蘋果公司近日推出了一項名為Pico-Banana-400K的圖像研究數據集，該數據集包含40萬張經過精心編輯的圖像，旨在為文本引導的圖像編輯技術提供更強大的訓練和評估資源。這一成果已通過預印本平臺arXiv發布，完整數據集也在GitHub上向全球研究人員開放，采用非商業性研究許可協議，允許學術機構自由使用，但禁止商業用途。
研究團隊指出，當前圖像編輯領域雖然技術進步顯著，但開放研究仍面臨數據集質量不足的挑戰?，F有數據集多依賴專有模型生成的合成數據，或僅包含有限的人工篩選樣本，普遍存在領域偏差、編輯類型分布不均以及質量控制不一致等問題，這些問題嚴重制約了魯棒圖像編輯模型的發展。為突破這一瓶頸，蘋果團隊決定構建一個更全面、更具代表性的數據集。
Pico-Banana-400K的構建過程始于對OpenImages數據集中真實照片的篩選，確保樣本涵蓋人物、物體及含文字場景等多樣化內容。研究團隊設計了35種不同類型的圖像編輯指令，并將其歸類為八大類別，包括像素與光度調整（如添加復古濾鏡）、以人為中心的編輯（如將人物轉換為卡通風格）、場景構成與多主體編輯（如改變天氣條件）、對象級語義修改（如移動物體位置）、圖像縮放（如放大畫面）等。
在編輯過程中，研究人員將原始圖像與編輯指令輸入谷歌的Gemini 2.5-Flash-Image模型（也被稱為Nanon-Banana）進行生成，隨后利用Gemini 2.5-Pro模型對結果進行自動評估，確保編輯結果既準確遵循指令，又具備良好視覺質量。只有通過雙重驗證的樣本才會被納入最終數據集。
該數據集不僅包含單輪編輯的樣本，還涵蓋了多輪連續編輯序列，以及“偏好對”樣本——即成功與失敗編輯結果的對比，幫助模型學習區分理想與不良輸出。這種設計使得Pico-Banana-400K能夠支持更復雜的編輯任務，并為模型訓練提供更豐富的反饋信號。
盡管研究團隊承認Nanon-Banana模型在精細空間控制、布局外推和文字排版處理方面仍存在局限，但他們強調，Pico-Banana-400K的目標是為下一代文本引導圖像編輯模型提供一個堅實、可復現的基礎。通過公開這一資源，蘋果希望推動圖像編輯領域的技術進步，并為研究人員提供更高效的工具，以應對開放研究中的數據挑戰。
