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 ile Yerel Düzenlemeler Nasıl Yapılır: Pratik Bir Kılavuz

Bir modelin davranışının sadece bir kısmını, yeniden eğitmeden, her şeyi bozmadan veya saatlerce beklemeden değiştirebilmeyi dilediyseniz, yerel düzenlemeler sizin yeni süper gücünüz. Bu kılavuzda, Nano Banana ile yerel düzenlemelerin nasıl yapılacağını adım adım, pratik örneklerle ve kaçınılması gereken tuzaklarla anlatacağız.

İddialı bir söylem: Yerel düzenlemeler, bir modelin davranışının sadece bir yönünü, geri kalanına dokunmadan cerrahi olarak düzeltmenizi sağlar. Yeniden inşa etmek yerine, bir acil düzeltme (hotfix) gibi düşünün.

Bu öğretici, Pratik ve Çözüm Odaklı bir tarzı izler. Uygulamalı olacak, kod benzeri kalıplar gösterecek ve hızlıca doğrulayabileceğiniz sonuçlara odaklanacağız.

Yerel Düzenlemeler Nedir (ve Neden Nano Banana Kullanılır)?

Yerel düzenlemeler, ilgisiz çıktıları etkilemeden, belirli girdiler veya kavramlar için bir modelin yanıtlarına yapılan kesin değişikliklerdir.

Nano Banana (NB), LLM'ler ve sınıflandırıcı başlıkları için aşağıdaki özellikleri vurgulayan hafif bir düzenleme araç setidir:

Hız: Saatler değil, saniyeler içinde düzenlemeler

İzolasyon: Başka yerlerdeki regresyonları en aza indirme

Geri Alınabilirlik: Düzenlemeleri temiz bir şekilde geri alma veya sürümleme

Denetlenebilirlik: Tam olarak neyin ve neden değiştiğini izleme

Tipik kullanım durumları:

Düzeltilmiş bir gerçeği uygulayarak bir ürün fiyatı hakkında halüsinasyon gören bir modeli düzeltme

Belirli bir varlık için önyargılı bir ilişkilendirmeyi düşürme veya kaldırma

Yeniden eğitim yapmadan hassas bir alan için yeni bir kural ekleme (örneğin, tıbbi sorumluluk reddi)

Kırmızı takım tarafından belirlenen "bilinen kötü" bir yanıt modelini düzeltme

Başlamadan Önce: Kullanacağınız Kavramlar

Düzenleme kapsamı: Düzenlemenin ne zaman uygulanacağını tanımlayan tetikleyici koşullar (kalıplar, gömme veya sınıflandırıcı kapıları).

Düzenleme hedefi: İstediğiniz davranış (yeni belirteç tercihi, kısıtlama veya yeniden yazma şablonu).

Düzenleme gücü: Düzenlemenin temel modeli ne kadar güçlü bir şekilde geçersiz kıldığı (yumuşak ve sert kısıtlamalar).

Güvenlik testleri: Değişmemesi gereken karşı olgusal istemler - regresyonları önlemek için bir zorunluluk.

Geri alma/sürümleme: Düzenleme varyantlarını geri alma veya karşılaştırma yeteneği.

Hızlı Başlangıç: 10 Dakikalık Yol

İşte Nano Banana'da çalışan bir yerel düzenleme elde etmenin en hızlı yolu. Örnekler, ortamınıza uyum sağlayabilmeniz için yaygın NB kalıplarını yansıtan sözde API'ler kullanır.

from nano_banana import NBEditor, Trigger, Target, Tests
# 1) Modelinizle düzenleyiciyi başlatın
nb = NBEditor(model="your-llm-13b", storage="./nb_store")
# 2) Tetikleyiciyi (düzenleme kapsamı) tanımlayın
trigger = Trigger(
type="semantic", # semantic | pattern | classifier
positive=["Acme Pro 5 price"], # kavramı sabitlemek için ifadeler
negative=["Acme Pro 4", "Acme Lite"],
radius=0.85 # aktivasyon için benzerlik eşiği
)
# 3) Hedef davranışı tanımlayın
target = Target(
mode="rewrite", # rewrite | bias | constraint
template="Acme Pro 5'in şu anki fiyatı 699$.",
strength=0.65 # 0..1; daha yüksek = daha güçlü geçersiz kılma
)
# 4) Güvenlik testleri ekleyin
tests = Tests(
positives=[
("Acme Pro 5'in fiyatı nedir?", "699"),
],
counterfactuals=[
("Acme Pro 4'ün fiyatı nedir?", "699 demeyin"),
("Acme Pro 5'i Acme Lite ile karşılaştırın", "doğrudan sorulmadıkça fiyatı yeniden yazmaktan kaçının"),
]
)
# 5) Düzenlemeyi uygulayın ve doğrulayın
edit_id = nb.apply(trigger, target, tests)
report = nb.validate(edit_id)
print(report.summary)
# 6) Kapılardan geçtikten sonra etkinleştirin
if report.pass_rate > 0.95 and report.cf_drift < 0.02:
nb.activate(edit_id)
else:
nb.rollback(edit_id)

Doğru Düzenleme Türünü Seçme

Yeniden Yazma: Gerçek düzeltmeler veya şablonlu dürtmeler için en iyisi. Örnek: bir ürün özelliğini düzeltme.

Eğilim: Şablonlama olmadan belirteç düzeyindeki olasılıkları ayarlayın. Örnek: dar bir bağlamda güvenli olmayan fiilleri caydırın.

Kısıtlama: Sert kuralları uygulayın (örneğin, bir sorumluluk reddi içermelidir). Doğal olmayan ifadelerden kaçınmak için dikkatli kullanın.

Anlamsal ve Desen Tetikleyicilerini Ne Zaman Kullanmalı

Anlamsal tetikleyiciler: Parafraza karşı sağlam. "Acme Pro 5'in fiyatı" gibi kavramlar için harika.

Desen tetikleyicileri: Regex veya anahtar kelime eşleşmeleri. Katı biçimler için iyi (örneğin, SKU kodları).

Sınıflandırıcı tetikleyicileri: Zorlu alanlarda hassasiyet için pozitif/negatif örnekler üzerinde küçük bir kapı eğitin.

Güvenilir Tetikleyiciler Oluşturma

5-10 pozitif tohum ifade ve 5-10 negatifle başlayın.

Aktivasyon kaymasını ölçün: tetikleyicinin ilgisiz girdilerde ne sıklıkla tetiklendiği.

yarıçapı, pozitiflerinizin tutarlı bir şekilde tetiklenmesini sağlarken, karşı olgusal olanlar tetiklenmez. <%2'den az yanlış aktivasyonu hedefleyin.

probe = nb.dry_run(trigger, samples=[
"Acme Pro 5 ne kadar?",
"Acme Pro 4 daha mı ucuz?",
"Acme Lite garanti detayları",
])
probe.metrics

Yan Hasar Olmadan Hedefler Oluşturma

Özlü şablonları tercih edin: bir cümle genellikle üçten daha iyidir.

gücü önce orta düzeyde tutun (0,4–0,7); yalnızca testler başarısız olursa artırın.

Uyumluluk düzenlemeleri için koşullu bir şablon kullanın:

target = Target(
mode="rewrite",
template="Kullanıcı fiyatlandırma hakkında soru sorarsa, şu şekilde yanıt verin: 'Acme Pro 5'in şu anki fiyatı 699$.' Aksi takdirde, normal şekilde devam edin.",
strength=0.55
)

Test Etme: Güvenlik Ağınız

Gelecekteki benliğiniz size teşekkür edecekmiş gibi testler tasarlayın.

Pozitifler: Doğrudan isabetler ve parafraflar ("fiyat", "maliyet", "ne kadar").

Karşı olgusallar: Benzer varlıklar, farklı modeller, karşılaştırmalar.

Stres testleri: Uzun istemler, düşmanca ifadeler, çok dilli varyantlar.

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

Profesyonel Gibi Sürümleme ve Geri Alma

Düzenlemeler için anlamsal sürümleme kullanın: [email protected].

Etkinleştirmeden önce her zaman doğrulayın; üretim trafiğinde asla sıcak etkinleştirme yapmayın.

Regresyonları tespit etmek için bir geri alma penceresi ve bir kanarya modu (örneğin, trafiğin %1'i) tutun.

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

Karşılaşacağınız Gerçek Dünya Senaryoları

Ürün gerçekleri zamanla değişir

Tetikleyici: ürün varlığı üzerinde anlamsal

Hedef: dinamik değişkenle yeniden yazma

Entegrasyon: canlı değeri fiyatlandırma doğruluk kaynağınızdan çekin

def dynamic_price:
return fetch_price("Acme Pro 5")
target = Target(mode="rewrite", template=lambda: f"Acme Pro 5'in şu anki fiyatı ${dynamic_price}.", strength=0.6)

Aşırı polislik yapmadan güvenlik sorumluluk reddi ekleyin

Tetikleyici: etiket dışı kullanım hakkında tıbbi niyet için sınıflandırıcı

Hedef: kısıtlama + kısa sorumluluk reddi

İpucu: Aşırı tetiklemeyi önlemek için iyi huylu sağlık sorguları için karşı olgusal olanları dahil edin

Önyargılı bir ilişkilendirmeyi düşürün

Tetikleyici: hassas varlık üzerinde anlamsal

Hedef: zararlı tanımlayıcıların olasılığını azaltmak için eğilim modu

Testler: demografik bilgiler arasında adalet araştırmaları

Başarıyı Ölçme

Hem model hem de ürün sonuçlarını izleyin:

Düzenleme hassasiyeti: Düzenlemenin ne zaman tetiklenmesi gerektiğinde ne sıklıkla tetiklendiği

Karşı olgusal kararlılık: Yakın isabetlerdeki kayma oranı

Kullanıcı memnuniyeti: Düzenlenmiş yanıtlarda CSAT veya başparmak yukarı oranı

Gecikme ek yükü: İstek başına <10 ms ek süreyi hedefleyin

İş KPI'sı: Azaltılmış yükseltmeler, daha yüksek çözüm oranı, daha az uyumluluk bayrağı

Nano Banana'da Yerel Düzenlemeleri Giderme

Düzenleme uygulanmıyor gibi görünüyor

Anlamsal yarıçapı düşürün veya daha fazla pozitif tohum ekleyin

gücü biraz artırın (0,05–0,1 oranında)

Çalışma zamanının etkin düzenleme kümesini yüklediğini doğrulayın

Çok fazla yanlış pozitif

Negatifler ekleyin ve yarıçapı yükseltin

Hassasiyet için anlamsaldan sınıflandırıcı tetikleyiciye dönüştürün

Yanıtlar zorlama geliyor

Şablonu kısaltın; daha hafif bir dokunuş için eğilim moduna geçin

gücü azaltın; koşullu bir cümle ekleyin

Performans düşüşleri

Tetikleyici hesaplamasını toplu işleyin; gömme sorgularını önbelleğe alın

Etkin olmayan düzenlemeleri budayın; örtüşen tetikleyicilerden kaçının

Yönetişim ve Denetim

Yazar, niyet, tetikleyiciler, hedefler, testler ve sonuçlarla bir değişiklik günlüğü tutun.

Yüksek etkili düzenlemeler için inceleme isteyin (uyumluluk, güvenlik, finans).

Denetlenebilirlik için önce/sonra örneklerin anlık görüntüsünü alın.

Gelişmiş Kalıplar

Hiyerarşik tetikleyiciler: Geniş bir sınıflandırıcı, daha az yanlış tetikleme için belirli bir anlamsal tetikleyiciyi kapatır.

Zamana bağlı düzenlemeler: Bir tarihten sonra düzenlemelerin otomatik olarak sona ermesi; promosyonlar için harika.

Çok varlıklı şablonlar: Bir çözücü ile {{product}}, {{price}}, {{region}} değişkenlerini kullanın.

A/B düzenleme varyantları: Hangisinin daha iyi UX sağladığını görmek için [email protected] ile [email protected] yarışın.

Yığınınıza Entegre Etme

Düzenlemeleri sürüm kontrollü bir kayıt defterinde saklayın ve model sunucusu önyüklemesinde yükleyin.

Açma/kapama, geri alma ve etkiyi inceleme için küçük bir yönetici kullanıcı arayüzü sunun.

Gözlemlenebilirlik için bir tetikleyici tetiklendiğinde olayları yayınlayın.

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

Bu arada: Sider.AI ile Yazmayı Hızlandırma

Belirtmekte fayda var: çok sayıda küçük düzenleme yapıyorsanız, testler ve parafraflar yazmak sıkıcı hale gelebilir. Sider.AI gibi araçlar, parafraflı istemler oluşturmanıza, karşı olgusal paketleri düzenlemenize ve düzenleme gerekçelerini belgelemenize yardımcı olabilir. Bu, doğrulamanızın yerini almaz; sadece sıkıcı kısımları hızlandırır, böylece kalite kapılarına odaklanabilirsiniz.

Özet: Yeniden Kullanabileceğiniz Bir Kontrol Listesi

İstediğiniz davranışı tanımlayın; kapsamını dar tutun

Tetikleyici türünü seçin: anlamsal, desen veya sınıflandırıcı

Orta düzeyde güç ve kısa bir şablonla başlayın

Pozitifler, karşı olgusallar ve stres testleri oluşturun

Doğrulayın, kanaryalayın, izleyin ve ancak o zaman kullanıma sunun

Her değişikliği sürümleyin ve geri almayı el altında tutun

Sonraki Adımlar

İlk anlamsal tetikleyici yeniden yazma düzenlemenizi uygulayın

Sorumluluk reddi içeren bir sınıflandırıcı tetikleyici güvenlik düzenlemesi ekleyin

Parafraz oluşturmayı ve regresyon testini otomatikleştirin

Kaymayı haftalık olarak ölçün ve eski düzenlemeleri budayın

Bu iş akışını izlerseniz, Nano Banana ile net, güvenilir yerel düzenlemeler elde edersiniz - gönderilmesi hızlı, yönetimi kolay ve geri alınması güvenli.

SSS

S1:Nano Banana'da yerel düzenlemeler nelerdir? Yerel düzenlemeler, bir modelin davranışına belirli bir kapsam için yapılan kesin değişikliklerdir. Nano Banana'da, tetikleyicileri ve hedefleri tanımlarsınız, böylece düzenleme yalnızca ilgili olduğunda uygulanır ve başka yerlerdeki regresyonları en aza indirir.

S2:Yeniden yazma, eğilim ve kısıtlama düzenlemeleri arasında nasıl seçim yaparım? Gerçek düzeltmeler veya şablonlu çıktılar için yeniden yazmayı, ince tercih kaymaları için eğilimi ve zorunlu sorumluluk reddi gibi katı kurallar için kısıtlamayı kullanın. Daha hafif başlayın (yeniden yazma veya eğilim) ve yalnızca testler başarısız olursa yükseltin.

S3:Yerel düzenlemelerin ilgisiz sorguları etkilemesini nasıl önleyebilirim? Negatiflerle tetikleyici kapsamınızı sıkılaştırın, anlamsal yarıçapı artırın veya bir sınıflandırıcı tetikleyiciye geçin. Kararlılığı sağlamak için her zaman karşı olgusal testler ekleyin.

S4:Nano Banana'da yerel bir düzenlemeyi geri alabilir miyim? Evet. Nano Banana, sürümlemeyi ve geri almayı destekler. Her düzenlemeyi doğrulayın, kanarya dağıtımını kullanın ve metrikler kötüleşirse anında geri dönebilmeniz için bir geri alma penceresi tutun.

S5:Yerel düzenlemeleri etkili bir şekilde nasıl test ederim? Pozitif istemler, karşı olgusal istemler ve stres testleri oluşturun, ardından etkinleştirmeden önce doğrulayın. Düzenlemenin yan hasar olmadan yardımcı olduğundan emin olmak için geçme oranını, karşı olgusal kaymayı ve CSAT gibi UX metriklerini ölçün.