada koristiti semantičke naspram okidača uzoraka

Semantički okidači: Otporni na parafraziranje. Izvrsno za koncepte poput "cijena Acme Pro 5".

Okidači uzoraka: Podudaranja regularnih izraza ili ključnih riječi. Dobro za stroge formate (npr. SKU kodovi).

Klasifikacijski okidači: Istrenirajte mali prolaz na pozitivnim/negativnim primjerima za preciznost u teškim domenama.

Izgradnja pouzdanih okidača

Počnite s 5–10 pozitivnih početnih fraza i 5–10 negativnih.

Izmjerite aktivacijski drift: koliko se često okidač aktivira na nepovezanim unosima.

Podesite radijus tako da se vaši pozitivni rezultati dosljedno aktiviraju, dok se kontrafaktualni ne aktiviraju. Ciljajte na <2% lažnih aktivacija.

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

Izrada ciljeva bez kolateralne štete

Preferirajte sažete predloške: jedna rečenica često pobjeđuje tri.

Neka jačina prvo bude umjerena (0,4–0,7); povećajte samo ako testovi ne uspiju.

Za izmjene usklađenosti, koristite uvjetni predložak:

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
)

Testiranje: Vaša sigurnosna mreža

Dizajnirajte testove kao da će vam vaš budući ja biti zahvalan.

Pozitivni: Izravni pogoci i parafraziranja ("cijena", "trošak", "koliko košta").

Kontrafaktualni: Slični entiteti, različiti modeli, usporedbe.

Stres testovi: Dugi upiti, suprotstavljeno fraziranje, višejezične varijante.

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)

Verzioniranje i vraćanje kao profesionalac

Koristite semantičko verzioniranje za izmjene: [email protected].

Uvijek potvrdite prije aktivacije; nikada ne aktivirajte na vruće na produkcijskom prometu.

Zadržite prozor za vraćanje i kanarski način rada (npr. 1% prometa) za otkrivanje regresija.

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

Scenariji iz stvarnog svijeta s kojima ćete se susresti

Činjenice o proizvodu s vremenom se mijenjaju

Okidač: semantički na entitet proizvoda

Cilj: prepisivanje s dinamičkom varijablom

Integracija: povucite vrijednost uživo iz svog izvora istine o cijenama

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)

Dodajte sigurnosne izjave o odricanju odgovornosti bez prekomjernog nadzora

Okidač: klasifikator za medicinsku namjeru o upotrebi izvan etikete

Cilj: ograničenje + kratka izjava o odricanju odgovornosti

Savjet: Uključite kontrafaktualne za benigne zdravstvene upite kako biste izbjegli prekomjerno okidanje

Smanjite pristranu asocijaciju

Okidač: semantički na osjetljivom entitetu

Cilj: način pristranosti za smanjenje vjerojatnosti štetnih deskriptora

Testovi: sonde pravednosti u svim demografskim kategorijama

Mjerenje uspjeha

Pratite i ishod modela i proizvoda:

Preciznost uređivanja: Koliko se često uređivanje aktivira kada bi trebalo

Kontrafaktualna stabilnost: Stopa drifta na bliskim promašajima

Zadovoljstvo korisnika: CSAT ili stopa "palac gore" na uređenim odgovorima

Latencija: Cilj <10 ms dodatnog vremena po zahtjevu

Poslovni KPI: Smanjene eskalacije, veća stopa rješavanja, manje zastavica usklađenosti

Rješavanje problema s lokalnim izmjenama u Nano Banana

Čini se da se uređivanje ne primjenjuje

Smanjite semantički radijus ili dodajte više pozitivnih sjemena

Lagano povećajte jačinu (za 0,05–0,1)

Potvrdite da runtime učitava aktivni skup izmjena

Previše lažno pozitivnih

Dodajte negative i povećajte radijus

Pretvorite se iz semantičkog u klasifikacijski okidač za preciznost

Odgovori zvuče prisilno

Skratite predložak; prebacite se na način pristranosti za lakši dodir

Smanjite jačinu; dodajte uvjetnu klauzulu

Pad performansi

Skupno izračunajte okidač; predmemorirajte upite za ugradnju

Obrežite neaktivne izmjene; izbjegavajte preklapanje okidača

Upravljanje i revizija

Vodite dnevnik promjena s: autorom, namjerom, okidačima, ciljevima, testovima i ishodima.

Zahtijevajte pregled za izmjene s velikim utjecajem (usklađenost, sigurnost, financije).

Snimite primjere prije/poslije za reviziju.

Napredni obrasci

Hijerarhijski okidači: Široki klasifikator zatvara specifični semantički okidač za manje lažnih aktiviranja.

Vremenski ograničene izmjene: Automatski istek izmjena nakon datuma; izvrsno za promocije.

Predlošci s više entiteta: Koristite varijable: {{product}}, {{price}}, {{region}} s razrješivačem.

A/B varijante uređivanja: Natječite se [email protected] vs [email protected] kako biste vidjeli što daje bolji UX.

Integracija u vaš stog

Pohranite izmjene u registru s verzijama i učitajte ih pri pokretanju poslužitelja modela.

Izložite mali admin UI za prebacivanje, vraćanje i pregled utjecaja.

Strimujte događaje kada se okidač aktivira za vidljivost.

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

Usput: Ubrzavanje autorstva s Sider.AI

Vrijedno je napomenuti: ako održavate mnogo malih izmjena, autorstvo testova i parafraziranja može postati zamorno. Alati poput Sider.AI mogu vam pomoći generirati parafrazirane upite, organizirati kontrafaktualne skupove i dokumentirati obrazloženja uređivanja. Ovo ne zamjenjuje vašu validaciju—samo ubrzava dosadne dijelove kako biste se mogli usredotočiti na kvalitetne prolaze.

Rekapitulacija: Kontrolni popis koji možete ponovno upotrijebiti

Definirajte ponašanje koje želite; neka bude usko usmjereno

Odaberite vrstu okidača: semantički, uzorak ili klasifikator

Počnite s umjerenom jačinom i kratkim predloškom

Izgradite pozitivne, kontrafaktualne i stres testove

Potvrdite, kanarirajte, nadzirite i tek onda uvedite

Verzionirajte svaku promjenu i držite vraćanje pri ruci

Sljedeći koraci

Implementirajte svoju prvu semantičku izmjenu prepisivanja okidača

Dodajte sigurnosnu izmjenu klasifikacijskog okidača s izjavama o odricanju odgovornosti

Automatizirajte generiranje parafraziranja i testiranje regresije

Mjerite drift tjedno i obrezujte zastarjele izmjene

Ako slijedite ovaj tijek rada, dobit ćete jasne, pouzdane lokalne izmjene s Nano Banana—brze za isporuku, jednostavne za upravljanje i sigurne za vraćanje.

FAQ

P1: Što su lokalne izmjene u Nano Banana? Lokalne izmjene su precizne modifikacije ponašanja modela za određeni opseg. U Nano Banana definirate okidače i ciljeve tako da se izmjena primjenjuje samo kada je relevantna, minimizirajući regresije drugdje.

P2: Kako odabrati između prepisivanja, pristranosti i ograničenja? Koristite prepisivanje za činjenične ispravke ili predloške, pristranost za suptilne pomake preferencija i ograničenje za stroga pravila kao što su obvezne izjave o odricanju odgovornosti. Počnite lakše (prepisivanje ili pristranost) i eskalirajte samo ako testovi ne uspiju.

P3: Kako mogu spriječiti da lokalne izmjene utječu na nepovezane upite? Zategnite opseg okidača s negativima, povećajte semantički radijus ili se prebacite na klasifikacijski okidač. Uvijek uključite kontrafaktualne testove kako biste osigurali stabilnost.

P4: Mogu li vratiti lokalnu izmjenu u Nano Banana? Da. Nano Banana podržava verzioniranje i vraćanje. Potvrdite svaku izmjenu, koristite kanarsko uvođenje i zadržite prozor za vraćanje kako biste se mogli odmah vratiti ako se metrike pogoršaju.

P5: Kako učinkovito testirati lokalne izmjene? Stvorite pozitivne upite, kontrafaktualne upite i stres testove, a zatim potvrdite prije aktivacije. Izmjerite stopu prolaznosti, kontrafaktualni drift i UX metrike poput CSAT-a kako biste osigurali da izmjena pomaže bez kolateralne štete.