绳锯木断，水滴石穿。——罗大经鹤林玉露

https://github.com/NVlabs/Sana

Sana：这位来自 NVlabs 的高效画师，正在把高分辨率图像生成拉进“又快又美”的新时代

如果说许多文生图模型像天赋异禀但有点“吃资源”的艺术家，那么 Sana 更像一位动作利落、思路清晰、下笔飞快的高阶画师。它不只会画，而且画得高、画得快、画得稳，还特别懂得如何在效率和质量之间拿出一套漂亮的平衡术。根据项目描述，Sana 是一个面向高分辨率图像与视频生成的效率导向型代码库，提供了完整的训练与推理流水线；仓库中包含的不只是 Sana 本体，还覆盖了 SANA、SANA-1.5、SANA-Sprint、SANA-Video 和 Sol-RL。(github.com)

光看这段介绍，你就能感受到它的气质：它不是只想当一个“会出图的模型”，它更像一个已经搭好舞台、灯光、后台、跑道和出口的完整系统。你既可以把它当成高效图像生成方案，也可以把它当成一个不断扩张能力边界的生成框架。(github.com)

它是谁

Sana 的仓库描述写得很直接：Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer。也就是说，它瞄准的是“高分辨率图像生成”这件事里最难、最贵、最容易卡性能的一段路，并且选择用 Linear Diffusion Transformer 这条技术路线去破局。(github.com)

这名字取得很有意思。Sana 听起来像一个安静的人，但它做起事来一点不安静。你让它面对高分辨率生成这块公认的硬骨头，它没有退，而是拿出一整套“高效优先”的工程与模型设计思路。它像一位不喜欢喊口号的工程师型艺术家，嘴上不吵，手里全是硬活。

它想解决什么问题

高分辨率图像生成一直都很迷人，但也一直很“贵”。

分辨率一上去，token 数量上去，注意力开销就上去，显存和速度压力也跟着往上窜。很多模型在低分辨率下看起来还算轻盈，一旦进入高分辨率场景，就像背着全套行李爬楼梯，气喘吁吁、寸步难行。Sana 的目标非常明确：让高分辨率图像和视频生成，不再天然等同于高昂代价。(github.com)

README 里给出的介绍非常有冲击力。它把 Sana 系列的定位写得很清楚：

  • SANA：支持最高到 4K 分辨率的文生图生成，并声称相比 Flux-12B 体量小 20 倍、速度快 100 倍。
  • SANA-1.5：通过训练时和推理时的计算扩展策略进一步提升质量。
  • SANA-Sprint：通过 sCM distillation 实现一步或少步生成，在 H100 上可做到每张 1024px 图像约 0.1 秒。
  • SANA-Video / LongSANA：面向高效视频生成，引入 Block Linear Attention 以及更长时序能力。
  • Sol-RL：通过 NVFP4 rollout 与 BF16 training 的组合，加快强化学习训练收敛。 (github.com)

读到这里，你会发现 Sana 并不是一个单点模型，而更像一个家族。这个家族里有擅长高分图像的，有擅长提质扩展的，有擅长极速生成的，有把目光投向视频的，还有往后训练和强化学习方向继续延展的。它不是站在一个结果上停住，而是像一个越长越大的研究体系，边跑边扩容。

它为什么让人眼前一亮

因为它抓住了一个非常现实的问题：大家都喜欢更大、更清晰、更细腻的图，但没有人真心喜欢更慢、更贵、更卡。

Sana 的魅力，不在于它只会“画图”，而在于它试图把高质量生成从“重器”变成“可用工具”。它不像某些模型那样，仿佛是一位穿着华丽斗篷的宫廷画师，画得确实绝，但每次动笔都要清场、点灯、烧预算。Sana 更像一位训练有素的现代画师，出手稳、动作快、流程规范，还知道怎样让更多人真的用得起。(github.com)

README 中对它的总结也很鲜明：这是一个完全开源的框架，整合了高效训练、快速推理以及灵活部署，覆盖图像和视频生成；并且通过 4-bit 量化，甚至可部署在 小于 8GB VRAM 的笔记本 GPU 上。(github.com)

这句话的分量不小。因为它透露出的不是“实验室里某个跑分很好看的模型”，而是“一个在部署和现实使用层面认真做过设计的系统”。当一个高分辨率生成框架开始认真谈笔记本 GPU、量化和灵活部署，它就不再只属于研究演示，它是在努力走向更广泛的真实场景。(github.com)

它的核心技术路线，像一套精心打磨的轻装上阵方案

Sana 并不是单纯靠“堆模型参数”来换质量。它的 README 里把关键技术讲得非常清楚，而这些技术组合在一起，恰好拼出它那种“高效画师”的人格。

Linear Attention

Sana 用 Linear Attention 替换了 DiT 中的传统 attention，目的就是在高分辨率下提升效率。这个选择很像把原本一辆油耗惊人的重型跑车，换成一台同样能高速奔跑、但更懂节能的发动机。对于高分辨率任务来说，这不是小修小补，而是直接对最核心的计算瓶颈动刀。(github.com)

DC-AE

它还引入了 DC-AE，实现 32× 图像压缩，而不是传统常见的 8×。这意味着 latent token 数量被大幅压缩，从源头上减少了后续计算负担。你可以把它理解为：别急着让整个工厂一起加班，先把搬上流水线的货物整理得更精炼。这样速度自然就快起来了。(github.com)

Decoder-only Text Encoder

Sana 使用了现代 decoder-only LLM 作为文本编码器，并强调了 in-context learning 对文本图像对齐的帮助。这个思路很有趣，它像是给画师配了一位更会听话、更能理解上下文的文案导演。用户的 prompt 不再只是被“读一遍”，而是被更有语境感地理解。(github.com)

Flow-DPM-Solver

为了进一步减少采样步数，它引入了 Flow-DPM-Solver。这一步像是在告诉生成流程：你不需要每一级楼梯都踩得那么重，有时候找到更聪明的路径，比一味多走几步更重要。(github.com)

sCM Distillation

在 SANA-Sprint 中，项目采用 continuous-time consistency distillation 实现一步或少步生成。这使得它在“快”这个维度上显得格外锋利。你可以把它看作是让一个原本需要认真铺陈、慢慢润色的画师，学会了几乎抬手就成像的本事。(github.com)

面向视频的高效结构

到了视频生成，Sana 家族又引入 Block Causal Linear Attention 和 Causal Mix-FFN，用于更高效地处理长视频生成问题。这里它就像一位从静态画布转向动态分镜的导演，既要顾每一帧，还得顾镜头之间的呼吸和连续性。(github.com)

Sol-RL

而 Sol-RL 则把视角带到了后训练与强化学习上，用低精度 rollout 配合高精度优化，追求更快收敛。它让 Sana 不只是“出图器”，还像一位会在幕后不断训练自己、修正自己、精进自己的长期主义选手。(github.com)

它的能力版图，不是一个点，而是一整片大陆

Sana 仓库并没有把自己局限在单一模型介绍，而是给出了一套非常完整的使用与扩展地图。README 的 Getting Started 部分列出了一整套文档入口，包括：

  • Installation Guide
  • Model Zoo
  • Sana Inference & Training
  • SANA-Sprint
  • SANA-Video
  • LongSANA
  • ControlNet
  • LoRA / DreamBooth
  • Sol-RL Post-Training
  • Quantization
  • ComfyUI
  • SGLang (github.com)

这很能说明问题。

一个项目如果只有主模型和几条推理命令，那它更像一个作品；而 Sana 明显在往“生态框架”方向走。它不仅在说“我能做什么”，也在说“你可以怎样训练我、加速我、微调我、部署我、接入不同工作流、把我扩展成你自己的生产工具”。(github.com)

这就像一位画师不只是拿出几张代表作，还把自己的画室、颜料架、速写本、教学方案、进阶课程和合作通道全部打开。你不只是能看它画，你还能走进它的工作方法里。

快速启动：它没有故作神秘，反而很愿意让你立刻上手

对于很多生成模型项目来说，最劝退人的不是论文，而是第一步环境配置。README 在这方面做得很直给，Quick Start 就是两步：

1
2
git clone https://github.com/NVlabs/Sana.git
cd Sana && ./environment_setup.sh sana

这两行命令像 Sana 的开场白：门没锁，你进来吧。(github.com)

它没有把自己包装成遥不可及的“只适合论文作者使用”的项目，而是明确给出环境准备方式，让人一眼就能判断如何启动。对于一个覆盖图像生成、视频生成、训练、量化和部署的大型仓库来说，这种清晰的入口非常重要。(github.com)

如果你更熟悉 diffusers，它也准备好了

README 还给出了非常实用的 diffusers 推理示例。这段代码不只是“能跑”，它很能体现 Sana 的气质：清楚、现代、面向实际使用。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import torch
from diffusers import SanaPipeline

pipe = SanaPipeline.from_pretrained(
    "Efficient-Large-Model/SANA1.5_1.6B_1024px_diffusers",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

pipe.vae.to(torch.bfloat16)
pipe.text_encoder.to(torch.bfloat16)

prompt = 'a cyberpunk cat with a neon sign that says "Sana"'
image = pipe(
    prompt=prompt,
    height=1024,
    width=1024,
    guidance_scale=4.5,
    num_inference_steps=20,
    generator=torch.Generator(device="cuda").manual_seed(42),
)[0]

image[0].save("sana.png")

这段示例像一张很友好的邀请函。你不需要先翻半天文档，不需要先猜模型该怎么接，只要你熟悉 PyTorch 和 diffusers，马上就能让 Sana 开始工作。它甚至已经帮你把 dtype、分辨率、采样步数、guidance scale 和随机种子这些关键细节摆在台面上。(github.com)

而这张图的 prompt 也写得很可爱：一只赛博朋克猫，配上一块写着 “Sana” 的霓虹灯牌。仿佛项目自己都知道，既然是图像生成模型，第一面最好就让大家看见一点想象力发光的样子。(github.com)

它的性能数字，确实很会说话

README 中给出了一张 1024×1024 图像生成性能表，这部分是 Sana 最有说服力的地方之一。表中显示，和 Flux-dev 相比，多个 Sana 变体在吞吐、延迟、参数规模和质量指标上都拿出了相当强的表现。比如：

  • FLUX-dev：吞吐 0.04 samples/s，延迟 23.0s，参数 12.0B
  • Sana-0.6B：吞吐 1.7 samples/s，延迟 0.9s，参数 0.6B，速度提升 39.5×
  • Sana-1.6B：吞吐 1.0 samples/s，延迟 1.2s，参数 1.6B，速度提升 23.3×
  • Sana-1.5 1.6B：延续 1.2s 左右延迟，同时在 CLIP、GenEval 等指标上进一步提升
  • Sana-1.5 4.8B：虽然更大，但仍保持明显的速度优势。 (github.com)

这组数字特别像一位平时不爱炫耀的人，关键时刻掏出成绩单：我不是不能慢慢画，我只是没必要那么慢。

其中最抓人的一句，还是 README 开头那句：SANA 文生图最高可到 4K 分辨率，并且比 Flux-12B 小 20 倍、快 100 倍。 这几乎可以看作 Sana 递给所有关注高分辨率生成的人一张名片。(github.com)

这不是只有图像，还是朝着视频一路长过去的系统

很多项目在图像上做得好，但一到视频就变得像突然换了一个人。Sana 给人的感觉则是：它早就不满足只做静态画面了。

README 明确写到了 SANA-Video 和 LongSANA，并把它们纳入同一代码库体系。前者面向高效视频生成，后者则继续加强长视频场景能力。与此同时，仓库目录里也能看到与视频相关的脚本和训练入口，比如 inference_video_scripts、train_video_scripts 这样的目录结构。(github.com)

这意味着 Sana 的视野并不局限于“单张图像漂亮就行”。它像一个本来擅长画插画的创作者，后来开始学分镜、学镜头、学节奏、学长时序叙事，最后干脆把静帧和动态都纳入了自己的能力版图。(github.com)

它还是一个非常“现代工程化”的仓库

从仓库结构上看，Sana 不是一个为了发论文临时整理出来的代码包。它有文档、有配置、有 app、有 tests、有 scripts，也有专门的训练与视频训练脚本目录。搜索结果展示的仓库顶层包括：

  • app
  • configs
  • diffusion
  • docs
  • inference_video_scripts
  • sana
  • scripts
  • tests/bash
  • tools
  • train_scripts
  • train_video_scripts
  • Dockerfile
  • environment_setup.sh
  • pyproject.toml 等。 (github.com)

这一眼看过去就知道，它不是只准备让你“看”，而是真打算让你“用”。这种工程组织方式也很符合 NVlabs 一贯的风格：研究不只是论文结果，更要有尽可能完整的代码与体系支撑。(github.com)

作为开源项目，它也在不断生长

Sana 的 GitHub 页面显示它是 Apache-2.0 许可证开源项目；搜索结果还显示该仓库已有数千 star，并且存在 release、issues、pull requests、actions 等持续活跃的开源协作痕迹。搜索结果里可以看到发布页包含 v1.0.0 与 v1.5.0 等版本信息，而 README 展示出的系列能力也正对应着项目逐步扩展的节奏。(github.com)

这说明 Sana 不是一颗静止的样品，而是一台还在持续推进的机器。它一边扩展模型家族，一边开放文档入口，一边更新发布版本，一边让社区参与进来。它像一个还在成长的实验室成员，边跑边学，边学边把成果摆到大家面前。

如果要用拟人化方式来形容 Sana

它像一位高效、克制、审美在线的数字画师。

别的模型可能穿着厚重长袍，拖着大箱子颜料和巨大的显卡预算，一边喘气一边说“我能画”；Sana 则像一位提着轻便工具箱、步伐很快、却依然能把高分辨率画面铺得细致漂亮的专业选手。它不靠喧哗吸引人，而是靠那种“你一用就知道确实顺手”的可靠感取胜。(github.com)

它也像一个很懂效率哲学的导演。

你给它一段文字，它不只是把词拆开来看，而是试图更聪明地理解、压缩、建模、采样，再把结果呈现出来。它一边盯质量，一边盯速度，一边还惦记着部署成本。像极了那种既关心作品呈现、又关心预算表和拍摄周期的成熟导演。(github.com)

它更像一个愿意长期成长的系统角色。

今天它会画高分图，明天它能一步生成，后天它开始拍视频，再后来它还学会了怎么通过后训练进一步变强。它不是一次性绽放的烟火，更像一棵正在稳定伸展枝叶的树。(github.com)

为什么 Sana 值得认真看

因为它不只是“又一个文生图项目”。

它真正值得关注的地方在于：它把高分辨率生成这件本来很容易陷入高成本困局的事情，重新设计成了一套强调效率、质量和可部署性的系统路径。它在 README 中明确展示了自己的核心技术、性能指标、模型家族、快速启动方式、diffusers 适配、训练与微调入口，以及朝视频与后训练继续扩张的版图。(github.com)

这种项目最吸引人的地方，不是某一个数字，而是它身上那种“方向很清楚”的感觉。它知道自己要解决什么问题，也知道自己靠什么方法去解决，还愿意把这条路开放给更多开发者和研究者一起走。

结尾

Sana 这个名字听上去温和，但它做的事一点都不温吞。

它正试图告诉整个生成式 AI 世界：高分辨率，不一定非得沉重；高质量，不一定非得臃肿；大模型时代，也依然可以认真追求效率这件事。Sana 不是那种只在舞台上亮一瞬间的表演者，它更像一个把工具箱整理得很好的长期建设者，安静地把高效图像与视频生成这件事往前推。(github.com)

如果你关心高分辨率文生图、在意推理速度、关注部署现实性，也对图像到视频、训练到后训练这一整条路线感兴趣，那么 Sana 很值得被你认真打开一次。

因为它不像是在说“我也能画”。

它更像是在说：

来吧，把分辨率调高一点，把速度要求也提上来，我们不只要画出来，还要画得漂亮、画得快、画得真正能落地。