蘋果公司近日在學術研究領域邁出重要一步，正式推出名為《Pico-Banana-400K：面向文本引導圖像編輯的大規模數據集》的研究成果，并同步發布包含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協議，全球研究人員和學術機構可自由用于非盈利目的的探索。
研究團隊指出，當前圖像編輯領域面臨關鍵瓶頸：現有公開數據集普遍存在三大缺陷——依賴專有模型生成的合成數據、人工篩選子集規模有限、質量評估標準不統一。這些問題導致領域偏移、編輯類型分布失衡等頑疾，嚴重制約魯棒性圖像編輯模型的開發。為此，蘋果選擇以開源方式構建更全面的基準數據集。
數據集構建流程體現嚴謹的學術規范。研究人員首先從OpenImages數據集中精選涵蓋人物、物體、文字場景等多元內容的真實照片，隨后設計35種細分編輯指令并劃分為八大類別：包括像素級調整（如添加復古濾鏡）、人物形象轉換（如生成Funko-Pop玩具風格）、場景重構（如天氣條件變換）、對象語義修改（如物體空間關系調整）等典型場景。
在技術實現層面，項目采用谷歌開發的Gemini-2.5系列模型完成核心工作流。每張原始圖像與編輯指令輸入Nanon-Banana模型（即Gemini 2.5-Flash-Image）生成候選結果，再由Gemini 2.5-Pro進行雙重驗證：既檢查指令遵循度，也評估視覺質量。只有通過嚴格篩選的樣本才能進入最終數據集。
該數據集的創新性體現在結構化設計：除包含單輪編輯樣本外，特別收錄多輪連續編輯序列，完整呈現圖像逐步演變過程；同時設置"偏好對"樣本，通過成功與失敗案例的對比，為模型提供明確的優化方向。這種設計使數據集既能用于基礎訓練，也可支撐復雜的評測任務。
研究團隊坦承當前模型在空間控制精度、布局外推能力等方面仍有提升空間，但強調Pico-Banana-400K的核心價值在于建立標準化基準。通過提供大規模、高質量且完全開放的訓練資源，該項目有望推動文本引導圖像編輯領域進入新的發展階段。目前完整數據集與學術論文已分別在GitHub和arXiv平臺公開，供全球研究者下載使用。
