nano-banana-workflows

Flujos de trabajo Nano-Banana: modelos competitivos de generación de imágenes

MidassAI Team · 11 de julio de 2026 · 5 min read

Requisitos previos y configuración

Para ejecutar flujos de trabajo nano-banana localmente o en entornos híbridos, necesitas Python 3.10+ y torch>=2.3.0 con CUDA 12.1+ (o aceleración Metal en macOS). Opcional pero recomendado: bitsandbytes para inferencia LoRA en 4 bits y transformers>=4.41.0 para soporte de máscaras de atención dinámicas. No se requiere Docker ni Kubernetes: estas tuberías se ejecutan limpiamente en entornos virtuales aislados o directamente sobre Python en hardware físico.

Debes poseer una licencia válida compatible con Nanobanana (por ejemplo, BananaFlow-7B v1.2+ o Pixella v2.0.3+) y asegurarte de que los pesos del modelo incluyan el archivo de configuración nano_router.json, que define umbrales de enrutamiento de prompts, límites de tokens por etapa y reglas de resolución alternativa. Si usas modelos desde Hugging Face Hub, verifica que el repositorio contenga el subdirectorio nano/ con los archivos router.yaml y metadata.json. MidassAI Studio lo gestiona automáticamente, pero en entornos locales es necesario fijar versiones explícitamente: pip install nanobanana==0.8.4 --no-deps, seguido de la instalación manual de versiones compatibles de torch y tokensizers.

Flujo de trabajo extendido con prompts

1. Descomposición del prompt: divide tu prompt base en segmentos semánticos antes de la tokenización; por ejemplo, "retrato cinematográfico de una bibliotecaria cyberpunk, lluvia iluminada con neón, profundidad de campo reducida, Kodak Portra 400" se convierte en [sujeto: "bibliotecaria cyberpunk"], [escena: "lluvia iluminada con neón"], [estética: "profundidad de campo reducida, Kodak Portra 400"]. Los enrutadores nano-banana interpretan estas etiquetas —no cadenas crudas— para asignar cada segmento al submodelo óptimo (p. ej., sujeto → BananaFlow-7B-sujeto, estética → Pixella-v2-estilo).

2. Escalado sensible a resolución: establece --target_res=1024x768 y --min_res=512x384. La tubería escala automáticamente los tokens por segmento: los tokens de sujeto reciben asignación completa de resolución (1024×768), mientras que los tokens estéticos se comprimen a 512×384 para preservar la fidelidad del estilo sin sobrecargar la VRAM. Esto evita artefactos de escalado manual comunes en tuberías antiguas.

3. Fusión de LoRA en tiempo de inferencia: carga simultáneamente cyberpunk_v3.safetensors y kodak_portra_400.safetensors. Usa --lora_weight=0.7,0.9 para aplicar mayor peso al grano fotográfico que al estilo lumínico —fundamental al combinar texturas fotorrealistas con iluminación sintética. La fusión ocurre después del paso 12 de denoising inicial, no durante el entrenamiento, lo que permite modular el estilo por paso.

4. Exportación y validación a WebAssembly: ejecuta nano-export --format=wasm --model=BananaFlow-7B --quant=fp16 para generar un paquete .wasm ejecutable en navegador. Valida con nano-validate --bundle=export.wasm --test_prompt="bibliotecaria cyberpunk": esto comprueba compatibilidad con el enrutador, límites de memoria (<4 MB) y comportamiento alternativo si WebGPU no está disponible.

5. Caché de múltiples etapas: activa --cache_dir=./nano_cache para almacenar latentes intermedios de los pasos 1–3. Las ejecuciones posteriores reutilizan solo los embeddings de sujeto en caché —no tensores completos de imagen— reduciendo el tiempo de generación un ~37 % en prompts repetidos con nuevas estéticas.

Errores comunes

• Ignorar incompatibilidades de versión del enrutador: usar nano_router.json de BananaFlow-7B v1.1 con Pixella v2.0.3 provoca recorte silencioso de resolución. Solución: siempre descarga las configuraciones del enrutador desde la versión exacta del modelo en Hugging Face —nunca copies y pegues entre versiones.

• Sobrecargar pilas LoRA: cargar más de tres LoRAs con --lora_weight=0.8,0.8,0.8 supera los límites de memoria de fusión de tensores en GPUs de consumo. Solución: limita a dos LoRAs por paso de inferencia; aplica estilos adicionales mediante refinamiento secuencial (p. ej., procesa la salida con el módulo independiente Pixella-v2-estilo).

• Omitir la asignación dinámica de tokens: fijar --max_tokens=77 fuerza truncamiento uniforme en todos los segmentos, reduciendo descriptores de escena como "lluvia iluminada con neón" a ruido. Solución: deja que el enrutador calcule presupuestos por segmento —p. ej., sujeto: 42 tokens, escena: 28 tokens, estética: 18 tokens— usando --dynamic_budget=True.

Pruébalo en MidassAI

No necesitas gestionar entornos Python, pesos LoRA ni exportaciones WASM para probar flujos de trabajo nano-banana: MidassAI Studio maneja toda la orquestación automáticamente. Visita https://www.midassai.com/studio/nano/, pega tu prompt segmentado (p. ej., sujeto: bibliotecaria cyberpunk | escena: lluvia iluminada con neón | estética: profundidad de campo reducida, Kodak Portra 400), selecciona "Nano-Banana v2.1" en el menú desplegable de modelos y haz clic en "Generar". La interfaz detecta automáticamente la compatibilidad con LoRA, aplica escalado de resolución según tus dimensiones de salida y almacena en caché los embeddings reutilizables entre sesiones —de modo que tu segunda generación con el mismo sujeto es 2,3 veces más rápida. Sin CLI, sin archivos de configuración, sin conflictos de versiones: solo enrutamiento, fusión y exportación en tiempo real, todo optimizado para creadores que entregan activos visuales diarios.