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.

Kā veikt lokālus labojumus ar Nano Banana: Praktisks ceļvedis

Ja kādreiz esat vēlējies pielāgot tikai vienu modeļa uzvedības daļu – bez atkārtotas apmācības, visa pārējā sabojāšanas vai stundām ilgas gaidīšanas – lokāli labojumi ir jūsu jaunais superspēks. Šajā rokasgrāmatā mēs soli pa solim iziesim cauri, kā veikt lokālus labojumus ar Nano Banana, sniedzot praktiskus piemērus un kļūdas, no kurām jāizvairās.

Drosmīgs apgalvojums: Lokāli labojumi ļauj ķirurģiski labot vienu modeļa uzvedību, vienlaikus atstājot pārējo neskartu. Domājiet par ātru labojumu, nevis pārbūvi.

Šī apmācība ir veidota praktiskā un uz risinājumiem orientētā stilā. Mēs to uzturēsim praktisku, parādīsim jums uz kodu līdzīgiem modeļiem un koncentrēsimies uz rezultātiem, kurus varat ātri pārbaudīt.

Kas ir lokāli labojumi (un kāpēc izmantot Nano Banana)?

Lokāli labojumi ir precīzi modeļa atbilžu modificējumi konkrētiem ievades datiem vai koncepcijām, neietekmējot nesaistītus izvades datus.

Nano Banana (NB) ir viegls rediģēšanas rīku komplekts LLM un klasifikatoru galviņām, kas uzsver:

Ātrums: Labojumi sekundēs, nevis stundās

Izolācija: Samazināt regresijas citur

Atgriezeniskums: Tīri atsaukt vai versiju labojumus

Pārbaudāmība: Precīzi izsekot, kas mainījies un kāpēc

Tipiski lietošanas gadījumi:

Labojiet modeli, kas halucinē produkta cenu, piespiežot koriģētu faktu

Pazemināt vai noņemt neobjektīvu saistību konkrētai entītijai

Pievienot jaunu noteikumu jutīgai jomai (piemēram, medicīniskiem atrunām), neveicot atkārtotu apmācību

Ielāpiet "zināmu sliktu" atbilžu modeli, kas identificēts sarkanajā komandā

Pirms sākat: Koncepti, kurus izmantosit

Rediģēšanas tvērums: Trigera nosacījumi, kas nosaka, kad tiek piemērots labojums (modeļi, iegultņi vai klasifikatoru vārti).

Rediģēšanas mērķis: Uzvedība, kuru vēlaties (jauna marķiera preference, ierobežojums vai pārrakstīšanas veidne).

Rediģēšanas spēks: Cik spēcīgi labojums ignorē bāzes modeli (maigi pret stingriem ierobežojumiem).

Drošības testi: Pretfaktiski aicinājumi, kuriem nevajadzētu mainīties – tas ir obligāti, lai izvairītos no regresijām.

Atgriešana/versiju kontrole: Iespēja atsaukt vai salīdzināt labojumu variantus.

Ātrais starts: 10 minūšu ceļš

Šeit ir ātrākais veids, kā panākt, lai lokāls labojums darbotos Nano Banana. Piemēros tiek izmantoti pseido-API, kas atspoguļo izplatītus NB modeļus, lai jūs varētu pielāgoties savai videi.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Inicializējiet redaktoru ar savu modeli
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Definējiet trigeri (rediģēšanas tvērumu)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # frāzes, lai noenkurotu koncepciju
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # līdzības slieksnis aktivizēšanai
)
# 3) Definējiet mērķa uzvedību
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; augstāks = spēcīgāks ignorēšanas līmenis
)
# 4) Pievienojiet drošības testus
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) Piemērojiet labojumu un validējiet
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktivizējiet pēc vārtu iziešanas
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Pareiza labojuma veida izvēle

Pārrakstīt: Vislabāk piemērots faktuālu labojumu veikšanai vai veidotu grūdienu veikšanai. Piemērs: produkta specifikācijas labošana.

Novirze: Pielāgojiet marķiera līmeņa varbūtības, neveidojot veidnes. Piemērs: atturēt no nedrošiem darbības vārdiem šaurā kontekstā.

Ierobežojums: Ieviest stingrus noteikumus (piemēram, jāiekļauj atruna). Izmantojiet taupīgi, lai izvairītos no nedabiska formulējuma.

Kad izmantot semantiskus vai modeļa trigerus

Semantiskie trigeri: Izturīgi pret pārfrāzēm. Lieliski piemēroti tādām koncepcijām kā “Acme Pro 5 cena”.

Modeļa trigeri: Regex vai atslēgvārdu atbilstības. Piemēroti stingriem formātiem (piemēram, SKU kodi).

Klasifikatoru trigeri: Apmāciet mazus vārtus ar pozitīviem/negatīviem piemēriem, lai nodrošinātu precizitāti sarežģītās jomās.

Uzticamu trigeru veidošana

Sāciet ar 5–10 pozitīvām sēklu frāzēm un 5–10 negatīvām.

Izmēriet aktivizācijas novirzi: cik bieži trigeris tiek aktivizēts ar nesaistītiem ievades datiem.

Regulējiet rādiusu tā, lai jūsu pozitīvie vienmēr aktivizētos, bet pretfaktiskie – ne. Mērķējiet uz <2% viltus aktivizācijām.

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

Mērķu izstrāde bez papildu bojājumiem

Dodiet priekšroku kodolīgām veidnēm: viens teikums bieži vien ir labāks par trim.

Sākumā saglabājiet stiprumu mērenu (0,4–0,7); palieliniet tikai tad, ja testi neizdodas.

Atbilstības labojumiem izmantojiet nosacījuma veidni:

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
)

Testēšana: Jūsu drošības tīkls

Izstrādājiet testus tā, it kā jūsu nākotnes es jums pateiks paldies.

Pozitīvi: Tieši trāpījumi un pārfrāzes (“cena”, “izmaksas”, “cik daudz”).

Pretfaktiski: Līdzīgas entītijas, dažādi modeļi, salīdzinājumi.

Spriedzes testi: Gari aicinājumi, naidīgi formulējumi, daudzvalodu varianti.

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)

Versiju kontrole un atgriešana kā profesionālim

Izmantojiet semantisko versiju kontroli labojumiem: [email protected].

Vienmēr validējiet pirms aktivizēšanas; nekad neaktivizējiet tieši ražošanas datplūsmā.

Saglabājiet atgriešanas logu un kanārijputniņa režīmu (piemēram, 1% datplūsmas), lai noteiktu regresijas.

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

Reālās pasaules scenāriji, ar kuriem jūs saskarsities

Produktu fakti laika gaitā mainās

Trigeris: semantisks produkta entītijai

Mērķis: pārrakstīt ar dinamisku mainīgo

Integrācija: izvelciet tiešraides vērtību no sava cenu avota

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)

Pievienojiet drošības atrunas, nepārmērīgi kontrolējot

Trigeris: klasifikators medicīniskam nolūkam par neatļautu lietošanu

Mērķis: ierobežojums + īsa atruna

Padoms: iekļaujiet pretfaktiskus jautājumus par labdabīgiem veselības jautājumiem, lai izvairītos no pārmērīgas aktivizēšanas

Pazemināt neobjektīvu saistību

Trigeris: semantisks jutīgai entītijai

Mērķis: novirzes režīms, lai samazinātu kaitīgu aprakstītāju varbūtību

Testi: godīguma zondes dažādās demogrāfiskās grupās

Panākumu mērīšana

Izsekojiet gan modeļa, gan produkta rezultātus:

Rediģēšanas precizitāte: Cik bieži labojums tiek aktivizēts, kad tam vajadzētu

Pretfaktiska stabilitāte: Novirzes līmenis gandrīz trāpījumos

Lietotāju apmierinātība: CSAT vai īkšķu pacelšanas līmenis rediģētajās atbildēs

Latentuma papildizdevumi: Mērķis <10 ms papildu laika vienam pieprasījumam

Biznesa KPI: Samazināts eskalāciju skaits, augstāks izšķirtspējas līmenis, mazāk atbilstības karogu

Lokālu labojumu problēmu novēršana Nano Banana

Šķiet, ka labojums netiek piemērots

Samaziniet semantisko rādiusu vai pievienojiet vairāk pozitīvu sēklu

Nedaudz palieliniet stiprumu (par 0,05–0,1)

Apstipriniet, ka izpildlaiks ielādē aktīvo labojumu kopu

Pārāk daudz viltus pozitīvu rezultātu

Pievienojiet negatīvus un palieliniet rādiusu

Precizitātes labad konvertējiet no semantiskā uz klasifikatora trigeri

Atbildes izklausās piespiedu kārtā

Saīsiniet veidni; pārslēdzieties uz novirzes režīmu, lai nodrošinātu vieglāku pieskārienu

Samaziniet stiprumu; pievienojiet nosacījuma klauzulu

Veiktspējas kritums

Apvienojiet trigeru aprēķinu; kešatmiņas iegulšanas vaicājumus

Notīriet neaktīvus labojumus; izvairieties no pārklāšanās trigeriem

Pārvaldība un audits

Saglabājiet izmaiņu žurnālu ar: autoru, nolūku, trigeriem, mērķiem, testiem un rezultātiem.

Pieprasiet pārskatīšanu labojumiem ar lielu ietekmi (atbilstība, drošība, finanses).

Uzņemiet momentuzņēmumu pirms/pēc paraugiem audita vajadzībām.

Papildu modeļi

Hierarhiski trigeri: Plašs klasifikators vārtu specifisku semantisko trigeri, lai samazinātu viltus aktivizācijas.

Laika ierobežoti labojumi: Automātiski beigt labojumu derīguma termiņu pēc datuma; lieliski piemērots akcijām.

Vairāku entītiju veidnes: Izmantojiet mainīgos: {{product}}, {{price}}, {{region}} ar risinātāju.

A/B labojumu varianti: Sacensties [email protected] pret [email protected], lai redzētu, kurš nodrošina labāku UX.

Integrācija jūsu programmā

Saglabājiet labojumus versiju reģistrā un ielādējiet tos modeļa servera sāknēšanas laikā.

Atklājiet nelielu administratora lietotāja interfeisu, lai pārslēgtu, atsauktu un pārbaudītu ietekmi.

Straumējiet notikumus, kad trigeris tiek aktivizēts novērojamībai.

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

Starp citu: Autorēšanas paātrināšana ar Sider.AI

Ir vērts atzīmēt: ja uzturat daudz nelielu labojumu, testu un pārfrāžu autorēšana var kļūt nogurdinoša. Rīki, piemēram, Sider.AI, var palīdzēt ģenerēt pārfrāzētus aicinājumus, organizēt pretfaktisku komplektus un dokumentēt labojumu pamatojumus. Tas neaizstāj jūsu validāciju – tas tikai paātrina garlaicīgās daļas, lai jūs varētu koncentrēties uz kvalitātes vārtiem.

Kopsavilkums: Kontrolsaraksts, kuru varat atkārtoti izmantot

Definējiet uzvedību, kuru vēlaties; saglabājiet to šauri ierobežotu

Izvēlieties trigeru veidu: semantisks, modelis vai klasifikators

Sāciet ar mērenu stiprumu un īsu veidni

Veidojiet pozitīvus, pretfaktiskus un spriedzes testus

Validējiet, kanārijputniņš, uzraugiet un tikai tad izvērsiet

Versiju kontrolējiet katru izmaiņu un turiet atgriešanu pa rokai

Nākamie soļi

Ieviesiet savu pirmo semantiskā trigera pārrakstīšanas labojumu

Pievienojiet klasifikatora trigera drošības labojumu ar atrunām

Automatizējiet pārfrāžu ģenerēšanu un regresijas testēšanu

Katru nedēļu mēriet novirzi un notīriet novecojušus labojumus

Ja ievērosiet šo darbplūsmu, jūs iegūsit skaidrus, uzticamus lokālus labojumus ar Nano Banana – ātri piegādājamus, viegli pārvaldāmus un droši atsaucamus.

BUJ

Q1:Kas ir lokāli labojumi Nano Banana? Lokāli labojumi ir precīzi modeļa uzvedības modificējumi konkrētam tvērumam. Nano Banana jūs definējat trigerus un mērķus, lai labojums tiktu piemērots tikai tad, kad tas ir būtiski, samazinot regresijas citur.

Q2:Kā izvēlēties starp pārrakstīšanas, novirzes un ierobežojumu labojumiem? Izmantojiet pārrakstīšanu faktuāliem labojumiem vai veidotu izvadei, novirzi smalkām preferenču izmaiņām un ierobežojumu stingriem noteikumiem, piemēram, obligātām atrunām. Sāciet vieglāk (pārrakstīt vai novirzīt) un eskalējiet tikai tad, ja testi neizdodas.

Q3:Kā es varu novērst lokālu labojumu ietekmi uz nesaistītiem vaicājumiem? Pastipriniet trigeru tvērumu ar negatīviem, palieliniet semantisko rādiusu vai pārslēdzieties uz klasifikatora trigeri. Vienmēr iekļaujiet pretfaktiskus testus, lai nodrošinātu stabilitāti.

Q4:Vai es varu atsaukt lokālu labojumu Nano Banana? Jā. Nano Banana atbalsta versiju kontroli un atgriešanu. Validējiet katru labojumu, izmantojiet kanārijputniņa izvēršanu un saglabājiet atgriešanas logu, lai jūs varētu nekavējoties atgriezties, ja metrika pasliktinās.

Q5:Kā efektīvi testēt lokālus labojumus? Izveidojiet pozitīvus aicinājumus, pretfaktiskus aicinājumus un spriedzes testus, pēc tam validējiet pirms aktivizēšanas. Izmēriet caurlaidības līmeni, pretfaktisku novirzi un UX metriku, piemēram, CSAT, lai nodrošinātu, ka labojums palīdz bez papildu bojājumiem.