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-வுடன் உள்ளூர் மாற்றங்களை செய்வது எப்படி: ஒரு நடைமுறை வழிகாட்டி

ஒரு மாதிரியின் (model) நடத்தையின் ஒரு பகுதியை மட்டும் மாற்றியமைக்க முடிந்தால் - மறுபயிற்சி இல்லாமல், மற்ற எல்லாவற்றையும் உடைக்காமல் அல்லது மணிக்கணக்கில் காத்திருக்காமல் - உள்ளூர் மாற்றங்கள் உங்கள் புதிய வல்லரசாகும். இந்த வழிகாட்டியில், Nano Banana-வுடன் உள்ளூர் மாற்றங்களை எப்படி செய்வது என்பதை படிப்படியாக, நடைமுறை உதாரணங்கள் மற்றும் தவிர்க்க வேண்டிய விஷயங்களுடன் பார்க்கலாம்.

தைரியமான கூற்று: உள்ளூர் மாற்றங்கள் ஒரு மாதிரியின் ஒரு நடத்தையை மட்டும் அப்படியே விட்டுவிட்டு மற்றவற்றை அப்படியே சரிசெய்ய அனுமதிக்கின்றன. இதை ஒரு தற்காலிக தீர்வாக (hotfix) நினைத்துக் கொள்ளுங்கள், மறு உருவாக்கமாக (rebuild) அல்ல.

இந்த பயிற்சி ஒரு நடைமுறை மற்றும் தீர்வு சார்ந்த பாணியை பின்பற்றுகிறது. நாங்கள் அதை கையில் வைத்துக்கொள்வோம், குறியீடு போன்ற வடிவங்களைக் காட்டுவோம், மேலும் நீங்கள் விரைவாக சரிபார்க்கக்கூடிய முடிவுகளில் கவனம் செலுத்துவோம்.

உள்ளூர் மாற்றங்கள் என்றால் என்ன (மற்றும் ஏன் Nano Banana-வை பயன்படுத்த வேண்டும்)?

உள்ளூர் மாற்றங்கள் என்பது தொடர்பில்லாத வெளியீடுகளை பாதிக்காமல், குறிப்பிட்ட உள்ளீடுகள் அல்லது கருத்துகளுக்கான மாதிரியின் பதில்களில் துல்லியமான மாற்றங்கள் ஆகும்.

Nano Banana (NB) என்பது LLM-கள் மற்றும் வகைப்படுத்தி தலைவர்களுக்கான ஒரு எளிய எடிட்டிங் கருவித்தொகுப்பாகும், இது பின்வருவனவற்றை வலியுறுத்துகிறது:

வேகம்: மணிநேரம் அல்ல, வினாடிகளில் மாற்றங்கள்

தனிமைப்படுத்தல்: மற்ற இடங்களில் பின்னடைவுகளை குறைக்கவும்

திரும்பப்பெறுதல்: மாற்றங்களை சுத்தமாக திரும்பப் பெறவும் அல்லது பதிப்பு செய்யவும்

தணிக்கை: என்ன மாறியது மற்றும் ஏன் என்பதை சரியாக கண்காணிக்கவும்

வழக்கமான பயன்பாட்டு நிகழ்வுகள்:

ஒரு தயாரிப்பு விலையை தவறாகக் கணிக்கும் ஒரு மாதிரியை (model), சரியான உண்மையை உறுதிப்படுத்துவதன் மூலம் சரிசெய்யவும்

ஒரு குறிப்பிட்ட நிறுவனத்திற்கான ஒருதலைப்பட்சமான தொடர்பை குறைக்கவும் அல்லது அகற்றவும்

மறுபயிற்சி இல்லாமல் ஒரு முக்கியமான களத்திற்கு (எ.கா., மருத்துவ மறுப்பு) ஒரு புதிய விதியைச் சேர்க்கவும்

சிவப்பு குழுவில் அடையாளம் காணப்பட்ட "தெரிந்த-தவறான" பதில் முறையை சரிசெய்யவும்

நீங்கள் தொடங்குவதற்கு முன்: நீங்கள் பயன்படுத்தும் கருத்துகள்

மாற்ற வரம்பு: எப்போது மாற்றம் பொருந்தும் என்பதை வரையறுக்கும் தூண்டுதல் நிபந்தனைகள் (patterns, embeddings, அல்லது classifier gates).

மாற்ற இலக்கு: நீங்கள் விரும்பும் நடத்தை (புதிய token விருப்பம், கட்டுப்பாடு அல்லது மீண்டும் எழுதும் டெம்ப்ளேட்).

மாற்ற வலிமை: அடிப்படை மாதிரியை (model) மாற்றம் எவ்வளவு வலிமையாக மீறுகிறது (மென்மையான vs கடினமான கட்டுப்பாடுகள்).

பாதுகாப்பு சோதனைகள்: மாறக்கூடாத எதிர்உருவ தூண்டுதல்கள் - பின்னடைவுகளைத் தவிர்க்க வேண்டியது அவசியம்.

திரும்பப்பெறுதல்/பதிப்பு: மாற்ற மாறுபாடுகளை செயல்தவிர்க்க அல்லது ஒப்பிடக்கூடிய திறன்.

விரைவான தொடக்கம்: 10 நிமிட பாதை

Nano Banana-வில் உள்ளூர் மாற்றத்தை செயல்படுத்துவதற்கான விரைவான வழி இங்கே. எடுத்துக்காட்டுகள் பொதுவான NB patterns-களை பிரதிபலிக்கும் போலி API-களைப் பயன்படுத்துகின்றன, எனவே உங்கள் சூழலுக்கு ஏற்றவாறு மாற்றிக்கொள்ளலாம்.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) உங்கள் மாதிரியுடன் எடிட்டரைத் தொடங்கவும்
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) தூண்டுதலை வரையறுக்கவும் (மாற்ற வரம்பு)
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # கருத்தை நிலைநிறுத்த சொற்றொடர்கள்
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # செயல்படுத்தலுக்கான ஒற்றுமை வரம்பு
)
# 3) இலக்கு நடத்தையை வரையறுக்கவும்
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="The current price of Acme Pro 5 is $699.",
strength=0.65 # 0..1; அதிக = வலுவான மேலெழுதல்
)
# 4) பாதுகாப்பு சோதனைகளைச் சேர்க்கவும்
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) மாற்றத்தைப் பயன்படுத்துங்கள் மற்றும் சரிபார்க்கவும்
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) வாயில்களைக் கடந்த பிறகு செயல்படுத்தவும்
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

சரியான மாற்ற வகையைத் தேர்ந்தெடுப்பது

மீண்டும் எழுதுதல்: உண்மை திருத்தங்கள் அல்லது டெம்ப்ளேட் செய்யப்பட்ட தூண்டுதல்களுக்கு சிறந்தது. உதாரணம்: ஒரு தயாரிப்பு விவரக்குறிப்பை சரிசெய்தல்.

சாய்வு: டெம்ப்ளேட் இல்லாமல் token-நிலை சாத்தியக்கூறுகளை சரிசெய்யவும். உதாரணம்: ஒரு குறுகிய சூழலில் பாதுகாப்பற்ற வினைச்சொற்களை ஊக்கப்படுத்தவும்.

கட்டுப்பாடு: கடினமான விதிகளை அமல்படுத்தவும் (எ.கா., ஒரு மறுப்பு கண்டிப்பாக சேர்க்கப்பட வேண்டும்). இயற்கைக்கு மாறான சொற்றொடர்களைத் தவிர்க்க கவனமாகப் பயன்படுத்தவும்.

Semantic vs Pattern தூண்டுதல்களை எப்போது பயன்படுத்துவது

Semantic தூண்டுதல்கள்: மறு சொற்றொடர்களுக்கு வலுவானது. "Acme Pro 5 இன் விலை" போன்ற கருத்துகளுக்கு சிறந்தது.

Pattern தூண்டுதல்கள்: Regex அல்லது முக்கிய வார்த்தை பொருத்தங்கள். கடுமையான வடிவங்களுக்கு நல்லது (எ.கா., SKU குறியீடுகள்).

Classifier தூண்டுதல்கள்: தந்திரமான களங்களில் துல்லியத்திற்காக நேர்மறை/எதிர்மறை எடுத்துக்காட்டுகளில் ஒரு சிறிய வாயிலை பயிற்றுவிக்கவும்.

நம்பகமான தூண்டுதல்களை உருவாக்குதல்

5-10 நேர்மறை விதை சொற்றொடர்கள் மற்றும் 5-10 எதிர்மறைகளுடன் தொடங்கவும்.

செயல்படுத்தல் விலகலை அளவிடவும்: தொடர்பில்லாத உள்ளீடுகளில் தூண்டுதல் எவ்வளவு அடிக்கடி செயல்படுகிறது.

உங்கள் நேர்மறைகள் தொடர்ந்து செயல்படும் அதே வேளையில் எதிர்உருவங்கள் செயல்படாதபடி radius-ஐ சரிசெய்யவும். <2% தவறான செயல்படுத்தல்களை இலக்காகக் கொள்ளுங்கள்.

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

இணை சேதம் இல்லாமல் இலக்குகளை உருவாக்குதல்

சுருக்கமான டெம்ப்ளேட்களை விரும்பவும்: ஒரு வாக்கியம் பெரும்பாலும் மூன்று வாக்கியங்களை விட சிறந்தது.

வலிமையை முதலில் மிதமாக வைத்திருங்கள் (0.4-0.7); சோதனைகள் தோல்வியடைந்தால் மட்டுமே அதிகரிக்கவும்.

ஒழுங்குமுறை மாற்றங்களுக்கு, ஒரு நிபந்தனை டெம்ப்ளேட்டைப் பயன்படுத்தவும்:

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
)

சோதனை: உங்கள் பாதுகாப்பு வலை

உங்கள் எதிர்கால சுயநலம் உங்களுக்கு நன்றி சொல்வது போல் சோதனைகளை வடிவமைக்கவும்.

நேர்மறைகள்: நேரடி வெற்றிகள் மற்றும் மறு சொற்றொடர்கள் ("price", "cost", "how much").

எதிர்உருவங்கள்: ஒத்த நிறுவனங்கள், வெவ்வேறு மாதிரிகள், ஒப்பீடுகள்.

அழுத்த சோதனைகள்: நீண்ட தூண்டுதல்கள், விரோதமான சொற்றொடர்கள், பல மொழி மாறுபாடுகள்.

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)

ஒரு நிபுணரைப் போல பதிப்பு மற்றும் திரும்பப்பெறுதல்

மாற்றங்களுக்கு semantic பதிப்பைப் பயன்படுத்தவும்: [email protected].

செயல்படுத்துவதற்கு முன்பு எப்போதும் சரிபார்க்கவும்; உற்பத்தி போக்குவரத்தில் ஒருபோதும் சூடாக செயல்படுத்த வேண்டாம்.

பின்னடைவுகளைக் கண்டறிய ஒரு திரும்பப்பெறும் சாளரத்தையும் (rollback window) ஒரு கேனரி பயன்முறையையும் (எ.கா., போக்குவரத்தில் 1%) வைத்திருங்கள்.

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

நீங்கள் சந்திக்கும் நிஜ உலக சூழ்நிலைகள்

தயாரிப்பு உண்மைகள் காலப்போக்கில் மாறுகின்றன

தூண்டுதல்: தயாரிப்பு நிறுவனத்தில் semantic

இலக்கு: மாறும் மாறியுடன் மீண்டும் எழுதுதல்

ஒருங்கிணைப்பு: உங்கள் விலை நிர்ணய மூலத்திலிருந்து நேரடி மதிப்பை இழுக்கவும்

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)

அதிகமாக கட்டுப்படுத்தாமல் பாதுகாப்பு மறுப்புகளைச் சேர்க்கவும்

தூண்டுதல்: லேபிள் அல்லாத பயன்பாட்டைப் பற்றிய மருத்துவ நோக்கத்திற்கான classifier

இலக்கு: கட்டுப்பாடு + குறுகிய மறுப்பு

உதவிக்குறிப்பு: அதிகப்படியான தூண்டுதலைத் தவிர்க்க தீங்கற்ற சுகாதார வினவல்களுக்கான எதிர்உருவங்களைச் சேர்க்கவும்

ஒருதலைப்பட்சமான தொடர்பை குறைக்கவும்

தூண்டுதல்: முக்கியமான நிறுவனத்தில் semantic

இலக்கு: தீங்கு விளைவிக்கும் விளக்கங்களின் சாத்தியக்கூறுகளை குறைக்க சாய்வு பயன்முறை

சோதனைகள்: புள்ளிவிவரங்கள் முழுவதும் நியாயத்தன்மை ஆய்வுகள்

வெற்றியை அளவிடுதல்

மாதிரி மற்றும் தயாரிப்பு விளைவுகளை கண்காணிக்கவும்:

மாற்ற துல்லியம்: எப்போது தூண்டப்பட வேண்டுமோ அப்போது மாற்றம் எவ்வளவு அடிக்கடி தூண்டப்படுகிறது

எதிர்உருவ நிலைத்தன்மை: அருகிலுள்ள தவறுகளில் விலகல் விகிதம்

பயனர் திருப்தி: திருத்தப்பட்ட பதில்களில் CSAT அல்லது கட்டைவிரல் விகிதம்

தாமத மேல்நிலை: ஒரு கோரிக்கைக்கு <10 ms கூடுதல் நேரத்தை இலக்காகக் கொள்ளுங்கள்

வணிக KPI: குறைக்கப்பட்ட அதிகரிப்புகள், அதிக தெளிவுத்திறன் விகிதம், குறைவான இணக்கக் கொடிகள்

Nano Banana-வில் உள்ளூர் மாற்றங்களை சரிசெய்தல்

மாற்றம் பொருந்தவில்லை என்று தெரிகிறது

semantic radius-ஐக் குறைக்கவும் அல்லது அதிக நேர்மறை விதைகளைச் சேர்க்கவும்

வலிமையை சிறிது அதிகரிக்கவும் (0.05-0.1)

செயலில் உள்ள மாற்ற தொகுப்பை இயக்க நேரம் ஏற்றுகிறதா என்பதை உறுதிப்படுத்தவும்

அதிக தவறான நேர்மறைகள்

எதிர்மறைகளைச் சேர்த்து radius-ஐ அதிகரிக்கவும்

துல்லியத்திற்காக semantic-லிருந்து classifier தூண்டுதலுக்கு மாற்றவும்

பதில்கள் கட்டாயமாகத் தெரிகின்றன

டெம்ப்ளேட்டைச் சுருக்கவும்; இலகுவான தொடுதலுக்காக சாய்வு பயன்முறைக்கு மாறவும்

வலிமையை குறைக்கவும்; ஒரு நிபந்தனை உட்பிரிவைச் சேர்க்கவும்

செயல்திறன் குறைகிறது

தூண்டுதல் கணக்கீட்டை தொகுக்கவும்; உட்பொதி வினவல்களை தற்காலிகமாக சேமிக்கவும்

செயல்படாத மாற்றங்களை அகற்றவும்; ஒன்றுடன் ஒன்று தூண்டுதல்களைத் தவிர்க்கவும்

நிர்வாகம் மற்றும் தணிக்கை

ஆசிரியர், நோக்கம், தூண்டுதல்கள், இலக்குகள், சோதனைகள் மற்றும் விளைவுகளுடன் ஒரு மாற்ற பதிவை வைத்திருங்கள்.

அதிக தாக்கத்தை ஏற்படுத்தும் மாற்றங்களுக்கு மதிப்பாய்வு தேவை (ஒழுங்குமுறை, பாதுகாப்பு, நிதி).

தணிக்கைக்காக முன்/பின் எடுத்துக்காட்டுகளை படம் பிடிக்கவும்.

மேம்பட்ட Patterns

படிநிலை தூண்டுதல்கள்: ஒரு பரந்த classifier சில தவறான தீப்பிடிப்புகளுக்கு ஒரு குறிப்பிட்ட semantic தூண்டுதலை கட்டுப்படுத்துகிறது.

நேர-வரையறுக்கப்பட்ட மாற்றங்கள்: ஒரு தேதிக்குப் பிறகு தானாகவே மாற்றங்கள் காலாவதியாகும்; விளம்பரங்களுக்கு சிறந்தது.

பல-நிறுவன டெம்ப்ளேட்கள்: மாறிகளைப் பயன்படுத்தவும்: {{product}}, {{price}}, {{region}} ஒரு resolver உடன்.

A/B மாற்ற மாறுபாடுகள்: எது சிறந்த UX ஐ அளிக்கிறது என்பதைப் பார்க்க [email protected] vs [email protected] போட்டியிடவும்.

உங்கள் ஸ்டேக்கில் ஒருங்கிணைத்தல்

பதிவு செய்யப்பட்ட பதிவேட்டில் மாற்றங்களைச் சேமித்து, மாதிரி-சேவையக துவக்கத்தில் அவற்றை ஏற்றவும்.

மாற்றுதல், திரும்பப் பெறுதல் மற்றும் தாக்கத்தை ஆய்வு செய்ய ஒரு சிறிய நிர்வாக UI ஐ வெளிப்படுத்தவும்.

கண்காணிப்புக்காக ஒரு தூண்டுதல் செயல்படும்போது நிகழ்வுகளை ஸ்ட்ரீம் செய்யவும்.

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

சந்தர்ப்பவசமாக: Sider.AI மூலம் எழுதுவதை விரைவுபடுத்துதல்

கவனிக்க வேண்டியது: நீங்கள் பல சிறிய மாற்றங்களைச் செய்தால், சோதனை மற்றும் மறு சொற்றொடர்களை எழுதுவது கடினமாகிவிடும். Sider.AI போன்ற கருவிகள் மறு சொற்றொடர் தூண்டுதல்களை உருவாக்கவும், எதிர்உருவ தொகுப்புகளை ஒழுங்கமைக்கவும் மற்றும் மாற்ற காரணங்களை ஆவணப்படுத்தவும் உதவும். இது உங்கள் சரிபார்ப்பை மாற்றாது - தரமான வாயில்களில் நீங்கள் கவனம் செலுத்தக்கூடிய வகையில் சலிப்பான பகுதிகளை விரைவுபடுத்துகிறது.

மறுபரிசீலனை: நீங்கள் மீண்டும் பயன்படுத்தக்கூடிய சரிபார்ப்பு பட்டியல்

நீங்கள் விரும்பும் நடத்தையை வரையறுக்கவும்; அதை குறுகிய வரம்பிற்குள் வைக்கவும்

தூண்டுதல் வகையைத் தேர்ந்தெடுக்கவும்: semantic, pattern அல்லது classifier

மிதமான வலிமையுடன் மற்றும் ஒரு குறுகிய டெம்ப்ளேட்டுடன் தொடங்கவும்

நேர்மறைகள், எதிர்உருவங்கள் மற்றும் அழுத்த சோதனைகளை உருவாக்கவும்

சரிபார்க்கவும், கேனரி செய்யவும், கண்காணிக்கவும், அதன் பிறகு மட்டுமே வெளியிடவும்

ஒவ்வொரு மாற்றத்தையும் பதிப்பு செய்து திரும்பப்பெறுதலை எளிதாக வைத்திருக்கவும்

அடுத்த கட்டங்கள்

உங்கள் முதல் semantic-தூண்டுதல் மீண்டும் எழுதும் மாற்றத்தை செயல்படுத்தவும்

மறுப்புகளுடன் ஒரு classifier-தூண்டுதல் பாதுகாப்பு மாற்றத்தைச் சேர்க்கவும்

மறு சொற்றொடர் உருவாக்கம் மற்றும் பின்னடைவு சோதனையை தானியங்குபடுத்தவும்

வாரந்தோறும் விலகலை அளவிட்டு, பழைய மாற்றங்களை அகற்றவும்

இந்த பணிப்பாய்வைப் பின்பற்றினால், Nano Banana-வுடன் மிருதுவான, நம்பகமான உள்ளூர் மாற்றங்களைப் பெறுவீர்கள் - கப்பலுக்கு விரைவானது, நிர்வகிக்க எளிதானது மற்றும் திரும்பப் பெற பாதுகாப்பானது.

அடிக்கடி கேட்கப்படும் கேள்விகள்

Q1:Nano Banana-வில் உள்ளூர் மாற்றங்கள் என்றால் என்ன? உள்ளூர் மாற்றங்கள் என்பது ஒரு குறிப்பிட்ட வரம்பிற்கான ஒரு மாதிரியின் நடத்தையில் துல்லியமான மாற்றங்கள் ஆகும். Nano Banana-வில், நீங்கள் தூண்டுதல்கள் மற்றும் இலக்குகளை வரையறுக்கிறீர்கள், இதனால் மாற்றம் தொடர்புடையதாக இருக்கும்போது மட்டுமே பொருந்தும், மற்ற இடங்களில் பின்னடைவுகளைக் குறைக்கிறது.

Q2:மீண்டும் எழுதுதல், சாய்வு மற்றும் கட்டுப்பாடு மாற்றங்களுக்கு இடையில் நான் எப்படி தேர்வு செய்வது? உண்மை திருத்தங்கள் அல்லது டெம்ப்ளேட் செய்யப்பட்ட வெளியீடுகளுக்கு மீண்டும் எழுதுதலைப் பயன்படுத்தவும், நுட்பமான விருப்ப மாற்றங்களுக்கு சாய்வைப் பயன்படுத்தவும் மற்றும் கட்டாய மறுப்புகள் போன்ற கடினமான விதிகளுக்கு கட்டுப்பாட்டைப் பயன்படுத்தவும். இலகுவாகத் தொடங்கி (மீண்டும் எழுதுதல் அல்லது சாய்வு) சோதனைகள் தோல்வியடைந்தால் மட்டுமே அதிகரிக்கவும்.

Q3:தொடர்பில்லாத வினவல்களைப் பாதிப்பதிலிருந்து உள்ளூர் மாற்றங்களை நான் எவ்வாறு தடுக்க முடியும்? எதிர்மறைகளுடன் உங்கள் தூண்டுதல் வரம்பை இறுக்குங்கள், semantic radius-ஐ அதிகரிக்கவும் அல்லது ஒரு classifier தூண்டுதலுக்கு மாறவும். நிலைத்தன்மையை உறுதிப்படுத்த எப்போதும் எதிர்உருவ சோதனைகளைச் சேர்க்கவும்.

Q4:Nano Banana-வில் உள்ளூர் மாற்றத்தை திரும்பப் பெற முடியுமா? ஆம். Nano Banana பதிப்பு மற்றும் திரும்பப்பெறுதலை ஆதரிக்கிறது. ஒவ்வொரு மாற்றத்தையும் சரிபார்க்கவும், கேனரி வெளியீட்டைப் பயன்படுத்தவும் மற்றும் அளவீடுகள் குறைந்தால் உடனடியாக மாற்றியமைக்க ஒரு திரும்பப்பெறும் சாளரத்தை வைத்திருக்கவும்.

Q5:உள்ளூர் மாற்றங்களை நான் எவ்வாறு திறம்பட சோதிப்பது? நேர்மறை தூண்டுதல்கள், எதிர்உருவ தூண்டுதல்கள் மற்றும் அழுத்த சோதனைகளை உருவாக்கி, பின்னர் செயல்படுத்துவதற்கு முன்பு சரிபார்க்கவும். மாற்றம் இணை சேதம் இல்லாமல் உதவுகிறதா என்பதை உறுதிப்படுத்த தேர்ச்சி விகிதம், எதிர்உருவ விலகல் மற்றும் CSAT போன்ற UX அளவீடுகளை அளவிடவும்.