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.

Kako napraviti lokalne izmene pomoću alata Nano Banana: Praktični vodič

Ako ste ikada poželeli da možete da izmenite samo jedan deo ponašanja modela—bez ponovnog obučavanja, uništavanja svega ostalog ili čekanja satima—lokalne izmene su vaša nova supermoć. U ovom vodiču ćemo vas provesti kroz korake kako da napravite lokalne izmene pomoću alata Nano Banana, korak po korak, sa praktičnim primerima i zamkama koje treba izbegavati.

Smela tvrdnja: Lokalne izmene vam omogućavaju da hirurški popravite jedno ponašanje modela, a da ostatak ostane netaknut. Razmišljajte o hitnoj popravci, a ne o ponovnoj izgradnji.

Ovaj tutorijal prati praktični stil orijentisan na rešenja. Bićemo praktični, pokazaćemo vam obrasce slične kodu i fokusiraćemo se na rezultate koje možete brzo da proverite.

Šta su lokalne izmene (i zašto koristiti Nano Banana)?

Lokalne izmene su precizne modifikacije odgovora modela za određene unose ili koncepte, bez uticaja na nepovezane izlaze.

Nano Banana (NB) je lagani alat za uređivanje za LLM-ove i klasifikacione glave koji naglašava:

Brzinu: Izmene u sekundama, ne u satima

Izolaciju: Minimiziranje regresija na drugim mestima

Reverzibilnost: Čisto vraćanje ili verziranje izmena

Mogućnost revizije: Praćenje tačno onoga što se promenilo i zašto

Tipični slučajevi upotrebe:

Popravite model koji halucinira cenu proizvoda tako što ćete primeniti ispravljenu činjenicu

Uklonite ili smanjite pristrasnu asocijaciju za određeni entitet

Dodajte novo pravilo za osetljivu oblast (npr. medicinske izjave o odricanju odgovornosti) bez ponovnog obučavanja

Zakrpite obrazac odgovora „poznat kao loš“ identifikovan u red-timingu

Pre nego što počnete: Koncepti koje ćete koristiti

Obim izmene: Uslovi okidača koji definišu kada se izmena primenjuje (obrasci, ugrađivanja ili klasifikacione kapije).

Cilj izmene: Ponašanje koje želite (nova preferencija tokena, ograničenje ili šablon za prepisivanje).

Jačina izmene: Koliko snažno izmena poništava osnovni model (meka naspram tvrdih ograničenja).

Sigurnosni testovi: Kontračinjenične upite koji ne bi trebalo da se promene—što je neophodno da bi se izbegle regresije.

Vraćanje/verzije: Mogućnost poništavanja ili upoređivanja varijanti izmena.

Brzi početak: Put od 10 minuta

Evo najbržeg načina da lokalna izmena proradi u Nano Banana. Primeri koriste pseudo-API-je koji odražavaju uobičajene NB obrasce, tako da možete da se prilagodite svom okruženju.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Inicijalizujte uređivač pomoću svog modela
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Definišite okidač (obim izmene)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # fraze za usidrenje koncepta
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # prag sličnosti za aktivaciju
)
# 3) Definišite ciljno ponašanje
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; veće = jače poništavanje
)
# 4) Dodajte sigurnosne testove
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) Primenite izmenu i potvrdite
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Aktivirajte nakon prolaska kapija
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Odabir pravog tipa izmene

Prepisivanje: Najbolje za činjenične ispravke ili šablonske podsticaje. Primer: ispravljanje specifikacije proizvoda.

Pristrasnost: Prilagodite verovatnoće na nivou tokena bez šablona. Primer: obeshrabrite nesigurne glagole u uskom kontekstu.

Ograničenje: Primenite stroga pravila (npr. mora da sadrži izjavu o odricanju odgovornosti). Koristite štedljivo da biste izbegli neprirodno fraziranje.

Kada koristiti semantičke naspram obrazaca okidača

Semantički okidači: Otporni na parafraziranja. Odlično za koncepte kao što je „cena Acme Pro 5”.

Okidači obrasca: Podudaranja regularnih izraza ili ključnih reči. Dobro za stroge formate (npr. SKU kodovi).

Klasifikacioni okidači: Obučite malu kapiju na pozitivnim/negativnim primerima za preciznost u složenim domenima.

Izgradnja pouzdanih okidača

Počnite sa 5–10 pozitivnih početnih fraza i 5–10 negativnih.

Izmerite aktivacioni drift: koliko često se okidač aktivira na nepovezanim unosima.

Podesite radijus tako da se vaši pozitivni rezultati dosledno aktiviraju, dok se kontračinjenični ne aktiviraju. Ciljajte na <2% lažnih aktivacija.

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

Izrada ciljeva bez kolateralne štete

Preferirajte sažete šablone: jedna rečenica često pobeđuje tri.

Neka jačinu umerenom prvo (0,4–0,7); povećajte samo ako testovi ne uspeju.

Za izmene usklađenosti, koristite uslovni šablon:

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
)

Testiranje: Vaša sigurnosna mreža

Dizajnirajte testove kao da će vam vaš budući ja biti zahvalan.

Pozitivni: Direktni pogoci i parafraziranja („cena“, „trošak“, „koliko košta“).

Kontračinjenični: Slični entiteti, različiti modeli, poređenja.

Testovi opterećenja: Dugački upiti, suprotno fraziranje, višejezične varijante.

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)

Verzionisanje i vraćanje kao profesionalac

Koristite semantičko verzionisanje za izmene: [email protected].

Uvek potvrdite pre aktivacije; nikada ne aktivirajte hitno na produkcijskom saobraćaju.

Zadržite prozor za vraćanje i kanarski režim (npr. 1% saobraćaja) da biste otkrili regresije.

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

Scenariji iz stvarnog sveta sa kojima ćete se susresti

Činjenice o proizvodu se menjaju tokom vremena

Okidač: semantički na entitetu proizvoda

Cilj: prepisivanje sa dinamičkom varijablom

Integracija: povucite vrednost uživo iz izvora istine o cenama

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)

Dodajte sigurnosne izjave o odricanju odgovornosti bez preteranog policijskog nadzora

Okidač: klasifikator za medicinsku nameru o upotrebi van etikete

Cilj: ograničenje + kratka izjava o odricanju odgovornosti

Savet: Uključite kontračinjenične podatke za benigne zdravstvene upite da biste izbegli prekomerno aktiviranje

Uklonite pristrasnu asocijaciju

Okidač: semantički na osetljivom entitetu

Cilj: režim pristrasnosti za smanjenje verovatnoće štetnih deskriptora

Testovi: sonde pravednosti u svim demografskim kategorijama

Merenje uspeha

Pratite i ishod modela i ishod proizvoda:

Preciznost izmene: Koliko često se izmena aktivira kada bi trebalo

Kontračinjenična stabilnost: Stopa drifta na skoro promašajima

Zadovoljstvo korisnika: CSAT ili stopa odobravanja na izmenjenim odgovorima

Latentno opterećenje: Cilj <10 ms dodatnog vremena po zahtevu

Poslovni KPI: Smanjene eskalacije, veća stopa rešavanja, manje zastavica usklađenosti

Rešavanje problema sa lokalnim izmenama u Nano Banana

Čini se da se izmena ne primenjuje

Smanjite semantički radijus ili dodajte više pozitivnih semena

Povećajte jačinu malo (za 0,05–0,1)

Potvrdite da radno vreme učitava aktivni skup izmena

Previše lažno pozitivnih rezultata

Dodajte negative i podignite radijus

Pretvorite se iz semantičkog u klasifikacioni okidač za preciznost

Odgovori zvuče prisilno

Skratite šablon; prebacite se na režim pristrasnosti za lakši dodir

Smanjite jačinu; dodajte uslovnu klauzulu

Pad performansi

Grupišite izračunavanje okidača; keširajte upite za ugrađivanje

Očistite neaktivne izmene; izbegavajte preklapanje okidača

Upravljanje i revizija

Vodite evidenciju promena sa: autorom, namerom, okidačima, ciljevima, testovima i ishodima.

Zahtevajte pregled za izmene visokog uticaja (usklađenost, bezbednost, finansije).

Snimite primere pre/posle za mogućnost revizije.

Napredni obrasci

Hijerarhijski okidači: Široki klasifikator zatvara određeni semantički okidač za manje lažnih aktiviranja.

Vremenski ograničene izmene: Automatski istek izmena nakon datuma; odlično za promocije.

Šabloni sa više entiteta: Koristite promenljive: {{product}}, {{price}}, {{region}} sa rešavačem.

A/B varijante izmena: Takmičite se [email protected] vs [email protected] da biste videli koja daje bolji UX.

Integracija u vaš stek

Čuvajte izmene u registrovanom registru i učitajte ih pri pokretanju servera modela.

Izložite mali administratorski UI za prebacivanje, vraćanje i ispitivanje uticaja.

Strimujte događaje kada se okidač aktivira za mogućnost posmatranja.

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

Usput: Ubrzavanje autorstva pomoću Sider.AI

Vredi napomenuti: ako održavate mnogo malih izmena, autorstvo testova i parafraziranja može postati zamorno. Alati kao što je Sider.AI mogu vam pomoći da generišete parafrazirane upite, organizujete kontračinjenične pakete i dokumentujete obrazloženja za izmene. Ovo ne zamenjuje vašu validaciju—samo ubrzava dosadne delove, tako da možete da se fokusirate na kapije kvaliteta.

Rekapitulacija: Kontrolna lista koju možete ponovo da koristite

Definišite ponašanje koje želite; neka bude usko ograničeno

Odaberite tip okidača: semantički, obrazac ili klasifikator

Počnite sa umerenom jačinom i kratkim šablonom

Izgradite pozitivne, kontračinjenične i testove opterećenja

Potvrdite, kanarite, nadgledajte i tek onda uvedite

Verzionirajte svaku promenu i držite vraćanje pri ruci

Sledeći koraci

Implementirajte svoju prvu semantičku izmenu prepisivanja okidača

Dodajte sigurnosnu izmenu okidača klasifikatora sa izjavama o odricanju odgovornosti

Automatizujte generisanje parafraziranja i testiranje regresije

Merenje drifta nedeljno i uklanjanje zastarelih izmena

Ako pratite ovaj tok posla, dobićete jasne, pouzdane lokalne izmene pomoću Nano Banana—brze za isporuku, lake za upravljanje i bezbedne za vraćanje.

Često postavljana pitanja

P1: Šta su lokalne izmene u Nano Banana? Lokalne izmene su precizne modifikacije ponašanja modela za određeni opseg. U Nano Banana, definišete okidače i ciljeve tako da se izmena primenjuje samo kada je relevantna, minimizirajući regresije na drugim mestima.

P2: Kako da odaberem između prepisivanja, pristrasnosti i ograničenja izmena? Koristite prepisivanje za činjenične ispravke ili šablonske izlaze, pristrasnost za suptilne promene preferencija i ograničenje za stroga pravila kao što su obavezne izjave o odricanju odgovornosti. Počnite lakše (prepisivanje ili pristrasnost) i eskalirajte samo ako testovi ne uspeju.

P3: Kako mogu da sprečim da lokalne izmene utiču na nepovezane upite? Zategnite opseg okidača sa negativima, povećajte semantički radijus ili pređite na klasifikacioni okidač. Uvek uključite kontračinjenične testove da biste osigurali stabilnost.

P4: Mogu li da vratim lokalnu izmenu u Nano Banana? Da. Nano Banana podržava verzionisanje i vraćanje. Potvrdite svaku izmenu, koristite kanarsko uvođenje i zadržite prozor za vraćanje tako da možete odmah da se vratite ako se metrike pogoršaju.

P5: Kako da efikasno testiram lokalne izmene? Kreirajte pozitivne upite, kontračinjenične upite i testove opterećenja, a zatim potvrdite pre aktivacije. Izmerite stopu prolaznosti, kontračinjenični drift i UX metrike kao što je CSAT da biste osigurali da izmena pomaže bez kolateralne štete.