2026 Flux.1 CoreML : quelle configuration multirésolution ? Taille fixe ou tailles prédéfinies

La documentation officielle de Core ML distingue trois approches pour les entrées flexibles : forme statique, EnumeratedShapes et RangeDim borné (guide Apple sur les formes d’entrée flexibles). Pour Flux.1 CoreML multi-résolution, la meilleure option n’est donc pas la plage dynamique la plus large : choisissez la taille fixe pour une production unique, les tailles prédéfinies pour un petit catalogue stable, et conservez une voie GPU pour les dimensions imprévisibles.
Dernière mise à jour : 11 septembre 2026. Les capacités Core ML ont été vérifiées dans la documentation Apple et les publications officielles de coremltools ; les performances, températures et consommations propres à un Mac doivent encore être mesurées sur la configuration réellement déployée.
Cette analyse s’adresse aux ingénieurs qui doivent proposer des images carrées, panoramiques et verticales dans une application Mac. Elle concerne aussi les équipes AIGC qui génèrent des lots de visuels audio, vidéo ou design dans quelques formats récurrents. Les responsables techniques qui évaluent plusieurs Mac Apple Silicon y trouveront surtout une méthode de validation, plutôt qu’une promesse de vitesse.
Couverture des formats et choix initial
Une forme fixe décrit un seul profil d’entrée. Un modèle prévu pour un format carré ne devient pas automatiquement un modèle panoramique parce que l’interface accepte une autre largeur. Il faut alors disposer d’un autre modèle compilé, d’une autre variante du composant concerné, ou d’un chemin GPU capable d’absorber la demande.
EnumeratedShapes décrit un ensemble fini de formes autorisées. C’est généralement le compromis le plus lisible pour une application qui doit gérer, par exemple, un format carré de catalogue, un format horizontal pour une vidéo et un format vertical pour une création mobile. La liste doit toutefois représenter des tailles réellement utilisées. Elle ne doit pas devenir une longue collection de possibilités ajoutées « au cas où ».
RangeDim décrit une dimension dans une plage bornée. Cette solution offre davantage de liberté, mais elle déplace une partie de la complexité vers l’exécution : adaptation du graphe, allocation des tampons, vérification des opérateurs et éventuel découpage entre unités de calcul. La documentation Apple précise les mécanismes de formes flexibles et leurs conditions d’utilisation ; elle ne garantit pas que chaque réseau Flux.1 bénéficiera d’une exécution intégrale sur l’Apple Neural Engine.
| Stratégie de forme | Formats couverts | Avantage principal | Risque dominant | Décision initiale |
|---|---|---|---|---|
| Forme fixe | Un profil précisément validé | Graphe et mémoire plus prévisibles | Une demande hors profil doit changer de voie | À choisir pour une production standardisée |
EnumeratedShapes |
Une liste finie de profils | Bon compromis entre choix et contrôle | Chaque taille doit être validée séparément | À privilégier pour quelques formats récurrents |
RangeDim borné |
Une plage de dimensions autorisées | Adaptation aux requêtes moins prévisibles | Compilation, mémoire et répartition moins faciles à anticiper | À réserver aux entrées réellement variables |
La règle de présélection est simple : si la liste des formats peut être écrite à partir des demandes de production, la plage large n’apporte pas assez de valeur pour justifier sa complexité. Une équipe qui fabrique toujours des jaquettes carrées, des bannières horizontales et des affiches verticales devrait d’abord tester ces profils comme formes fixes ou énumérées. Elle ne devrait passer à une plage bornée que lorsqu’une requête externe impose effectivement une dimension inconnue à l’avance.
Flux.1 converti en CoreML peut-il changer de résolution ? Oui, mais seulement selon la forme d’entrée déclarée par le modèle et les limites de tous les composants du pipeline. Une interface peut proposer un sélecteur de résolution sans que le modèle sous-jacent accepte chaque combinaison largeur-hauteur. Les encodeurs, le modèle de diffusion, le décodeur, les convertisseurs d’entrée et les sorties doivent rester compatibles.
Pour une application de design, cette distinction est importante. Une mise en page peut demander une image verticale après avoir commencé avec un visuel carré. Le système doit alors savoir si la taille est une forme énumérée, une forme fixe associée à un second modèle, ou une requête envoyée au GPU. Afficher une option qui déclenche une erreur de forme ou une conversion silencieuse est une mauvaise expérience de production.
Adaptation matérielle et partage du graphe
Le choix de CPU_ONLY, CPU_AND_GPU ou ALL autorise Core ML à utiliser certaines unités de calcul ; il ne prouve pas que toute la chaîne Flux.1 tourne sur l’Apple Neural Engine. Les explications officielles sur les unités de calcul rappellent que le choix se fait au niveau de l’exécution Core ML, tandis que la compatibilité réelle dépend du modèle et des opérations (documentation Apple sur les unités de calcul).
La forme fixe donne au compilateur le contexte le plus étroit. Les dimensions sont connues, les allocations sont plus faciles à préparer et la partition du graphe peut être plus stable. Cela ne constitue toujours pas une preuve d’exécution intégrale sur le NPU : un opérateur non pris en charge peut partir sur le GPU ou le CPU.
Avec EnumeratedShapes, chaque forme déclarée devient un cas à vérifier. Les tailles énumérées peuvent bénéficier d’optimisations spécifiques lorsque la forme appartient bien à la liste, mais l’application doit éviter de transmettre une dimension proche, non déclarée, en espérant qu’elle soit traitée comme équivalente. Cette approche permet généralement de conserver un contrat de déploiement clair : trois profils acceptés signifient trois profils à mesurer.
Avec RangeDim, le graphe peut couvrir une zone plus vaste, mais la liberté n’est pas gratuite. Un reshape dynamique, une opération non supportée ou une frontière entre composants peut provoquer une exécution mixte. Le résultat peut être fonctionnel tout en quittant partiellement l’Apple Neural Engine. Les outils d’analyse du plan de calcul servent à examiner ce qui est prévu par Core ML, mais l’équipe doit également observer le comportement réel du pipeline.
Pourquoi une entrée dynamique Core ML peut-elle revenir au GPU ou au CPU ? Plusieurs raisons sont possibles : opérateur absent du chemin compatible, forme qui ne correspond pas aux hypothèses du modèle, composant converti avec une contrainte différente, ou partition nécessaire entre plusieurs unités. Le réglage ALL ne force pas le NPU. Il laisse Core ML sélectionner les ressources disponibles selon le modèle et le système.
Le rapport de compilation doit donc être conservé avec le modèle. Le plan de calcul Core ML peut aider à distinguer les unités envisagées et les contraintes d’exécution (documentation MLComputePlan). Pour une investigation plus fine, il est préférable de comparer le plan, les journaux d’exécution et le temps de chaque composant, plutôt que d’inférer l’utilisation du NPU à partir d’un simple réglage.
Rappel de validation : « autorisé par Core ML », « prévu dans le plan de calcul » et « observé sur toute la chaîne Flux.1 » sont trois affirmations différentes. Elles ne doivent pas être utilisées comme synonymes dans un rapport de déploiement.
Compilation, changement de forme et latence
Le temps affiché par une première génération mélange souvent plusieurs phénomènes. Le paquet peut devoir être compilé localement. Le système peut ensuite préparer une optimisation propre au modèle et à l’appareil. Enfin, la première exécution peut initialiser des ressources qui ne seront plus nécessaires lors des générations suivantes.
Ces étapes doivent être séparées dans le protocole. Une seule mesure « lancement jusqu’à image » ne permet pas de savoir si le coût vient du modèle, d’un changement de forme ou du premier passage dans un composant. Les modèles compilés et leur analyse doivent être traités comme des artefacts liés à une version précise de coremltools, de macOS et du modèle Flux.1. Les versions publiées sont consultables dans le registre officiel de coremltools.
| Moment à mesurer | Forme fixe | EnumeratedShapes |
RangeDim borné |
|---|---|---|---|
| Chargement du modèle | Un seul profil à préparer | Un paquet avec plusieurs profils possibles | Un profil flexible à interpréter |
| Première exécution de la taille par défaut | À isoler du chargement | À isoler du choix de forme | À isoler de l’allocation dynamique |
| Passage à une autre taille | Souvent changement de modèle ou voie GPU | Sélection d’une forme déclarée | Réévaluation dans la plage autorisée |
| Générations suivantes | Mesure de référence stable | Mesure à répéter pour chaque profil | Mesure à répéter sur plusieurs dimensions |
| Journal à conserver | Identifiant du modèle et forme | Profil sélectionné et cache utilisé | Dimensions exactes et voie d’exécution |
Le test doit commencer par la taille par défaut, puis répéter la génération avec une autre forme déclarée. Dans une configuration énumérée, la dernière forme testée ne doit pas être considérée comme représentative de toutes les autres. Une application de montage vidéo peut privilégier une sortie horizontale pendant la majorité du temps, alors qu’un module de prévisualisation appelle une forme verticale. Les deux chemins doivent avoir leur propre enregistrement.
Les documents Apple sur les entrées et sorties indiquent aussi que le type et la forme des données font partie du contrat du modèle (types d’entrée et de sortie Core ML). Une conversion d’image ajoutée avant ou après Core ML peut donc modifier le coût observé. Le temps de redimensionnement, de normalisation, de copie mémoire et de décodage ne doit pas être attribué abusivement à l’Apple Neural Engine.
Mémoire, température et pipeline complet
Une comparaison pertinente ne porte pas sur un seul sous-modèle Core ML. Flux.1 implique des composants distincts, des entrées, des sorties, des buffers intermédiaires et parfois un chemin GPU de secours. Les mesures doivent inclure le pipeline complet utilisé par l’application.
Plusieurs modèles à forme fixe peuvent clarifier l’exécution, mais ils augmentent la charge de distribution, de stockage et de chargement. Un seul modèle avec EnumeratedShapes réduit la duplication apparente, sans supprimer la nécessité de tester chaque forme. Une plage bornée limite le nombre de paquets visibles par l’équipe, mais elle peut provoquer des allocations plus difficiles à prévoir.
| Poste d’évaluation | Forme fixe multiple | EnumeratedShapes |
RangeDim |
|---|---|---|---|
| Distribution | Plusieurs artefacts à versionner | Un artefact avec une liste de formes | Un artefact avec des bornes |
| Cache et chargement | À comparer pour chaque modèle | À observer lors du changement de profil | À observer pour chaque dimension |
| Mémoire de l’inférence | Mesurée par profil | Mesurée par profil déclaré | Mesurée aux limites et au milieu de la plage |
| Repli GPU | Généralement explicite si le profil manque | Possible si la forme n’est pas déclarée | Possible selon l’opérateur ou la dimension |
| Maintenance | Plus de fichiers à vérifier | Catalogue contrôlé | Bornes et comportements à surveiller |
Aucune température ne doit être déduite du fait que ALL est sélectionné. Aucune baisse de consommation ne doit être annoncée parce qu’un modèle porte l’extension .mlmodelc. La chaleur dépend de la durée de calcul, des composants qui restent sur le GPU, du nombre de générations, de l’état thermique du Mac et des opérations de conversion.
Le protocole doit donc conserver le même modèle, le même lot, le même nombre d’images et la même politique de cache pour chaque stratégie. Les valeurs de mémoire maximale, de puissance et de température doivent venir d’une mesure sur l’appareil ciblé. En l’absence de mesures ProxyMac pour cette matrice précise, elles ne peuvent pas être présentées comme des résultats de référence.
Fidélité visuelle et formats créatifs
La souplesse de résolution ne vaut que si l’image reste exploitable. Une taille énumérée peut être rapide et stable, mais produire un cadrage différent d’un chemin GPU si le prétraitement n’est pas identique. Une forme bornée peut accepter une demande, mais exposer une anomalie sur les bords ou une composition incomplète.
Le contrôle doit utiliser un prompt fixe, une graine fixe et une procédure de comparaison documentée. Pour chaque format, il faut examiner :
- la composition générale et la position du sujet ;
- les bords, les mains, les objets fins et les motifs répétitifs ;
- les dominantes de couleur et les écarts visibles ;
- les dimensions réellement reçues par chaque composant ;
- les différences entre exécution Core ML, exécution mixte et voie GPU.
Il faut ensuite isoler les causes. Une image différente peut venir de la graine, de la précision numérique, du redimensionnement ou d’un modèle différent. Elle ne doit pas être attribuée automatiquement au NPU. Les consignes de typage et d’exécution de Core ML fournissent un cadre utile pour examiner les conversions et les types numériques (documentation Apple sur l’exécution typée).
Les formats horizontal et vertical nécessitent-ils deux modèles CoreML ? Pas systématiquement. Si les deux profils sont acceptés et validés dans EnumeratedShapes, un même paquet peut les servir. Une forme fixe, en revanche, impose généralement une autre variante ou une voie de repli pour le second format. Si la qualité ou la répartition matérielle n’est pas acceptable pour une dimension, il faut revenir à un chemin fixe validé ou au GPU.
Pour une équipe de création vidéo, la stratégie peut être asymétrique : forme énumérée pour les dimensions de montage les plus fréquentes, GPU pour une prévisualisation recadrée à la volée. Pour une équipe de design qui exporte toujours des gabarits approuvés, plusieurs formes fixes peuvent être plus simples à auditer qu’une plage très large.
Matrice de décision et procédure d’acceptation
La décision finale ne devrait pas dépendre d’un seul indicateur. Une configuration qui couvre toutes les tailles mais déclenche souvent un repli GPU n’est pas forcément meilleure qu’un catalogue limité. Inversement, un modèle fixe très stable n’est pas adapté à une application qui reçoit des dimensions imprévisibles.
Voici une procédure reproductible en cinq phases :
- [ ] Établir le catalogue réel des formats carrés, horizontaux et verticaux demandés par l’application ou le flux AIGC.
- [ ] Construire une variante fixe, une variante
EnumeratedShapeset, seulement si nécessaire, une varianteRangeDimbornée. - [ ] Enregistrer séparément le chargement, la compilation locale, la première exécution et les générations stabilisées pour chaque forme.
- [ ] Vérifier le plan de calcul, les journaux de répartition et le chemin GPU ou CPU observé pour chaque composant.
- [ ] Comparer mémoire, température, puissance et fidélité visuelle sur le même Mac Apple Silicon, avec le même lot et les mêmes paramètres.
- [ ] Définir une condition de repli explicite lorsqu’une forme n’est pas reconnue, dépasse la borne ou échoue au contrôle d’image.
- [ ] Versionner le modèle, la liste des formes, la version de
coremltools, la version de macOS et les paramètres de prétraitement. - [ ] Refaire la matrice après une mise à jour du modèle, du convertisseur, du système ou du script de conversion.
| Résultat de la validation | Configuration recommandée | Repli à prévoir |
|---|---|---|
| Dimensions rares et production répétitive | Forme fixe | Autre modèle ou GPU pour toute demande hors profil |
| Petit ensemble de tailles maîtrisées | EnumeratedShapes |
GPU si une forme non déclarée est demandée |
| Dimensions reçues d’un utilisateur ou d’un service externe | Core ML borné, si les bornes sont réellement justifiées | GPU dynamique lorsque la forme sort du contrat |
| Échec de fidélité sur une taille | Chemin fixe déjà validé | Ne pas conserver la forme instable en production |
La matrice de décision doit être conservée avec le contrat de livraison. Une équipe qui ne documente que le format par défaut risque de découvrir trop tard qu’un format vertical change de voie de calcul, consomme davantage de mémoire ou échoue au contrôle visuel. Les modèles Flux.1 et leurs conditions d’utilisation doivent également être vérifiés à chaque changement de version dans la source officielle du modèle (collection officielle FLUX.1).
Exploitation sur plusieurs Mac
Un résultat obtenu sur un seul M-series Mac ne suffit pas à certifier toutes les machines de l’entreprise. Le type de puce, la mémoire disponible, la version de macOS et le comportement de compilation peuvent modifier la répartition et le coût du pipeline. Cela ne signifie pas qu’il faille acheter chaque configuration avant le premier test : il faut d’abord sélectionner une matrice représentative et consigner les écarts.
Pour un déploiement professionnel, la configuration minimale à transmettre à l’équipe d’exploitation comprend :
- la forme par défaut et la liste complète des formes autorisées ;
- la taille minimale et maximale si une plage bornée est conservée ;
- l’unité de calcul attendue et la preuve disponible ;
- le seuil qui déclenche le GPU de secours ;
- les conditions de suppression et de reconstruction du cache compilé ;
- le modèle, le convertisseur et le système utilisés lors de la validation ;
- la procédure de comparaison d’image et le résultat attendu.
Une mise à jour de coremltools ne doit pas être traitée comme une simple correction de dépendance. Les notes de publication officielles peuvent modifier les capacités de conversion ou le comportement de certains modèles (publications officielles de coremltools). Après une telle mise à jour, la matrice des formes doit être exécutée à nouveau.
Le choix final se résume ainsi : forme fixe pour une sortie industrielle étroite, formes énumérées pour un produit qui connaît ses formats, et double voie Core ML plus GPU lorsque les dimensions ne peuvent pas être prédites. Cette dernière approche est moins élégante sur le papier, mais elle évite de transformer chaque nouvelle résolution en incident de production.
Pour cette validation, une machine locale unique présente trois limites concrètes : elle ne représente pas les autres configurations M-series Mac, elle ne permet pas toujours de comparer proprement les coûts de compilation et elle peut masquer les conditions réelles d’un lot partagé. À l’inverse, acheter directement plusieurs machines avant d’avoir vérifié les formes fixes, énumérées et bornées immobilise du matériel sans prouver que le pipeline sera stable. Une location ProxyMac permet de tester ces scénarios par période, de comparer les profils sur des environnements Mac distincts et de garder la décision d’achat pour après la matrice. Les paramètres d’accès et les conditions de test peuvent être vérifiés depuis la console ProxyMac, puis la procédure d’exploitation peut être documentée avec l’aide ProxyMac.
Ce choix reste circonstanciel : un calcul lourd et constant, un besoin d’interface physique spécifique ou une utilisation permanente peut justifier l’achat d’un Mac dédié. En revanche, pour qualifier une configuration Flux.1 CoreML multi-résolution, reproduire un changement de forme et décider si une voie GPU doit rester disponible, un environnement Mac ajustable réduit le risque de conclure à partir d’une seule exécution locale.
Testez Flux.1 CoreML sur un Mac distant adapté à vos besoins
Avec ProxyMac, accédez à un Mac distant performant pour expérimenter vos configurations multirésolution dans un environnement Apple réel.
Comparez sereinement tailles fixes, tailles prédéfinies et plages bornées avec des ressources adaptées à vos tests de compilation et de mémoire.