苹果开源了Pico-Banana-400K数据集，包含约40万组文本-图像-编辑结果的三元组数据，覆盖35种编辑操作和8个语义类别，支持文本引导的图像编辑研究。数据来源于Open Images，包含单轮和多轮编辑样本，可用于监督微调和偏好学习等任务。

苹果发布Pico-Banana-400K大规模文本引导图像编辑数据集

核心内容：

1. 数据集概况

• 包含约40万组"文本-图像-编辑结果"三元组数据
• 源自Open Images的原始图像，经Nano-Banana模型生成编辑结果
• 覆盖8大语义类别共35种编辑操作（从色彩调整到对象/场景/风格编辑）

2. 关键特性

• 数据构成：
  • 25.7万单轮编辑样本（用于监督学习）
  • 5.6万单轮对比样本（用于偏好学习）
  • 7.2万多轮对话样本
• 图像分辨率：512-1024像素
• 使用Gemini-2.5-Flash生成编辑指令
• 通过Gemini-2.5-Pro自动评估编辑质量

3. 数据构建流程

• 两阶段生成： 1) 基于图像内容生成自然语言编辑指令 2) 执行编辑并自动评估质量（考量指令符合度、编辑真实感等维度）
• 仅保留评分>0.7的高质量样本

4. 数据分布

• 主要编辑类型占比：
  • 对象级编辑35%（增/删/改对象）
  • 场景构成20%
  • 人物相关18%
  • 风格转换10%

5. 应用场景

• 支持单步/多轮对话式图像编辑
• 可用于奖励模型训练等研究

6. 获取方式

• 通过苹果CDN分组件下载（提供清单文件）
• 原始图像需从Open Images自行获取（附映射脚本）

7. 许可信息

• 采用CC BY-NC-ND 4.0许可（仅限非商业研究使用）
• 原始图像遵循CC BY 2.0许可

该数据集以其大规模、高质量和操作多样性，为文本引导图像编辑领域的研究提供了重要资源。

这篇评论主要围绕苹果公司使用Google的开放数据集和Gemini技术进行图像编辑的研究展开讨论，观点多样：

1. 技术实用性与自动化流程的认可

   • vunderba分享了自己搭建的类似自动化图像生成评估系统，认为多模态AI的识别能力优于生成能力："the 'recognition aspect of a multimodal model' is superior to its generative capabilities"（评分：无）
   • BarakWidawsky认为数据集很有用，但好奇原始数据是否通过合成方式创建："Definitely very useful, but I’m so curious how the original datasets... were created"（评分：无）

2. 对苹果技术参与的质疑

   • TechSquidTV认为苹果的技术方案过于基础："this seems so low-tech that it could be one of my own local ComfyUI workflows"（评分：无）
   • daemonologist质疑研究的核心价值："is it just that they've paid the inference costs for a dataset..."（评分：无）

3. 版权与许可问题的讨论

   • skissane指出CC BY-NC-ND许可可能限制使用："given the NC-ND part... uncertainty over what uses count as commercial"（评分：无）
   • 同时提到AI生成内容的版权问题："its copyrightability is an open question"（评分：无）

4. 其他关联内容

   • vednig和sebmellen分别提供了无关的延伸链接（评分：无）
   • djtriptych简短表达对苹果设备端AI的期待："looking to Apple to lead the on-device AI space"（评分：无）

总结：评论者对技术方案的实际价值存在分歧，同时关注数据集的法律风险，整体讨论缺乏评分数据支撑观点权重。