Sana：NVIDIA高效率高分辨率图像与视频生成框架

Stars: 6,331 | 今日: +447 | Python

GitHub: NVlabs/Sana

一句话评价

Sana 是 NVIDIA MVFX 实验室出品的效率优先型图像/视频生成框架，支持 4K 分辨率、1.6B 参数模型可在 8GB GPU 显存运行，ICLR 2025 Oral / 2026 Oral 双 Oral 论文，并在 diffusers / SGLang / ComfyUI 均有原生集成。

核心能力

Sana-Image：高效图像生成

• 1.6B 参数，支持最高 4K (4096×4096) 分辨率
• 8GB GPU 显存可跑 4K（通过 4bit 量化 + model offload）
• 20 秒生成 4K 图片（H100）/ 1 分钟内 RTX 4090
• 支持 ControlNet、LoRA 微调

Sana-1.5：推理时缩放（Inference-time Scaling）

ICML 2025 收录，通过推理时计算资源调度提升生成质量，无需额外训练。

Sana-Sprint：单步生成

ICCV 2025 Highlight，0.1 秒生成 1024px 图片（H100），0.3 秒 RTX 4090，接近实时的生成速度。

Sana-Video：视频生成

• 720p 长视频生成（LTX-VAE 压缩）
• 支持文生视频、图生视频
• ICLR 2026 Oral 收录

Sana-WM：世界模型（2026-05 新发布）

• 2.6B 可控世界模型，支持 720p、1分钟视频生成
• 6-DoF 相机控制
• 定位为 Embodied AI 和 World Modeling 新基准

Sol-RL：强化学习后训练

完整的 RL 后训练基础设施，支持 SANA、FLUX.1、SD3.5-L 模型。

技术特色

Linear DiT 架构：替代传统 attention，显著降低计算复杂度，支持无限上下文（用于长视频生成）。

DC-AE 变分自编码器：高效的图像/视频压缩，降低 VAE 重建开销。

多后端支持：原生集成 diffusers、SGLang（OpenAI 兼容 API）、ComfyUI（节点式工作流）。

快速上手

# diffusers 方式
from diffusers import SanaPipeline, SanaPAGPipeline

pipe = SanaPipeline.from_pretrained("Efficient-Large-Model/Sana_1600M_1024px_BF16_diffusers")
image = pipe("a beautiful sunset over the ocean").images[0]

# 4K 生成（8GB 显存可用）
pipe_4k = SanaPipeline.from_pretrained("Efficient-Large-Model/Sana_1600M_4Kpx_BF16_diffusers")
image_4k = pipe_4k("a detailed landscape at 4k resolution").images[0]

# SGLang 服务
python -m sglang.launch_server --model-path Efficient-Large-Model/Sana_1600M_1024px_BF16
# OpenAI 兼容 API，curl 调用
curl -X POST http://localhost:30000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"messages": [{"role": "user", "content": "a cat"}]}'

最新动向（2026-05）

SANA-WM 发布：2.6B 可控世界模型，支持 6-DoF 相机控制和 1 分钟 720p 视频，作为 Embodied AI 研究新基准。论文：arXiv:2605.15178

为什么值得关注

Sana 在"质量 vs. 效率"的取舍中明显偏向效率——1.6B 级别模型、8GB 显存约束、1 秒级出图，让高分辨率 AI 图像生成从 H100 普及到消费级 GPU。NVIDIA 持续更新（Sana-WM 刚发布），生态集成完善，是当前最实用的高分辨率生成方案之一。