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.

Hvordan utføre lokale endringer med Nano Banana: En praktisk guide

Har du noen gang ønsket at du kunne justere bare én del av en modells oppførsel – uten å måtte trene den på nytt, ødelegge alt annet eller vente i timevis – da er lokale endringer din nye superkraft. I denne guiden vil vi gå gjennom hvordan du utfører lokale endringer med Nano Banana, trinn for trinn, med praktiske eksempler og fallgruver du bør unngå.

Dristig påstand: Lokale endringer lar deg kirurgisk fikse én oppførsel til en modell, mens resten forblir intakt. Tenk hurtigreparasjon, ikke ombygging.

Denne veiledningen følger en praktisk og løsningsorientert stil. Vi vil holde den praktisk, vise deg kodelignende mønstre og fokusere på resultater du raskt kan verifisere.

Hva er lokale endringer (og hvorfor bruke Nano Banana)?

Lokale endringer er presise modifikasjoner av en modells respons for spesifikke inndata eller konsepter, uten å påvirke urelaterte utdata.

Nano Banana (NB) er et lettvekts redigeringsverktøy for LLM-er og klassifiseringshoder som vektlegger:

Hastighet: Endringer på sekunder, ikke timer

Isolasjon: Minimer regresjoner andre steder

Reversibilitet: Rull tilbake eller versjonskontroller endringer på en ryddig måte

Revisjonsmulighet: Spor nøyaktig hva som er endret og hvorfor

Typiske brukstilfeller:

Fiks en modell som hallusinerer en produktpris ved å håndheve et korrigert faktum

Nedgrader eller fjern en partisk assosiasjon for en spesifikk enhet

Legg til en ny regel for et sensitivt domene (f.eks. medisinske ansvarsfraskrivelser) uten å trene på nytt

Fiks et "kjent dårlig" responsemønster identifisert i rød-teaming

Før du starter: Konsepter du vil bruke

Endringsomfang: Utløserbetingelsene som definerer når endringen gjelder (mønstre, embeddinger eller klassifiseringsporter).

Endringsmål: Oppførselen du ønsker (ny token-preferanse, begrensning eller omskrivingsmal).

Endringsstyrke: Hvor sterkt endringen overstyrer basismodellen (myke vs. harde begrensninger).

Sikkerhetstester: Kontrafaktiske spørsmål som ikke skal endres – et must for å unngå regresjoner.

Tilbakerulling/versjonskontroll: Mulighet til å angre eller sammenligne endringsvarianter.

Hurtigstart: 10-minuttersstien

Her er den raskeste måten å få en lokal endring til å fungere i Nano Banana. Eksemplene bruker pseudo-API-er som speiler vanlige NB-mønstre, slik at du kan tilpasse deg ditt miljø.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Initialiser redigeringsprogram med din modell
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Definer utløseren (endringsomfang)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # fraser for å forankre konseptet
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # likhetsterskel for aktivering
)
# 3) Definer måloppførselen
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; høyere = sterkere overstyring
)
# 4) Legg til sikkerhetstester
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) Bruk endringen og valider
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktiver etter at portene er passert
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Velge riktig endringstype

Omskriving: Best for faktiske korreksjoner eller malbaserte dytt. Eksempel: korrigere en produktspesifikasjon.

Bias: Juster token-nivå sannsynligheter uten maler. Eksempel: fraråde usikre verb i en snever kontekst.

Begrensning: Håndhev harde regler (f.eks. må inkludere en ansvarsfraskrivelse). Bruk sparsomt for å unngå unaturlig formulering.

Når du skal bruke semantiske vs. mønsterutløsere

Semantiske utløsere: Robuste for parafraser. Flott for konsepter som «pris på Acme Pro 5».

Mønsterutløsere: Regex- eller nøkkelordmatcher. Bra for strenge formater (f.eks. SKU-koder).

Klassifiseringsutløsere: Tren en liten port på positive/negative eksempler for presisjon i vanskelige domener.

Bygge pålitelige utløsere

Start med 5–10 positive frøfraser og 5–10 negative.

Mål aktiveringsdrift: hvor ofte utløseren fyrer på urelaterte inndata.

Juster radius slik at dine positive konsekvent fyrer mens kontrafaktiske ikke gjør det. Sikt på <2 % falske aktiveringer.

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

Lage mål uten sikkerhetsskade

Foretrekk konsise maler: en setning slår ofte tre.

Hold styrke moderat først (0,4–0,7); øk bare hvis tester mislykkes.

For samsvarsendringer, bruk en betinget mal:

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
)

Testing: Ditt sikkerhetsnett

Design tester som om ditt fremtidige jeg vil takke deg.

Positive: Direkte treff og parafraser («pris», «kostnad», «hvor mye»).

Kontrafaktiske: Lignende enheter, forskjellige modeller, sammenligninger.

Stresstester: Lange spørsmål, fiendtlige formuleringer, flerspråklige varianter.

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)

Versjonskontroll og tilbakerulling som en proff

Bruk semantisk versjonskontroll for endringer: [email protected].

Valider alltid før aktivering; aldri hurtigaktiver på produksjonstrafikk.

Hold et tilbakerullingsvindu og en kanarimodus (f.eks. 1 % av trafikken) for å oppdage regresjoner.

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

Virkelige scenarier du vil møte

Produktfakta driver med tiden

Utløser: semantisk på produktentitet

Mål: omskriving med dynamisk variabel

Integrasjon: trekk live-verdi fra din prisingskilde

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)

Legg til sikkerhetsfraskrivelser uten overdreven kontroll

Utløser: klassifisering for medisinsk hensikt om off-label bruk

Mål: begrensning + kort ansvarsfraskrivelse

Tips: Inkluder kontrafaktiske for godartede helsespørsmål for å unngå overutløsning

Nedgrader en partisk assosiasjon

Utløser: semantisk på sensitiv enhet

Mål: bias-modus for å redusere sannsynligheten for skadelige deskriptorer

Tester: rettferdighetsprober på tvers av demografi

Måle suksess

Spor både modell- og produktresultater:

Endringspresisjon: Hvor ofte endringen utløses når den skal

Kontrafaktisk stabilitet: Drifthastighet på nesten-ulykker

Brukertilfredshet: CSAT eller tommel opp-rate på redigerte svar

Latens overhead: Mål <10 ms ekstra tid per forespørsel

Forretnings-KPI: Reduserte eskaleringer, høyere løsningsrate, færre samsvarsflagg

Feilsøking av lokale endringer i Nano Banana

Endringen ser ikke ut til å gjelde

Senk semantisk radius eller legg til flere positive frø

Øk styrke litt (med 0,05–0,1)

Bekreft at kjøretiden laster det aktive endringssettet

For mange falske positive

Legg til negative og øk radius

Konverter fra semantisk til klassifiseringsutløser for presisjon

Svar høres tvunget ut

Forkort malen; bytt til bias-modus for lettere berøring

Reduser styrke; legg til en betinget klausul

Ytelsen synker

Batch utløserberegningen; cache embedding-spørringer

Fjern inaktive endringer; unngå overlappende utløsere

Styring og revisjon

Hold en endringslogg med: forfatter, hensikt, utløsere, mål, tester og resultater.

Krev gjennomgang for endringer med stor innvirkning (samsvar, sikkerhet, finans).

Ta øyeblikksbilder av før/etter-eksempler for revisjonsmulighet.

Avanserte mønstre

Hierarkiske utløsere: En bred klassifisering styrer en spesifikk semantisk utløser for færre falske alarmer.

Tidsbegrensede endringer: Auto-utløp endringer etter en dato; flott for kampanjer.

Maler for flere enheter: Bruk variabler: {{product}}, {{price}}, {{region}} med en resolver.

A/B-endringsvarianter: Konkurrer [email protected] vs [email protected] for å se hvilken som gir bedre UX.

Integrering i din stack

Lagre endringer i et versjonskontrollert register og last dem ved oppstart av modellserveren.

Eksponer et lite admin-UI for å slå på, rulle tilbake og inspisere innvirkning.

Strøm hendelser når en utløser fyrer for observerbarhet.

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

Forresten: Få fart på forfatterskap med Sider.AI

Verdt å merke seg: hvis du vedlikeholder mange små endringer, kan det bli kjedelig å skrive tester og parafraser. Verktøy som Sider.AI kan hjelpe deg med å generere parafraserte spørsmål, organisere kontrafaktiske suiter og dokumentere endringsrasjonaler. Dette erstatter ikke valideringen din – bare akselererer de kjedelige delene, slik at du kan fokusere på kvalitetskontroll.

Oppsummering: En sjekkliste du kan gjenbruke

Definer oppførselen du ønsker; hold den smalt avgrenset

Velg utløsertype: semantisk, mønster eller klassifisering

Start med moderat styrke og en kort mal

Bygg positive, kontrafaktiske og stresstester

Valider, kanari, overvåk, og først da rull ut

Versjonskontroller hver endring og hold tilbakerulling tilgjengelig

Neste steg

Implementer din første semantisk-utløser omskrivingsendring

Legg til en klassifiserings-utløser sikkerhetsendring med ansvarsfraskrivelser

Automatiser parafrasegenerering og regresjonstesting

Mål drift ukentlig og fjern utdaterte endringer

Hvis du følger denne arbeidsflyten, vil du få skarpe, pålitelige lokale endringer med Nano Banana – rask å sende, enkel å administrere og trygg å rulle tilbake.

FAQ

Q1: Hva er lokale endringer i Nano Banana? Lokale endringer er presise modifikasjoner av en modells oppførsel for et spesifikt omfang. I Nano Banana definerer du utløsere og mål slik at endringen bare gjelder når det er relevant, og minimerer regresjoner andre steder.

Q2: Hvordan velger jeg mellom omskrivings-, bias- og begrensning-endringer? Bruk omskriving for faktiske korreksjoner eller malbaserte utdata, bias for subtile preferanseendringer og begrensning for harde regler som obligatoriske ansvarsfraskrivelser. Start lettere (omskriving eller bias) og eskaler bare hvis tester mislykkes.

Q3: Hvordan kan jeg forhindre at lokale endringer påvirker urelaterte spørringer? Stram inn utløseromfanget ditt med negative, øk den semantiske radiusen, eller bytt til en klassifiseringsutløser. Inkluder alltid kontrafaktiske tester for å sikre stabilitet.

Q4: Kan jeg rulle tilbake en lokal endring i Nano Banana? Ja. Nano Banana støtter versjonskontroll og tilbakerulling. Valider hver endring, bruk kanariutrulling, og hold et tilbakerullingsvindu slik at du kan tilbakestille umiddelbart hvis målinger forringes.

Q5: Hvordan tester jeg lokale endringer effektivt? Lag positive spørsmål, kontrafaktiske spørsmål og stresstester, og valider deretter før aktivering. Mål bestått rate, kontrafaktisk drift og UX-målinger som CSAT for å sikre at endringen hjelper uten sikkerhetsskade.