10 月 29 日消息，蘋果公司發布了 Pico-Banana-400K，這是一個包含 40 萬張圖像的研究數據集，有趣的是，該數據集是利用谷歌的 Gemini-2.5 模型構建的。

據IT之家了解，蘋果的這個研究成果名為《Pico-Banana-400K：面向文本引導圖像編輯的大規模數據集》（Pico-Banana-400K: A Large-Scale Dataset for Text-Guided Image Editing），該公司還發布了由此生成的包含 40 萬張圖像的完整數據集。該數據集采用非商業性研究許可（non-commercial research license）發布，意味著研究人員和學術機構可自由使用，但不得用于商業用途。

數月前，谷歌推出了 Gemini 2.5-Flash-Image 模型，也被稱為 Nanon-Banana，該模型在圖像編輯任務中表現出色，被廣泛認為是當前最先進的圖像編輯模型之一。盡管近年來多個模型在圖像生成與編輯方面取得顯著進展，蘋果的研究團隊指出：“盡管技術不斷進步，開放研究仍受限于缺乏大規模、高質量且可完全共享的圖像編輯數據集?，F有數據集往往依賴專有模型生成的合成數據，或僅包含有限的人工篩選子集。此外，這些數據集普遍存在領域偏移（domain shifts）、編輯類型分布不均以及質量控制不一致等問題，嚴重阻礙了魯棒圖像編輯模型的發展。”

為解決這一瓶頸，蘋果團隊著手構建一個更全面、更具代表性的圖像編輯數據集。

Pico-Banana-400K 的構建過程

研究團隊首先從 OpenImages 數據集中選取了大量真實照片，確保涵蓋人物、物體及含文字場景等多樣化內容。

然后，團隊設計了 35 種不同類型的圖像修改指令，并將其歸入八大類別，包括：

• 像素與光度調整（Pixel & Photometric）：如添加膠片顆粒或復古濾鏡；
• 以人為中心的編輯（Human-Centric）：例如將人物轉換為 Funko-Pop 風格的玩具形象；
• 場景構成與多主體編輯（Scene Composition & Multi-Subject）：如改變天氣條件（晴天 / 雨天 / 雪天）；
• 對象級語義修改（Object-Level Semantic）：如移動物體位置或調整空間關系；
• 圖像縮放（Scale）：如放大畫面（Zoom in）等。

接下來，研究人員會將一張原始圖像連同一條編輯指令輸入至 Nanon-Banana 模型進行圖像編輯。生成結果隨后交由 Gemini 2.5-Pro 模型進行自動評估，判斷其是否準確遵循指令并具備良好視覺質量。只有通過雙重驗證的結果才會被納入最終數據集。