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.

Hogyan végezzünk helyi szerkesztéseket a Nano Banana segítségével: Gyakorlati útmutató

Ha valaha is szeretted volna finomhangolni egy modell viselkedésének csak egy részét – anélkül, hogy újra kellene képezni, mindent tönkretennél, vagy órákig várnál –, a helyi szerkesztések lesznek az új szuperképességed. Ebben az útmutatóban lépésről lépésre végigvezetjük, hogyan végezhetsz helyi szerkesztéseket a Nano Banana segítségével, gyakorlati példákkal és elkerülendő buktatókkal.

Merész állítás: A helyi szerkesztések lehetővé teszik, hogy sebészi pontossággal javítsd ki egy modell egyetlen viselkedését, miközben a többi érintetlen marad. Gondolj gyorsjavításra, ne újjáépítésre.

Ez az oktatóanyag gyakorlati és megoldásorientált stílust követ. Gyakorlatias maradunk, kódszerű mintákat mutatunk be, és azokra az eredményekre összpontosítunk, amelyeket gyorsan ellenőrizhetsz.

Mik azok a helyi szerkesztések (és miért használjuk a Nano Bananat)?

A helyi szerkesztések pontos módosítások egy modell válaszaiban bizonyos bemenetekre vagy fogalmakra vonatkozóan, anélkül, hogy befolyásolnák a nem kapcsolódó kimeneteket.

A Nano Banana (NB) egy könnyű szerkesztő eszközkészlet LLM-ekhez és osztályozó fejekhez, amely a következőket hangsúlyozza:

Sebesség: Szerkesztések másodpercek alatt, nem órák alatt

Izoláció: Minimalizálja a regressziókat máshol

Visszafordíthatóság: Tiszta visszavonás vagy verziókezelés

Ellenőrizhetőség: Kövesd nyomon pontosan, mi változott és miért

Tipikus felhasználási esetek:

Javíts ki egy modellt, amely hallucinál egy termék árát egy helyesbített tény érvényesítésével

Fokozatosan szüntess meg vagy távolíts el egy elfogult asszociációt egy adott entitás esetében

Adj hozzá egy új szabályt egy érzékeny területhez (pl. orvosi felelősségkizárások) anélkül, hogy újra képezd

Javíts ki egy "ismerten rossz" válaszmintát, amelyet a red-teaming során azonosítottak

Mielőtt elkezdenéd: Fogalmak, amelyeket használni fogsz

Szerkesztés hatóköre: A trigger feltételek, amelyek meghatározzák, mikor alkalmazandó a szerkesztés (minták, beágyazások vagy osztályozó kapuk).

Szerkesztés célja: A kívánt viselkedés (új token preferencia, korlátozás vagy átírási sablon).

Szerkesztés erőssége: Milyen erősen írja felül a szerkesztés az alapmodellt (enyhe vs. szigorú korlátozások).

Biztonsági tesztek: Kontrafaktuális promptok, amelyek nem változhatnak – elengedhetetlen a regressziók elkerülése érdekében.

Visszavonás/verziókezelés: Képesség a szerkesztési változatok visszavonására vagy összehasonlítására.

Gyors üzembe helyezés: A 10 perces út

Íme a leggyorsabb módja annak, hogy működő helyi szerkesztést kapj a Nano Banana-ban. A példák olyan pszeudo-API-kat használnak, amelyek tükrözik a közös NB-mintákat, így alkalmazkodhatsz a környezetedhez.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Inicializáld a szerkesztőt a modelljével
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Határozd meg a triggert (szerkesztés hatóköre)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # kifejezések a koncepció rögzítéséhez
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # hasonlósági küszöbérték az aktiváláshoz
)
# 3) Határozd meg a cél viselkedést
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; magasabb = erősebb felülírás
)
# 4) Adj hozzá biztonsági teszteket
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) Alkalmazd a szerkesztést és érvényesítsd
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktiváld a kapuk átlépése után
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

A megfelelő szerkesztési típus kiválasztása

Átírás: A legjobb ténybeli javításokhoz vagy sablonos lökdösésekhez. Példa: egy termék specifikációjának javítása.

Torzítás: Állítsd be a token-szintű valószínűségeket sablonok nélkül. Példa: a nem biztonságos igék elriasztása egy szűk kontextusban.

Korlátozás: Szigorú szabályok érvényesítése (pl. kötelező felelősségkizárás). Használd takarékosan a természetellenes szóhasználat elkerülése érdekében.

Mikor használjunk szemantikus vs. minta triggereket

Szemantikus triggerek: Robusztusak a parafrázisokkal szemben. Nagyszerű olyan fogalmakhoz, mint az "Acme Pro 5 ára".

Minta triggerek: Regex vagy kulcsszó egyezések. Jó szigorú formátumokhoz (pl. SKU kódok).

Osztályozó triggerek: Képezz ki egy kis kaput pozitív/negatív példákon a pontosság érdekében trükkös területeken.

Megbízható triggerek építése

Kezdj 5–10 pozitív kiindulási kifejezéssel és 5–10 negatívval.

Mérd az aktivációs eltérést: milyen gyakran aktiválódik a trigger nem kapcsolódó bemeneteknél.

Hangold a sugarat úgy, hogy a pozitívok következetesen aktiválódjanak, miközben a kontrafaktuálisok ne. Törekedj a <2%-os hamis aktiválásokra.

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

Célok kidolgozása járulékos károk nélkül

Előnyben részesítsd a tömör sablonokat: egy mondat gyakran jobb, mint három.

Tartsd a erősséget először mérsékelten (0,4–0,7); csak akkor növeld, ha a tesztek sikertelenek.

Megfelelőségi szerkesztésekhez használj feltételes sablont:

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
)

Tesztelés: A biztonsági hálód

Tervezd meg a teszteket úgy, mintha a jövőbeli éned hálás lenne érte.

Pozitívok: Közvetlen találatok és parafrázisok ("ár", "költség", "mennyibe kerül").

Kontrafaktuálisok: Hasonló entitások, különböző modellek, összehasonlítások.

Stressztesztek: Hosszú promptok, ellenséges szóhasználat, többnyelvű változatok.

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)

Verziókezelés és visszaállítás profiként

Használj szemantikus verziókezelést a szerkesztésekhez: [email protected].

Mindig érvényesíts aktiválás előtt; soha ne aktiválj élesben a termelési forgalmon.

Tarts fenn egy visszaállítási időablakot és egy kanári módot (pl. a forgalom 1%-a) a regressziók észleléséhez.

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

Valós forgatókönyvek, amelyekkel találkozni fogsz

A termékadatok idővel változnak

Trigger: szemantikus a termék entitáson

Cél: átírás dinamikus változóval

Integráció: élő érték lekérése az árképzési igazságforrásból

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)

Biztonsági felelősségkizárások hozzáadása túlzott ellenőrzés nélkül

Trigger: osztályozó az orvosi szándékhoz a nem engedélyezett használattal kapcsolatban

Cél: korlátozás + rövid felelősségkizárás

Tipp: Tartalmazz kontrafaktuálisokat a jóindulatú egészségügyi kérdésekhez a túlzott aktiválás elkerülése érdekében

Egy elfogult asszociáció visszaszorítása

Trigger: szemantikus az érzékeny entitáson

Cél: torzítási mód a káros leírók valószínűségének csökkentésére

Tesztek: méltányossági vizsgálatok a demográfiai adatok között

A siker mérése

Kövesd nyomon a modell és a termék eredményeit is:

Szerkesztés pontossága: Milyen gyakran aktiválódik a szerkesztés, amikor kellene

Kontrafaktuális stabilitás: Eltérési arány a majdnem-találatoknál

Felhasználói elégedettség: CSAT vagy hüvelykujj-fel arány a szerkesztett válaszokon

Késleltetési többlet: Cél <10 ms további idő kérésenként

Üzleti KPI: Csökkentett eszkalációk, magasabb megoldási arány, kevesebb megfelelőségi jelzés

A helyi szerkesztések hibaelhárítása a Nano Banana-ban

Úgy tűnik, a szerkesztés nem alkalmazódik

Csökkentsd a szemantikus sugarat, vagy adj hozzá több pozitív magot

Enyhén növeld az erősséget (0,05–0,1-gyel)

Győződj meg arról, hogy a futtatókörnyezet betölti az aktív szerkesztési készletet

Túl sok a téves pozitív

Adj hozzá negatívokat és növeld a sugarat

Válts szemantikusról osztályozó triggerre a pontosság érdekében

A válaszok erőltetettnek hangzanak

Rövidítsd le a sablont; válts torzítási módra a könnyebb érintés érdekében

Csökkentsd az erősséget; adj hozzá egy feltételes záradékot

Teljesítménycsökkenés

Kötegeld a trigger számítást; gyorsítótárazd a beágyazási lekérdezéseket

Tisztítsd meg az inaktív szerkesztéseket; kerüld az átfedő triggereket

Irányítás és audit

Vezess változásnaplót a következőkkel: szerző, szándék, triggerek, célok, tesztek és eredmények.

Kötelezővé teszi a felülvizsgálatot a nagy hatású szerkesztésekhez (megfelelőség, biztonság, pénzügy).

Készíts pillanatfelvételt a példákról előtte/utána az auditálhatóság érdekében.

Speciális minták

Hierarchikus triggerek: Egy széles osztályozó kapuz egy adott szemantikus triggert a kevesebb téves riasztás érdekében.

Időhöz kötött szerkesztések: Automatikusan lejáró szerkesztések egy dátum után; nagyszerű promóciókhoz.

Több entitásos sablonok: Használj változókat: {{product}}, {{price}}, {{region}} egy feloldóval.

A/B szerkesztési változatok: Versenyeztesd a [email protected] vs [email protected] lehetőségeket, hogy lásd, melyik eredményez jobb UX-et.

Integráció a stack-edbe

Tárold a szerkesztéseket egy verziókezelő regisztrációs adatbázisban, és töltsd be őket a modell-szerver indításakor.

Tegyél közzé egy kis adminisztrációs felhasználói felületet a bekapcsoláshoz, a visszaállításhoz és a hatás ellenőrzéséhez.

Streamelj eseményeket, amikor egy trigger aktiválódik a megfigyelhetőség érdekében.

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

Egyébként: A szerzői munka felgyorsítása a Sider.AI segítségével

Érdemes megjegyezni: ha sok kis szerkesztést tartasz fenn, a tesztek és a parafrázisok készítése unalmassá válhat. Az olyan eszközök, mint a Sider.AI segíthetnek a parafrázált promptok generálásában, a kontrafaktuális csomagok rendszerezésében és a szerkesztési indokok dokumentálásában. Ez nem helyettesíti az érvényesítést – csak felgyorsítja az unalmas részeket, így a minőségi kapukra koncentrálhatsz.

Összefoglalás: Egy ellenőrzőlista, amelyet újra felhasználhatsz

Határozd meg a kívánt viselkedést; tartsd szűken a hatókörét

Válassz trigger típust: szemantikus, minta vagy osztályozó

Kezdj mérsékelt erősséggel és egy rövid sablonnal

Építs pozitívokat, kontrafaktuálisokat és stresszteszteket

Érvényesíts, kanári, monitorozz, és csak azután vezess be

Verziózz minden változtatást, és tartsd kéznél a visszaállítást

Következő lépések

Valósítsd meg az első szemantikus trigger átírási szerkesztésedet

Adj hozzá egy osztályozó trigger biztonsági szerkesztést felelősségkizárásokkal

Automatizáld a parafrázis generálást és a regressziós tesztelést

Mérd az eltérést hetente, és tisztítsd meg az elavult szerkesztéseket

Ha követed ezt a munkafolyamatot, éles, megbízható helyi szerkesztéseket kapsz a Nano Banana-val – gyorsan szállítható, könnyen kezelhető és biztonságosan visszaállítható.

GYIK

Q1:Mik azok a helyi szerkesztések a Nano Banana-ban? A helyi szerkesztések pontos módosítások egy modell viselkedésében egy adott hatókörre vonatkozóan. A Nano Banana-ban triggereket és célokat definiálsz, így a szerkesztés csak akkor alkalmazódik, ha releváns, minimalizálva a regressziókat máshol.

Q2:Hogyan válasszak az átírási, torzítási és korlátozási szerkesztések között? Használj átírást ténybeli javításokhoz vagy sablonos kimenetekhez, torzítást a finom preferenciaváltásokhoz, és korlátozást a szigorú szabályokhoz, például a kötelező felelősségkizárásokhoz. Kezdd könnyebben (átírás vagy torzítás), és csak akkor eszkalálj, ha a tesztek sikertelenek.

Q3:Hogyan akadályozhatom meg, hogy a helyi szerkesztések befolyásolják a nem kapcsolódó lekérdezéseket? Szűkítsd a trigger hatókörét negatívokkal, növeld a szemantikus sugarat, vagy válts osztályozó triggerre. Mindig tartalmazz kontrafaktuális teszteket a stabilitás biztosítása érdekében.

Q4:Vissza tudok vonni egy helyi szerkesztést a Nano Banana-ban? Igen. A Nano Banana támogatja a verziókezelést és a visszaállítást. Érvényesíts minden szerkesztést, használj kanári bevezetést, és tarts fenn egy visszaállítási időablakot, hogy azonnal visszaállíthasd, ha a metrikák romlanak.

Q5:Hogyan tesztelhetem hatékonyan a helyi szerkesztéseket? Készíts pozitív promptokat, kontrafaktuális promptokat és stresszteszteket, majd érvényesítsd aktiválás előtt. Mérd az átmeneti arányt, a kontrafaktuális eltérést és az UX metrikákat, például a CSAT-ot, hogy biztosítsd, hogy a szerkesztés segít járulékos károk nélkül.