苹果公司发布了名为Pico-Banana-400K的大规模研究数据集，包含40万张图像，并特别指出该数据集是利用谷歌的Gemini-2.5模型构建的。此数据集旨在推动文本引导图像编辑领域的研究，通过整合真实照片和多样化的编辑指令，并借助Gemini 2.5-Pro模型进行质量评估，以克服现有数据集在规模、质量和多样性方面的不足。Pico-Banana-400K数据集以非商业性研究许可发布，为研究人员提供了宝贵的资源，以训练和评估下一代图像编辑模型，尽管其构建过程也揭示了当前模型在精细控制等方面的局限性。

🍎 **大规模图像编辑数据集的创建**：苹果发布了Pico-Banana-400K，一个包含40万张图像的研究数据集，专为文本引导图像编辑设计。该数据集的构建克服了现有图像编辑数据集在规模、质量和多样性上的普遍问题，为推动相关领域研究奠定了基础。

🤖 **利用先进AI模型构建**：Pico-Banana-400K数据集的独特之处在于其构建过程深度整合了谷歌的Gemini-2.5模型。具体来说，Nanon-Banana模型负责执行图像编辑任务，而Gemini 2.5-Pro模型则用于自动评估生成图像的准确性和视觉质量，确保数据集的高标准。

🎨 **多样化的编辑指令与场景覆盖**：数据集包含了35种不同类型的图像修改指令，涵盖像素调整、人物风格转换、天气改变、物体位置调整及画面缩放等八大类别。通过从OpenImages数据集中选取真实照片，Pico-Banana-400K确保了内容的多样性，覆盖人物、物体和含文字场景。

📈 **推动下一代图像编辑模型发展**：尽管承认当前模型在精细空间控制和文字处理方面存在局限，苹果团队强调Pico-Banana-400K旨在为下一代文本引导图像编辑模型提供一个坚实、可复现的训练与评测基础，促进更鲁棒、更智能的图像编辑技术的进步。

🔓 **开放研究与非商业用途**：Pico-Banana-400K数据集以非商业性研究许可的形式发布，允许研究人员和学术机构自由使用。相关研究论文已在arXiv发布，数据集也已在GitHub上公开，体现了苹果对开放研究的贡献。

IT之家 10 月 29 日消息，苹果公司发布了 Pico-Banana-400K，这是一个包含 40 万张图像的研究数据集，有趣的是，该数据集是利用谷歌的 Gemini-2.5 模型构建的。

据IT之家了解，苹果的这个研究成果名为《Pico-Banana-400K：面向文本引导图像编辑的大规模数据集》（Pico-Banana-400K: A Large-Scale Dataset for Text-Guided Image Editing），该公司还发布了由此生成的包含 40 万张图像的完整数据集。该数据集采用非商业性研究许可（non-commercial research license）发布，意味着研究人员和学术机构可自由使用，但不得用于商业用途。

数月前，谷歌推出了 Gemini 2.5-Flash-Image 模型，也被称为 Nanon-Banana，该模型在图像编辑任务中表现出色，被广泛认为是当前最先进的图像编辑模型之一。尽管近年来多个模型在图像生成与编辑方面取得显著进展，苹果的研究团队指出：“尽管技术不断进步，开放研究仍受限于缺乏大规模、高质量且可完全共享的图像编辑数据集。现有数据集往往依赖专有模型生成的合成数据，或仅包含有限的人工筛选子集。此外，这些数据集普遍存在领域偏移（domain shifts）、编辑类型分布不均以及质量控制不一致等问题，严重阻碍了鲁棒图像编辑模型的发展。”

为解决这一瓶颈，苹果团队着手构建一个更全面、更具代表性的图像编辑数据集。

Pico-Banana-400K 的构建过程

研究团队首先从 OpenImages 数据集中选取了大量真实照片，确保涵盖人物、物体及含文字场景等多样化内容。

然后，团队设计了 35 种不同类型的图像修改指令，并将其归入八大类别，包括：

像素与光度调整（Pixel & Photometric）：如添加胶片颗粒或复古滤镜；

以人为中心的编辑（Human-Centric）：例如将人物转换为 Funko-Pop 风格的玩具形象；

场景构成与多主体编辑（Scene Composition & Multi-Subject）：如改变天气条件（晴天 / 雨天 / 雪天）；

对象级语义修改（Object-Level Semantic）：如移动物体位置或调整空间关系；

图像缩放（Scale）：如放大画面（Zoom in）等。

接下来，研究人员会将一张原始图像连同一条编辑指令输入至 Nanon-Banana 模型进行图像编辑。生成结果随后交由 Gemini 2.5-Pro 模型进行自动评估，判断其是否准确遵循指令并具备良好视觉质量。只有通过双重验证的结果才会被纳入最终数据集。

Pico-Banana-400K 不仅包含单轮编辑（single-turn edits，即一次提示完成编辑）的样本，还涵盖了多轮连续编辑序列（multi-turn edit sequences），以及“偏好对”（preference pairs）—— 即成功与失败编辑结果的对比样本，帮助模型学习区分理想与不良输出。

尽管研究团队承认 Nanon-Banana 在精细空间控制、布局外推和文字排版处理方面仍存在局限，但他们强调，Pico-Banana-400K 的目标是为下一代文本引导图像编辑模型提供一个坚实、可复现的训练与评测基础。

目前，相关研究论文已发布于预印本平台 arXiv，而完整的 Pico-Banana-400K 数据集也已在 GitHub 上向全球研究者免费开放。