nano-banane-workflows

Workflows Nano-Banane : L'essor des modèles concurrents

MidassAI Team · 11 juillet 2026 · 5 min read

Prérequis et installation

Pour exécuter localement ou dans des environnements hybrides des workflows nano-banane, vous aurez besoin de Python 3.10+ et de torch>=2.3.0 avec CUDA 12.1+ (ou accélération Metal sur macOS). Optionnel mais recommandé : bitsandbytes pour l’inférence LoRA en 4 bits, et transformers>=4.41.0 pour prendre en charge le masquage dynamique de l’attention. Aucun Docker ni Kubernetes requis — ces pipelines s’exécutent proprement dans des environnements virtuels isolés ou directement sur Python « bare-metal ».

Vous devez disposer d’une licence valide pour un modèle compatible Nanobanana (ex. : BananaFlow-7B v1.2+, Pixella v2.0.3+) et vous assurer que vos poids incluent le fichier de configuration nano_router.json — celui-ci définit les seuils de routage des prompts, les plafonds budgétaires en tokens par étape et les règles de résolution de repli. Si vous utilisez des modèles depuis le Hub Hugging Face, vérifiez que le dépôt contient un sous-répertoire nano/ avec les fichiers router.yaml et metadata.json. MidassAI Studio gère cela automatiquement — mais les installations locales exigent un verrouillage explicite de version : pip install nanobanana==0.8.4 --no-deps, puis installez manuellement les versions compatibles de torch et des tokenizers.

Workflow étendu des prompts

1. Décomposition du prompt : Divisez votre prompt de base en segments sémantiques avant la tokenisation — par exemple, "portrait cinématographique d'une bibliothécaire cyberpunk, pluie illuminée par néon, faible profondeur de champ, Kodak Portra 400" devient [sujet: "bibliothécaire cyberpunk"], [scène: "pluie illuminée par néon"], [esthétique: "faible profondeur de champ, Kodak Portra 400"]. Les routeurs nano-banane analysent ces étiquettes — pas les chaînes brutes — pour affecter chaque segment au sous-modèle optimal (ex. : sujet → BananaFlow-7B-sujet, esthétique → Pixella-v2-style).

2. Échelle adaptée à la résolution : Définissez --target_res=1024x768 et --min_res=512x384. Le pipeline ajuste automatiquement le nombre de tokens par segment : les tokens du sujet bénéficient de la résolution complète (1024×768), tandis que ceux de l’esthétique sont compressés à 512×384 pour préserver la fidélité du style sans surcharger la VRAM. Cela évite les artefacts d’upscale manuel courants dans les anciens pipelines.

3. Fusion LoRA à l’inférence : Chargez simultanément cyberpunk_v3.safetensors et kodak_portra_400.safetensors. Utilisez --lora_weight=0.7,0.9 pour appliquer un poids plus fort au grain filmique qu’au style d’éclairage — essentiel lorsqu’on mélange textures photoréalistes et éclairages synthétiques. La fusion intervient après l’étape de débruitage initiale n°12, pas durant l’entraînement — ce qui permet une modulation de style par étape.

4. Export WebAssembly et validation : Exécutez nano-export --format=wasm --model=BananaFlow-7B --quant=fp16 pour générer un bundle .wasm exécutable dans le navigateur. Validez-le avec nano-validate --bundle=export.wasm --test_prompt="bibliothécaire cyberpunk" — cette commande vérifie la compatibilité du routeur, les limites mémoire (<4 Mo) et le comportement de repli si WebGPU n’est pas disponible.

5. Mise en cache multi-étapes : Activez --cache_dir=./nano_cache pour stocker les latents intermédiaires des étapes 1 à 3. Les exécutions suivantes réutilisent uniquement les embeddings du sujet — pas les tenseurs d’image complets — réduisant ainsi le temps de génération de ~37 % sur des prompts répétés avec de nouvelles esthétiques.

Erreurs fréquentes

• Ignorer les incompatibilités de version du routeur : Utiliser un nano_router.json issu de BananaFlow-7B v1.1 avec Pixella v2.0.3 provoque un rognage silencieux de la résolution. Correction : récupérez toujours les configurations du routeur depuis la version exacte du modèle sur Hugging Face — jamais par copier-coller entre versions.

• Surcharger les piles LoRA : Charger plus de trois LoRA avec --lora_weight=0.8,0.8,0.8 dépasse les limites mémoire de fusion tensorielle sur les GPU grand public. Correction : limitez-vous à deux LoRA par passage d’inférence ; enchaînez les styles supplémentaires via un raffinement séquentiel (ex. : exécutez la sortie via le module autonome Pixella-v2-style).

• Oublier la budgétisation dynamique des tokens : Forcer --max_tokens=77 impose une troncature uniforme sur tous les segments, transformant des descripteurs de scène comme « pluie illuminée par néon » en bruit. Correction : laissez le routeur calculer les budgets par segment — ex. : sujet : 42 tokens, scène : 28 tokens, esthétique : 18 tokens — à l’aide de --dynamic_budget=True.

Essayez-le dans MidassAI

Pas besoin de gérer des environnements Python, des poids LoRA ou des exports WASM pour tester les workflows nano-banane — MidassAI Studio prend en charge toute l’orchestration automatiquement. Rendez-vous sur https://www.midassai.com/studio/nano/, collez votre prompt segmenté (ex. : sujet : bibliothécaire cyberpunk | scène : pluie illuminée par néon | esthétique : faible profondeur de champ, Kodak Portra 400), sélectionnez « Nano-Banana v2.1 » dans la liste déroulante des modèles, puis cliquez sur « Générer ». L’interface détecte automatiquement la compatibilité LoRA, applique le redimensionnement résolution selon vos dimensions de sortie, et met en cache les embeddings réutilisables entre sessions — ainsi, votre deuxième génération avec le même sujet est 2,3 fois plus rapide. Pas de CLI, pas de fichiers de configuration, pas de conflits de versions : uniquement un routage, une fusion et un export en temps réel — entièrement optimisés pour les créateurs livrant quotidiennement des actifs visuels.