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.

Cara Melakukan Edit Lokal dengan Nano Banana: Panduan Praktikal

Jika anda pernah berharap untuk mengubah suai hanya satu bahagian tingkah laku model—tanpa melatih semula, merosakkan segala-galanya, atau menunggu berjam-jam—edit lokal ialah kuasa besar baharu anda. Dalam panduan ini, kami akan membimbing anda cara melakukan edit lokal dengan Nano Banana, langkah demi langkah, dengan contoh praktikal dan perkara yang perlu dielakkan.

Dakwaan berani: Edit lokal membolehkan anda membetulkan satu tingkah laku model secara pembedahan sambil membiarkan yang lain utuh. Fikirkan pembaikan segera, bukan bina semula.

Tutorial ini mengikut gaya Praktikal & Berorientasikan Penyelesaian. Kami akan memastikan ia praktikal, menunjukkan corak seperti kod kepada anda dan menumpukan pada hasil yang boleh anda sahkan dengan cepat.

Apakah Edit Lokal (dan Mengapa Menggunakan Nano Banana)?

Edit lokal ialah pengubahsuaian tepat pada respons model untuk input atau konsep tertentu, tanpa menjejaskan output yang tidak berkaitan.

Nano Banana (NB) ialah kit alat pengeditan ringan untuk LLM dan kepala pengelas yang menekankan:

Kelajuan: Edit dalam beberapa saat, bukan berjam-jam

Pengasingan: Minimumkan regresi di tempat lain

Kebolehubalikan: Buat asal atau versi edit dengan bersih

Keboleh audit: Jejaki dengan tepat perkara yang berubah dan sebabnya

Kes penggunaan biasa:

Betulkan model yang menghalusinasi harga produk dengan menguatkuasakan fakta yang dibetulkan

Turunkan atau alih keluar perkaitan berat sebelah untuk entiti tertentu

Tambahkan peraturan baharu untuk domain sensitif (cth., penafian perubatan) tanpa melatih semula

Tampal corak respons "sedia maklum buruk" yang dikenal pasti dalam pasukan merah

Sebelum Anda Mulakan: Konsep Yang Akan Anda Gunakan

Skop edit: Syarat pencetus yang menentukan masa edit digunakan (corak, pembenaman atau get pengelas).

Sasaran edit: Tingkah laku yang anda inginkan (keutamaan token baharu, kekangan atau templat tulis semula).

Kekuatan edit: Seberapa kuat edit mengatasi model asas (kekangan lembut vs. keras).

Ujian keselamatan: Gesaan berlawanan fakta yang tidak sepatutnya berubah—mesti untuk mengelakkan regresi.

Buat asal/versi: Keupayaan untuk membuat asal atau membandingkan varian edit.

Mula Pantas: Laluan 10 Minit

Berikut ialah cara terpantas untuk mendapatkan edit lokal yang berfungsi dalam Nano Banana. Contoh menggunakan pseudo-API yang mencerminkan corak NB biasa supaya anda boleh menyesuaikan diri dengan persekitaran anda.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Mulakan editor dengan model anda
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Tentukan pencetus (skop edit)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Harga Acme Pro 5"], # frasa untuk menambat konsep
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # ambang persamaan untuk pengaktifan
)
# 3) Tentukan tingkah laku sasaran
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="Harga semasa Acme Pro 5 ialah $699.",
strength=0.65 # 0..1; lebih tinggi = penggantian lebih kuat
)
# 4) Tambahkan ujian keselamatan
tests = Tests(
positives=[
("Berapakah harga Acme Pro 5?", "699"),
],
counterfactuals=[
("Berapakah harga Acme Pro 4?", "jangan kata 699"),
("Bandingkan Acme Pro 5 dengan Acme Lite", "elakkan tulis semula harga melainkan diminta secara langsung"),
]
)
# 5) Gunakan edit dan sahkan
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktifkan selepas melepasi get
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Memilih Jenis Edit Yang Betul

Tulis semula: Terbaik untuk pembetulan fakta atau tolakan bertemplat. Contoh: membetulkan spesifikasi produk.

Bias: Laraskan kemungkinan peringkat token tanpa templat. Contoh: menghalang kata kerja yang tidak selamat dalam konteks yang sempit.

Kekangan: Kuatkuasakan peraturan keras (cth., mesti menyertakan penafian). Gunakan dengan berhati-hati untuk mengelakkan frasa yang tidak semula jadi.

Bila Menggunakan Pencetus Semantik vs Corak

Pencetus semantik: Teguh kepada parafrasa. Hebat untuk konsep seperti “harga Acme Pro 5”.

Pencetus corak: Padanan regex atau kata kunci. Baik untuk format yang ketat (cth., kod SKU).

Pencetus pengelas: Latih get kecil pada contoh positif/negatif untuk ketepatan dalam domain yang rumit.

Membina Pencetus Yang Boleh Dipercayai

Mulakan dengan 5–10 frasa benih positif dan 5–10 negatif.

Ukur hanyutan pengaktifan: kekerapan pencetus diaktifkan pada input yang tidak berkaitan.

Tala jejari supaya positif anda sentiasa diaktifkan manakala berlawanan fakta tidak. Sasar <2% pengaktifan palsu.

probe = nb.dry_run(trigger, samples=[
"Berapakah harga Acme Pro 5?",
"Adakah Acme Pro 4 lebih murah?",
"Butiran jaminan Acme Lite",
])
probe.metrics

Merangka Sasaran Tanpa Kerosakan Cagaran

Utamakan templat ringkas: satu ayat selalunya lebih baik daripada tiga.

Pastikan kekuatan sederhana dahulu (0.4–0.7); tingkatkan hanya jika ujian gagal.

Untuk edit pematuhan, gunakan templat bersyarat:

target = Target(
mode="rewrite",
template="Jika pengguna bertanya tentang harga, balas: 'Harga semasa Acme Pro 5 ialah $699.' Jika tidak, teruskan seperti biasa.",
strength=0.55
)

Pengujian: Jaring Keselamatan Anda

Reka bentuk ujian seolah-olah diri anda pada masa hadapan akan berterima kasih kepada anda.

Positif: Hit langsung dan parafrasa ("harga", "kos", "berapa banyak").

Berlawanan fakta: Entiti serupa, model berbeza, perbandingan.

Ujian tekanan: Gesaan panjang, frasa permusuhan, varian berbilang bahasa.

suite = nb.autogenerate_tests(
positives_topic="Harga Acme Pro 5",
counterfactuals_topics=["Harga Acme Pro 4", "Ciri Acme Lite"],
paraphrase_count=25)
report = nb.validate(edit_id, suite)

Versi dan Buat Asal Seperti Profesional

Gunakan versi semantik untuk edit: [email protected].

Sentiasa sahkan sebelum pengaktifan; jangan sekali-kali aktifkan segera pada trafik pengeluaran.

Kekalkan tetingkap buat asal dan mod kenari (cth., 1% trafik) untuk mengesan regresi.

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

Senario Dunia Sebenar Yang Akan Anda Temui

Fakta produk hanyut mengikut masa

Pencetus: semantik pada entiti produk

Sasaran: tulis semula dengan pemboleh ubah dinamik

Penyepaduan: tarik nilai langsung daripada sumber kebenaran harga anda

def dynamic_price:
return fetch_price("Acme Pro 5")
target = Target(mode="rewrite", template=lambda: f"Harga semasa Acme Pro 5 ialah ${dynamic_price}.", strength=0.6)

Tambahkan penafian keselamatan tanpa mengawal secara berlebihan

Pencetus: pengelas untuk tujuan perubatan tentang penggunaan di luar label

Sasaran: kekangan + penafian pendek

Petua: Sertakan berlawanan fakta untuk pertanyaan kesihatan yang tidak berbahaya untuk mengelakkan pencetusan berlebihan

Turunkan perkaitan berat sebelah

Pencetus: semantik pada entiti sensitif

Sasaran: mod bias untuk mengurangkan kemungkinan deskriptor berbahaya

Ujian: probe keadilan merentas demografi

Mengukur Kejayaan

Jejaki kedua-dua hasil model dan produk:

Ketepatan edit: Kekerapan edit dicetuskan apabila ia sepatutnya

Kestabilan berlawanan fakta: Kadar hanyutan pada nyaris-nyaris

Kepuasan pengguna: CSAT atau kadar ibu jari ke atas pada respons yang diedit

Overhed kependaman: Sasar <10 ms masa tambahan setiap permintaan

KPI perniagaan: Pengeskalasian yang dikurangkan, kadar resolusi yang lebih tinggi, kurang bendera pematuhan

Menyelesaikan Masalah Edit Lokal dalam Nano Banana

Edit nampaknya tidak digunakan

Rendahkan jejari semantik atau tambahkan lebih banyak benih positif

Tingkatkan kekuatan sedikit (sebanyak 0.05–0.1)

Sahkan masa jalan memuatkan set edit aktif

Terlalu banyak positif palsu

Tambahkan negatif dan naikkan jejari

Tukar daripada semantik kepada pencetus pengelas untuk ketepatan

Respons kedengaran dipaksa

Pendekkan templat; bertukar kepada mod bias untuk sentuhan yang lebih ringan

Kurangkan kekuatan; tambahkan klausa bersyarat

Prestasi menjunam

Kelompokkan pengiraan pencetus; pertanyaan pembenaman cache

Pangkas edit tidak aktif; elakkan pencetus bertindih

Tadbir Urus dan Audit

Kekalkan log perubahan dengan: pengarang, tujuan, pencetus, sasaran, ujian dan hasil.

Memerlukan semakan untuk edit berimpak tinggi (pematuhan, keselamatan, kewangan).

Petikan gambar sebelum/selepas contoh untuk keboleh audit.

Corak Lanjutan

Pencetus hierarki: Pengelas luas mengawal pencetus semantik tertentu untuk kurang kebakaran palsu.

Edit terikat masa: Edit tamat tempoh automatik selepas tarikh; bagus untuk promosi.

Templat berbilang entiti: Gunakan pemboleh ubah: {{product}}, {{price}}, {{region}} dengan penyelesai.

Varian edit A/B: Saing tulis [email protected] vs [email protected] untuk melihat yang mana menghasilkan UX yang lebih baik.

Bersepadu Ke Dalam Tindanan Anda

Simpan edit dalam daftar versi dan muatkannya pada but pelayan model.

Dedahkan UI pentadbir kecil untuk menogol, membuat asal dan memeriksa impak.

Strim peristiwa apabila pencetus diaktifkan untuk kebolehcerapan.

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

Dengan cara ini: Mempercepatkan Pengarangan dengan Sider.AI

Perlu diingat: jika anda mengekalkan banyak edit kecil, ujian pengarangan dan parafrasa boleh menjadi membosankan. Alat seperti Sider.AI boleh membantu anda menjana gesaan yang diparafrasa, menyusun suite berlawanan fakta dan mendokumentasikan rasional edit. Ini tidak menggantikan pengesahan anda—hanya mempercepatkan bahagian yang membosankan supaya anda boleh menumpukan pada get kualiti.

Ringkasan: Senarai Semak Yang Boleh Anda Guna Semula

Tentukan tingkah laku yang anda inginkan; pastikan ia berskop sempit

Pilih jenis pencetus: semantik, corak atau pengelas

Mulakan dengan kekuatan sederhana dan templat pendek

Bina positif, berlawanan fakta dan ujian tekanan

Sahkan, kenari, pantau dan hanya kemudian lancarkan

Versi setiap perubahan dan kekalkan buat asal

Langkah Seterusnya

Laksanakan edit tulis semula pencetus semantik pertama anda

Tambahkan edit keselamatan pencetus pengelas dengan penafian

Automasikan penjanaan parafrasa dan pengujian regresi

Ukur hanyutan setiap minggu dan pangkas edit lapuk

Jika anda mengikuti aliran kerja ini, anda akan mendapat edit lokal yang jelas dan boleh dipercayai dengan Nano Banana—cepat dihantar, mudah diurus dan selamat untuk dibuat asal.

Soalan Lazim

S1:Apakah edit lokal dalam Nano Banana? Edit lokal ialah pengubahsuaian tepat pada tingkah laku model untuk skop tertentu. Dalam Nano Banana, anda mentakrifkan pencetus dan sasaran supaya edit hanya digunakan apabila berkaitan, meminimumkan regresi di tempat lain.

S2:Bagaimanakah cara saya memilih antara edit tulis semula, bias dan kekangan? Gunakan tulis semula untuk pembetulan fakta atau output bertemplat, bias untuk peralihan keutamaan yang halus dan kekangan untuk peraturan keras seperti penafian wajib. Mulakan lebih ringan (tulis semula atau bias) dan tingkatkan hanya jika ujian gagal.

S3:Bagaimanakah cara saya menghalang edit lokal daripada menjejaskan pertanyaan yang tidak berkaitan? Ketatkan skop pencetus anda dengan negatif, tingkatkan jejari semantik atau bertukar kepada pencetus pengelas. Sentiasa sertakan ujian berlawanan fakta untuk memastikan kestabilan.

S4:Bolehkah saya membuat asal edit lokal dalam Nano Banana? Ya. Nano Banana menyokong versi dan buat asal. Sahkan setiap edit, gunakan pelancaran kenari dan kekalkan tetingkap buat asal supaya anda boleh membuat asal serta-merta jika metrik merosot.

S5:Bagaimanakah cara saya menguji edit lokal dengan berkesan? Buat gesaan positif, gesaan berlawanan fakta dan ujian tekanan, kemudian sahkan sebelum pengaktifan. Ukur kadar lulus, hanyutan berlawanan fakta dan metrik UX seperti CSAT untuk memastikan edit membantu tanpa kerosakan cagaran.