OPEN SOURCE DEEP DIVE
SANA：把 4K 文生图压进笔记本显存
SANA 是 NVIDIA 实验室开源的高分辨率图像与视频生成代码库（9 千+ star，Apache-2.0，PyTorch）。效率来自两处结构改动：变换器用线性注意力替代标准注意力，自编码器做 32 倍深度压缩（传统为 8 倍）。官方数据：6 亿参数版单张 1024 图 0.9 秒，是 FLUX-dev 的 23 秒的近四十分之一，而 FID 同时从 10.15 降到 5.61。系列已扩展到一步生成、视频、世界模型与流式编辑，4 位量化下 8GB 显存可跑 4K。未做基准复现，记为待复现。
一句话定位
SANA 是 NVIDIA 实验室开源的一套高效扩散模型代码库，做的是高分辨率图像与视频生成，训练与推理管线都完整开放。仓库在 2024 年 10 月公开，星标九千余，Apache 2.0 协议，Python 与 PyTorch。它最初的口号是「用线性扩散变换器高效合成高分辨率图像」，两年下来已经长成一个系列：图像、视频、世界模型、后训练四条线都在同一个仓库里。
论文成绩是 ICLR 2025 口头报告、ICML 2025、ICCV 2025 亮点、ICLR 2026 口头报告。它最值得被记住的一句话在介绍里：相比 Flux 的 120 亿参数版本，它小 20 倍、快 100 倍，还能生成到 4K。
效率从哪来：两处同时变小
把扩散变换器做快，通常的做法是减步数或减参数。SANA 在结构上动了两刀，而且这两刀相互加强。
第一刀是把变换器里的标准注意力换成线性注意力。标准注意力的代价随序列长度平方增长，分辨率越高，这张账单越难看；线性注意力把这个关系拉回近似线性，高分辨率下省下的正是最贵那部分。
第二刀是自编码器。它用的是深度压缩自编码器 DC-AE，把图像压到 32 倍，而传统扩散模型常用的压缩倍数是 8 倍。压缩倍数直接决定潜空间令牌的数量——令牌少了，前面那刀省下的算力又被放大一次。
配套还有两处：文本编码器换成现代的纯解码器大语言模型，用上下文学习改善图文对齐；采样器用 Flow-DPM-Solver 减少步数。这些加在一起，才撑得起「小 20 倍、快 100 倍」这个说法。
官方数字：快不是靠牺牲质量换的
下面这组是 1024×1024 图像生成的官方对比，我们没有复现，这一档记为待复现。看的时候请注意一个反直觉的点：不只是变快，几项质量指标同时变好了。
| 模型 | 吞吐（张/秒） | 延迟（秒） | 参数（十亿） | 加速比 | FID ↓ | CLIP ↑ | GenEval ↑ |
|---|---|---|---|---|---|---|---|
| FLUX-dev | 0.04 | 23.0 | 12.0 | 1.0× | 10.15 | 27.47 | 0.67 |
| Sana 0.6B | 1.7 | 0.9 | 0.6 | 39.5× | 5.61 | 28.80 | 0.68 |
| Sana 1.6B | 1.0 | 1.2 | 1.6 | 23.3× | 5.92 | 28.94 | 0.69 |
| Sana 1.5 1.6B | 1.0 | 1.2 | 1.6 | 23.3× | 5.70 | 29.12 | 0.82 |
| Sana 1.5 4.8B | 0.26 | 4.2 | 4.8 | 6.5× | 5.99 | 29.23 | 0.81 |
6 亿参数的 Sana 单张 1024 图 0.9 秒，是 FLUX-dev 的 23 秒的近四十分之一；同时 FID 从 10.15 降到 5.61（越低越好），图文匹配分与 GenEval 也都在 FLUX 之上。这说明它的效率收益主要来自结构而不是「砍质量换速度」——后者常见得多。
再往上堆算力仍然有效：1.5 系列 4.8B 版本的 CLIP 分最高（29.23），GenEval 却被同系列 1.6B 反超（0.81 对 0.82）。官方把 1.5 定位成「训练时与推理时的算力扩展」，也就是说这一档卖的是可扩展，不是单一最优。
从图像长出来的一整个系列
这个仓库现在覆盖的远不止文生图：
SANA-Sprint 用连续时间一致性蒸馏（sCM）把生成压到一步或少步，官方称在 H100 上一张 1024 图 0.1 秒、在消费级 4090 上 0.3 秒。SANA-Video 与 LongSANA 走块线性注意力与因果混合前馈网络，做长视频；SANA-Video 2.0 是 50 亿与 140 亿两档，混合线性与 softmax 注意力并引入注意力残差。SANA-WM 是 26 亿参数的可控世界模型，生成 720p、一分钟的连续场景并支持六自由度相机控制。SANA-Streaming 是 20 亿参数的实时流式视频到视频编辑。Sol-RL 是后训练方法：用 NVFP4 低精度做采样、BF16 高精度做优化，官方称收敛快 4.64 倍。
工程侧也有一笔值得单独提：Sol Engine 在 MiniMax-H3 这个 330 亿参数的全模态音视频变换器上做到 3.95 倍加速（GB200），在台式硬件上更高（DGX Spark 3.92 倍、RTX 5090 4.52 倍），官方称 4.5 小时完成优化，且没有用蒸馏、没有用低秩适配、没有标定步骤。
部署边界：4K 与 8GB 显存
官方给出的部署口径很具体：16 亿参数的 4K 模型可以在 20 秒内出 4096×4096 的图；靠 DC-AE 分块，4K 推理压进 22GB 显存；再叠加 8 位或 4 位量化与模型卸载，4K 可以在 8GB 显存里跑。整体结论写的是「通过 4 位量化可部署在 8GB 显存以下的笔记本显卡上」。
生态接入也齐：已被合并进 Hugging Face 的 diffusers（0.32.0 起可用 SanaPipeline），有 ComfyUI 节点、SGLang 接入、ControlNet、LoRA 与 DreamBooth 训练，量化有 4 位与 8 位两档，后训练可对接 NVIDIA 自家的 Cosmos-RL。
读数字时要注意的口径
官方视频表里 SANA-Video 2.0 5B 的 13.2 秒对应的是 480×832×81 帧、40 步、单张 H100 的 VBench 协议；同一模型在 736×1280×81 下的端到端延迟是 30.9 秒。4 步版本是 DMD 预览，不是最终版。14B 的配置与权重官方明确说尚未包含。这些都是仓库自己写清的，读表格时别把不同口径的数字直接横着比。
另外，视频表里 SANA-Video-2B 用 2B 参数、36 秒拿到 84.05 的 VBench 总分，高于 Wan-2.1-14B 的 83.73（1897 秒、14B）。这一组同样出自官方，我们没有复现。
待复现
我们未对 SANA 做过任何基准或复现测试，上述全部数据引自仓库与官方文档站。星标、更新活跃度（公开两年、仍在持续发布新版本）与它在 diffusers 里的官方支持，说明它是图像生成这条线上必须收录的一层，但能力水位记为待复现。