SANA-Video 2.0 5B 720p：NVIDIA 的高效视频模型
SANA-Video 2.0 5B 720p 可根据文本或首帧渲染 736x1280、193 帧、24 FPS 的视频片段，并提供用于文生视频的 4 步 DMD 预览。
SANA-Video 2.0 5B 720p
文生视频图生视频线性 DiT720pNVIDIANVIDIA 的 5B 级视频扩散 transformer。50 步基础 checkpoint 经过后训练，可同时支持 736x1280 分辨率、约 8 秒的文生视频与文本图像生视频，同时发布了 4 步 DMD 蒸馏版本作为文生视频研究预览。
| 开发者 | NVIDIA（SANA 团队） |
| 发布日期 | 2026-08（基础版）、2026-08-27（4 步预览） |
| 架构 | SanaVideo2_5B 线性扩散 transformer，32 层，4.47B 参数 |
| 文本编码器 | Gemma 2 2B IT |
| VAE | LTX 2.3，128 个 Latent 通道，stride (8, 32, 32) |
| 输出 | 736x1280，193 帧，24 FPS（约 8 秒） |
| 生成模式 | 文生视频、文本图像生视频 |
| 许可证 | Apache-2.0 |
架构
SANA-Video 2.0 5B 是一个 SanaVideo2_5B 线性扩散 transformer，包含 32 层，隐藏维度为 2,560，拥有 4,466,980,960 个可训练参数（4.47B）。其注意力为混合式设计：75% 的门控双向线性注意力层承载序列的主体，而 25% 的周期性稠密 softmax 注意力锚点负责恢复全局混合，此外每 8 层执行一次共享的、与时间步无关的 Attention Residual 聚合。文本条件来自 google/gemma-2-2b-it，Latent 空间遵循 LTX 2.3 VAE 的约定，包含 128 个 Latent 通道以及 (8, 32, 32) 的时间与空间压缩。
发布的 .pth 是推理产物。SANA-Video 2.0 的 EMA 基础权重与 ReFL 后训练适配器在发布前已完成合并，因此该文件只包含合并后的 state_dict，不含优化器、scheduler 或独立的 LoRA tensor。官方入口会将 transformer 转换为 BF16。
输出约定与采样
默认的 720p 分档为 736 x 1280、193 帧、24 FPS，每个视频片段约 8 秒。两个空间维度都必须能被 32 整除，这也是宽度为何不是更常见的单一 1280 的原因；同时帧数必须满足 (num_frames - 1) % 8 == 0。经过验证的发布示例以 BF16 运行，CFG 为 8，flow shift 为 12，50 步，motion score 为 20。
4 步预览是全模型 DMD 蒸馏，而非 LoRA，并且仅支持文生视频。它以 CFG 1 运行，使用 sana_shift6_dpm sigma 档案，且不使用截断的 DPM-Solver 轨迹：在四个固定阶段中的每一个，模型都会预测 velocity、计算 x0，并在下一个 sigma（0.9998、0.9472、0.8569 和 0.6664）处用同一个带种子的生成器重新噪声化。该预览以 16 FPS 输出 81 帧，而在模型库列表中则以 24 FPS 输出 193 帧。
可用性
推理通过 Sana 仓库 的 main 分支运行，该分支会直接从 Hugging Face 仓库加载 checkpoint；同时需要将 Diffusers 格式的 LTX 2.3 VAE 放置在 output/pretrained_models/LTX-2.3-Diffusers/，或通过 vae.vae_pretrained 指向它。模型卡片和模型库都将这条 Python 路径列为唯一受支持的途径，上游也没有记录任何针对 SANA-Video 2.0 的 ComfyUI 集成。
资源
Guides and workflows related to this model series.
评论
使用 GitHub 登录后即可参与讨论。