苹果公司近日在学术研究领域迈出重要一步，正式推出名为《Pico-Banana-400K：面向文本引导图像编辑的大规模数据集》的研究成果，并同步发布包含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协议，全球研究人员和学术机构可自由用于非盈利目的的探索。
研究团队指出，当前图像编辑领域面临关键瓶颈：现有公开数据集普遍存在三大缺陷——依赖专有模型生成的合成数据、人工筛选子集规模有限、质量评估标准不统一。这些问题导致领域偏移、编辑类型分布失衡等顽疾，严重制约鲁棒性图像编辑模型的开发。为此，苹果选择以开源方式构建更全面的基准数据集。
数据集构建流程体现严谨的学术规范。研究人员首先从OpenImages数据集中精选涵盖人物、物体、文字场景等多元内容的真实照片，随后设计35种细分编辑指令并划分为八大类别：包括像素级调整（如添加复古滤镜）、人物形象转换（如生成Funko-Pop玩具风格）、场景重构（如天气条件变换）、对象语义修改（如物体空间关系调整）等典型场景。
在技术实现层面，项目采用谷歌开发的Gemini-2.5系列模型完成核心工作流。每张原始图像与编辑指令输入Nanon-Banana模型（即Gemini 2.5-Flash-Image）生成候选结果，再由Gemini 2.5-Pro进行双重验证：既检查指令遵循度，也评估视觉质量。只有通过严格筛选的样本才能进入最终数据集。
该数据集的创新性体现在结构化设计：除包含单轮编辑样本外，特别收录多轮连续编辑序列，完整呈现图像逐步演变过程；同时设置"偏好对"样本，通过成功与失败案例的对比，为模型提供明确的优化方向。这种设计使数据集既能用于基础训练，也可支撑复杂的评测任务。
研究团队坦承当前模型在空间控制精度、布局外推能力等方面仍有提升空间，但强调Pico-Banana-400K的核心价值在于建立标准化基准。通过提供大规模、高质量且完全开放的训练资源，该项目有望推动文本引导图像编辑领域进入新的发展阶段。目前完整数据集与学术论文已分别在GitHub和arXiv平台公开，供全球研究者下载使用。
