feat: mejoras de navegación y visualización en sub-páginas

- sub-nav.css: barra de navegación compartida con botones estilo home
  (fondos por sección, texto negro, borde negro, hover neón, fix WebGL z-index)
- Móvil: panel de detalle ocupa 50% inferior, grafo permanece visible arriba
- Imágenes de nodo duplicadas en tamaño (160×104), detail-img a 28vh
- output_*.js: función showEgoGraph — filtra el grafo al ego-network del nodo
  seleccionado; botón "Ver solo conexiones" (solo si hay relaciones);
  botón flotante "← Volver al grafo completo"
- int-sec.js: eliminado makeTextSprite, igualado al resto (nulos para no-imagen)
- Eliminado footer de los 5 sub-HTML
- image_analyzer.py: cuantización int4 (NF4) para Qwen3-VL-8B → 6.4 GB VRAM

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

FLUJOS_DATOS/IMAGENES/image_analyzer.py

@@ -24,7 +24,7 @@ from pathlib import Path
 
 import torch
 from PIL import Image
-from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
+from transformers import Qwen3VLForConditionalGeneration, AutoProcessor, BitsAndBytesConfig
 
 # ── Configuración ──────────────────────────────────────────────────────────────
 
@@ -33,10 +33,9 @@ CACHE_DIR = os.getenv("HF_HOME", "/var/www/theflows.net/flujos/FLUJOS_DATOS/IMAG
 
 SUPPORTED_EXTENSIONS = {".jpg", ".jpeg", ".png", ".gif", ".webp", ".bmp"}
 
-# RAM por imagen en batch (aprox): ~500MB activaciones encoder
-# Modelo base bfloat16: ~16GB
-# Batch de 4: ~18GB total → seguro con 64GB
-DEFAULT_BATCH_SIZE = 4
+# int4 via bitsandbytes: modelo ocupa ~4-5GB VRAM en lugar de ~16GB bfloat16
+# RTX 3060 12GB → sobra VRAM para activaciones
+DEFAULT_BATCH_SIZE = 1  # batch 1 para seguridad con 12GB
 
 KEYWORD_PROMPT = """Analiza esta imagen en detalle.
 Devuelve ÚNICAMENTE un objeto JSON válido con esta estructura exacta, sin texto adicional:
@@ -73,17 +72,35 @@ class ImageAnalyzer:
         print(f"[ImageAnalyzer] Cargando modelo {self.model_id}...")
         print(f"[ImageAnalyzer] Cache: {CACHE_DIR}")
 
-        self._model = Qwen3VLForConditionalGeneration.from_pretrained(
-            self.model_id,
-            torch_dtype=torch.bfloat16,
-            device_map="cpu",
-            cache_dir=CACHE_DIR,
-        )
+        device = "cuda" if torch.cuda.is_available() else "cpu"
+        print(f"[ImageAnalyzer] Dispositivo: {device}")
+
+        if device == "cuda":
+            bnb_config = BitsAndBytesConfig(
+                load_in_4bit=True,
+                bnb_4bit_compute_dtype=torch.bfloat16,
+                bnb_4bit_use_double_quant=True,
+                bnb_4bit_quant_type="nf4",
+            )
+            self._model = Qwen3VLForConditionalGeneration.from_pretrained(
+                self.model_id,
+                quantization_config=bnb_config,
+                device_map="auto",
+                cache_dir=CACHE_DIR,
+            )
+        else:
+            self._model = Qwen3VLForConditionalGeneration.from_pretrained(
+                self.model_id,
+                torch_dtype=torch.bfloat16,
+                device_map="cpu",
+                cache_dir=CACHE_DIR,
+            )
+
         self._processor = AutoProcessor.from_pretrained(
             self.model_id,
             cache_dir=CACHE_DIR,
         )
-        print("[ImageAnalyzer] Modelo cargado.")
+        print("[ImageAnalyzer] Modelo cargado (int4 cuantizado).")
 
     # ── Opción 3: Resume — obtener archivos ya analizados en MongoDB ───────────