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.

Nano Banana सह स्थानिक संपादन कसे करावे: एक व्यावहारिक मार्गदर्शक

आपण कधीही इच्छित असाल की मॉडेलच्या एका विशिष्ट वर्तनाचा भाग बदलायचा आहे—पुन्हा प्रशिक्षण न करता, इतर सर्व काही बिघडवू न देता किंवा तासांनंतर प्रतीक्षा न करता—तर स्थानिक संपादने आपली नवीन सुपरपॉवर आहे. या मार्गदर्शकात, आम्ही Nano Banana सह स्थानिक संपादन कसे करायचे ते चरण-दर-चरण, व्यावहारिक उदाहरणे आणि टाळाव्या लागणाऱ्या चुका यांसह पाहू.

ठाम दावा: स्थानिक संपादने मॉडेलच्या एका वर्तनाला शस्त्रक्रियेनं दुरुस्त करतात आणि उर्वरित भाग जसेचा तसा ठेवतात. पुनर्निर्माण नव्हे, फक्त हॉटफिक्स.

हा ट्यूटोरियल व्यावहारिक आणि उपाय-केंद्रित शैलीत आहे. आम्ही थेट हाताळणी दाखवू, कोडसारखे नमुने दाखवू आणि जलद पडताळणी करता येणारे परिणामावर लक्ष केंद्रित करू.

स्थानिक संपादन म्हणजे काय (आणि Nano Banana का वापरावे)?

स्थानिक संपादन म्हणजे विशिष्ट इनपुट किंवा संकल्पनांसाठी मॉडेलच्या प्रतिसादांमध्ये अचूक बदल, जे इतर अनावश्यक आउटपुटला प्रभावित करत नाहीत.

Nano Banana (NB) ही LLMs आणि क्लासिफायर हेडसाठी एक हलकी संपादन साधने आहे जी खालील गोष्टींवर भर देते:

गती: संपादने सेकंदांत, तासांत नव्हेत

विभाजन: इतरत्र होणाऱ्या त्रुटी कमी करा

परतफेडीची क्षमता: संपादने साफसफाईने रोलबॅक किंवा आवृत्ती व्यवस्थापन करा

लेखापरीक्षण: नेमके काय बदलले आणि का हे ट्रॅक करा

सामान्य वापराचे प्रकार:

मॉडेल जेव्हा चुकीचा उत्पादन किंमतीचा अंदाज लावते तेव्हा योग्य तथ्य लावून दुरुस्त करा

विशिष्ट घटकासाठी पूर्वाग्रह कमी करा किंवा काढून टाका

संवेदनशील क्षेत्रासाठी (उदा. वैद्यकीय सूचना) नवीन नियम जोडा, पुन्हा प्रशिक्षण न करता

रेड-टीमिंगमध्ये ओळखलेल्या "चुकीच्या" प्रतिसाद नमुन्याला दुरुस्त करा

सुरू करण्यापूर्वी: तुम्ही वापरणार्‍या संकल्पना

संपादन श्रेणी: संपादन केव्हा लागू होईल हे ठरवणाऱ्या ट्रिगर अटी (नमुने, एम्बेडिंग्ज, किंवा क्लासिफायर गेट्स).

संपादन लक्ष्य: तुम्हाला पाहिजे असलेले वर्तन (नवीन टोकन प्राधान्य, बंधन, किंवा पुनर्लेखन टेम्पलेट).

संपादन ताकद: संपादन किती जोरात मूळ मॉडेलला ओव्हरराईड करेल (सॉफ्ट विरुद्ध हार्ड बंधने).

सुरक्षा चाचण्या: असे काउंटरफॅक्ट्युअल प्रॉम्प्ट जे बदलू नयेत—त्रुटी टाळण्यासाठी आवश्यक.

रोलबॅक/आवृत्ती व्यवस्थापन: संपादन पूर्ववत करण्याची किंवा विविध आवृत्त्यांची तुलना करण्याची क्षमता.

त्वरित सुरुवात: १० मिनिटांत मार्ग

Nano Banana मध्ये स्थानिक संपादन कार्यान्वित करण्याचा सर्वात जलद मार्ग येथे आहे. उदाहरणे सामान्य NB पॅटर्न्सशी सुसंगत असलेल्या छद्म-API वापरतात जेणेकरून तुम्ही तुमच्या वातावरणानुसार अनुकूल करू शकता.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) तुमच्या मॉडेलसह संपादक प्रारंभ करा
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) ट्रिगर (संपादन श्रेणी) परिभाषित करा
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # संकल्पनेसाठी अँकर वाक्यांश
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # सक्रियतेसाठी सादृश्यता सीमा
)
# 3) लक्ष्य वर्तन परिभाषित करा
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; जास्त = अधिक जोरदार ओव्हरराईड
)
# 4) सुरक्षा चाचण्या जोडा
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) संपादन लागू करा आणि पडताळणी करा
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) गेट्स पार केल्यावर सक्रिय करा
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

योग्य संपादन प्रकार निवडणे

Rewrite: तथ्यात्मक दुरुस्ती किंवा टेम्पलेटेड सूचना यासाठी सर्वोत्तम. उदाहरण: उत्पादन तपशील दुरुस्त करणे.

Bias: टोकन-स्तरीय प्राधान्य बदलणे, टेम्पलेट न वापरता. उदाहरण: विशिष्ट संदर्भात असुरक्षित क्रियापद टाळणे.

Constraint: कठोर नियम लागू करणे (उदा. डिस्क्लेमर समाविष्ट करणे). नैसर्गिकतेसाठी सावधगिरीने वापरा.

कधी Semantic वि. Pattern ट्रिगर वापरायचे

Semantic triggers: परिभाषा बदलण्यास मजबूत. “Acme Pro 5 ची किंमत” सारख्या संकल्पनांसाठी उत्तम.

Pattern triggers: Regex किंवा कीवर्ड जुळणी. कडक स्वरूपांसाठी (SKU कोड) चांगले.

Classifier triggers: अचूकतेसाठी सकारात्मक/नकारात्मक उदाहरणांवर लहान गेट प्रशिक्षित करा, कठीण क्षेत्रांसाठी.

विश्वसनीय ट्रिगर तयार करणे

5–10 सकारात्मक वाक्यांश आणि 5–10 नकारात्मकांनी सुरुवात करा.

सक्रियतेतील विचलन मोजा: ट्रिगर किती वेळा अनावश्यक इनपुटवर सक्रिय होतो.

radius इतका समायोजित करा की सकारात्मक सतत सक्रिय होतील आणि काउंटरफॅक्ट्युअल्स नाहीत. <2% चुकीच्या सक्रियतेसाठी लक्ष ठेवा.

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

दुहेरी परिणाम टाळता येतील असे लक्ष्य तयार करणे

संक्षिप्त टेम्पलेट प्राधान्य द्या: एक वाक्य अनेक वाक्यांपेक्षा चांगले असते.

प्रथम strength मध्यम ठेवा (0.4–0.7); चाचण्या अपयशी झाल्यास वाढवा.

पालनासाठी संपादनासाठी, एक अटीसह टेम्पलेट वापरा:

target = Target(
mode="rewrite",
template="जर वापरकर्ता किंमतीबाबत विचारेल, तर उत्तर द्या: 'Acme Pro 5 ची सध्याची किंमत $699 आहे.' अन्यथा, सामान्यपणे पुढे जा.",
strength=0.55
)

चाचणी: तुमचा सुरक्षा जाळा

चाचण्या अशा प्रकारे डिझाइन करा की भविष्यातील तुम्हाला त्याबद्दल कृतज्ञता वाटेल.

Positives: थेट जुळणारे आणि पर्यायी वाक्ये ("किंमत", "खर्च", "किती आहे").

Counterfactuals: समान घटक, वेगवेगळे मॉडेल, तुलना.

Stress tests: लांब प्रॉम्प्ट, विरोधी वाक्यरचना, बहुभाषिक आवृत्त्या.

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)

आवृत्ती व्यवस्थापन आणि रोलबॅक प्राविण्याने करा

संपादनेसाठी सेमॅंटिक आवृत्ती व्यवस्थापन वापरा: [email protected].

सक्रिय करण्यापूर्वी नेहमी पडताळणी करा; उत्पादन ट्रॅफिकवर थेट सक्रिय करू नका.

रोलबॅक विंडो आणि कॅनरी मोड ठेवा (उदा. 1% ट्रॅफिक) जेणेकरून त्रुटी लवकर ओळखता येतील.

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

तुम्हाला भेडसावणाऱ्या प्रत्यक्ष परिस्थिती

उत्पादन तथ्ये वेळेनुसार बदलतात

ट्रिगर: उत्पादन घटकावर सेमॅंटिक

लक्ष्य: डायनॅमिक व्हेरिएबलसह पुनर्लेखन

इंटिग्रेशन: तुमच्या किंमत स्रोतातून थेट मूल्य आणा

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)

सुरक्षा सूचना जोडा, पण जास्त कडकपणा टाळा

ट्रिगर: वैद्यकीय हेतूसाठी क्लासिफायर ऑफ-लेबल वापरासाठी

लक्ष्य: बंधन + लहान डिस्क्लेमर

टीप: अनावश्यक सक्रियता टाळण्यासाठी सौम्य आरोग्य प्रश्नांसाठी काउंटरफॅक्ट्युअल समाविष्ट करा

पूर्वाग्रह कमी करा

ट्रिगर: संवेदनशील घटकावर सेमॅंटिक

लक्ष्य: हानिकारक वर्णन कमी करण्यासाठी बायस मोड

चाचण्या: लोकसंख्याशास्त्रीय न्यायसंगतता तपासणी

यश मोजणे

मॉडेल आणि उत्पादन दोन्ही परिणाम ट्रॅक करा:

संपादन अचूकता: जेव्हा आवश्यक तेव्हा संपादन किती वेळा सक्रिय होते

काउंटरफॅक्ट्युअल स्थिरता: जवळच्या चुकांवरील विचलन दर

वापरकर्ता समाधान: संपादित प्रतिसादांवरील CSAT किंवा थंब्स-अप दर

प्रतिक्रिया विलंब: प्रति विनंती <10 ms अतिरिक्त वेळ लक्ष्य

व्यवसाय KPI: कमी तक्रारी, उच्च समाधान दर, कमी अनुपालन ध्वज

Nano Banana मधील स्थानिक संपादन समस्या निवारण

संपादन लागू होत नाही असे वाटते

सेमॅंटिक रेडियस कमी करा किंवा अधिक सकारात्मक बीज जोडा

strength थोडी वाढवा (0.05–0.1 ने)

रनटाइम सक्रिय संपादन संच लोड करत आहे याची खात्री करा

अत्यधिक चुकीचे सकारात्मक

नकारात्मक जोडा आणि रेडियस वाढवा

अचूकतेसाठी सेमॅंटिकऐवजी क्लासिफायर ट्रिगर वापरा

प्रतिसाद बळजबरीचे वाटतात

टेम्पलेट लहान करा; सौम्य स्पर्शासाठी बायस मोड वापरा

strength कमी करा; अटीसह वाक्य जोडा

कामगिरी कमी होते

ट्रिगर गणना बॅच करा; एम्बेडिंग क्वेरीज कॅश करा

निष्क्रिय संपादने काढा; ओव्हरलॅपिंग ट्रिगर टाळा

शासन आणि लेखापरीक्षण

लेखापरीक्षणासाठी: लेखक, उद्देश, ट्रिगर, लक्ष्य, चाचणी आणि परिणामांसह चेंजलॉग ठेवा.

उच्च परिणाम संपादने (पालन, सुरक्षा, वित्त) साठी पुनरावलोकन आवश्यक करा.

लेखापरीक्षणासाठी आधी/नंतरचे उदाहरणे कॅप्चर करा.

प्रगत नमुने

सांघिक ट्रिगर: कमी चुकीसाठी विस्तृत क्लासिफायर विशिष्ट सेमॅंटिक ट्रिगरला गेट करतो.

कालबद्ध संपादन: ठराविक तारखे नंतर संपादन आपोआप कालबाह्य होतात; प्रमोशन्ससाठी उपयुक्त.

बहु-घटक टेम्पलेट्स: व्हेरिएबल वापरा: {{product}}, {{price}}, {{region}} सोबत एक रिझोल्वर.

A/B संपादन आवृत्ती: [email protected] विरुद्ध [email protected] स्पर्धा करा आणि कोणता UX चांगला आहे ते पहा.

तुमच्या स्टॅकमध्ये समाकलित करणे

संपादन आवृत्ती केलेल्या नोंदणीत साठवा आणि मॉडेल-सर्व्हर सुरू होताना लोड करा.

लहान प्रशासकीय UI उघडा जेथे टॉगल, रोलबॅक आणि प्रभाव तपासता येईल.

ट्रिगर सक्रिय झाल्यावर घटना प्रवाहित करा, निरीक्षणासाठी.

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

तुम्हाला सांगतो: Sider.AI सह लेखक गती वाढवा

महत्वाचे: जर तुम्ही अनेक लहान संपादने सांभाळत असाल, तर चाचणी आणि पर्यायी वाक्ये तयार करणे कंटाळवाणे होऊ शकते. Sider.AI सारखी साधने तुम्हाला पर्यायी प्रॉम्प्ट तयार करण्यात, काउंटरफॅक्ट्युअल सूट आयोजित करण्यात आणि संपादन कारणे दस्तऐवजीकरण करण्यात मदत करू शकतात. हे तुमची पडताळणी बदलत नाही—फक्त कंटाळवाण्या भागांना जलद करते जेणेकरून तुम्ही गुणवत्ता गेटवर लक्ष केंद्रित करू शकता.

पुनरावलोकन: तुम्ही पुन्हा वापरू शकणारी तपासणी सूची

तुम्हाला पाहिजे असलेले वर्तन परिभाषित करा; ते संकुचित ठेवा

ट्रिगर प्रकार निवडा: सेमॅंटिक, पॅटर्न, किंवा क्लासिफायर

मध्यम strength आणि लहान टेम्पलेटसह सुरुवात करा

सकारात्मक, काउंटरफॅक्ट्युअल, आणि स्ट्रेस चाचण्या तयार करा

पडताळणी करा, कॅनरी करा, निरीक्षण करा, आणि मगच रोलआउट करा

प्रत्येक बदलाचे आवृत्ती व्यवस्थापन करा आणि रोलबॅक सोयीस्कर ठेवा

पुढील पावले

तुमचे पहिले सेमॅंटिक-ट्रिगर पुनर्लेखन संपादन अंमलात आणा

क्लासिफायर-ट्रिगर सुरक्षा संपादन डिस्क्लेमरसह जोडा

पर्यायी वाक्ये तयार करणे आणि पुनरावृत्ती चाचणी स्वयंचलित करा

साप्ताहिक विचलन मोजा आणि जुने संपादन काढा

जर तुम्ही हा कार्यप्रवाह वापरला तर तुम्हाला Nano Banana सह स्पष्ट, विश्वसनीय स्थानिक संपादन मिळेल—जलद वितरण, सोपे व्यवस्थापन, आणि सुरक्षित रोलबॅक.

वारंवार विचारले जाणारे प्रश्न

Q1: Nano Banana मध्ये स्थानिक संपादन म्हणजे काय? स्थानिक संपादन म्हणजे मॉडेलच्या वर्तनात विशिष्ट श्रेणीसाठी अचूक बदल. Nano Banana मध्ये, तुम्ही ट्रिगर आणि लक्ष्य परिभाषित करता जेणेकरून संपादन फक्त संबंधित वेळीच लागू होईल, इतरत्र त्रुटी कमी होतात.

Q2: Rewrite, bias, आणि constraint संपादनांमध्ये कसे निवडायचे? तथ्यात्मक दुरुस्ती किंवा टेम्पलेटेड आउटपुटसाठी rewrite वापरा, सूक्ष्म प्राधान्य बदलांसाठी bias, आणि कठोर नियमांसाठी constraint (जसे की अनिवार्य डिस्क्लेमर). सुरुवातीला सौम्य (rewrite किंवा bias) वापरा आणि फक्त चाचण्या अपयशी झाल्यास वाढवा.

Q3: स्थानिक संपादन अनावश्यक क्वेरीजवर परिणाम होऊ नयेत कसे टाळायचे? नकारात्मकांसह ट्रिगर श्रेणी घट्ट करा, सेमॅंटिक रेडियस वाढवा, किंवा क्लासिफायर ट्रिगर वापरा. स्थिरता सुनिश्चित करण्यासाठी नेहमी काउंटरफॅक्ट्युअल चाचण्या समाविष्ट करा.

Q4: Nano Banana मध्ये स्थानिक संपादन रोलबॅक करू शकतो का? होय. Nano Banana आवृत्ती व्यवस्थापन आणि रोलबॅकला समर्थन देते. प्रत्येक संपादन पडताळा, कॅनरी रोलआउट वापरा, आणि रोलबॅक विंडो ठेवा जेणेकरून मेट्रिक्स खराब झाल्यास लगेच पूर्ववत करता येईल.

Q5: स्थानिक संपादन प्रभावीपणे कसे चाचणी करायची? सकारात्मक प्रॉम्प्ट, काउंटरफॅक्ट्युअल प्रॉम्प्ट, आणि स्ट्रेस चाचण्या तयार करा, नंतर सक्रिय करण्यापूर्वी पडताळणी करा. पास रेट, काउंटरफॅक्ट्युअल विचलन, आणि CSAT सारख्या UX मेट्रिक्स मोजा जेणेकरून संपादन फायदेशीर आहे आणि दुहेरी परिणाम नाहीत याची खात्री करा.