SANA-Video 2.0 4 步预览：NVIDIA 快速 720p 视频模型
NVIDIA 发布了基于 DMD 蒸馏的 SANA-Video 2.0 5B 4 步预览版，在 BF16 CFG-1 推理下生成 720p 81 帧视频，采用四阶段采样策略。
概述
该预览版是完整模型的 DMD 蒸馏，而非 LoRA 适配器：全局步骤 1000 的 DMD EMA 导出是在合并了 ReFL step-500 适配器之后，从 SANA-Video 2.0 SFT 模型初始化的，随后 DMD 更新整个 transformer。架构结合了 75% 的门控双向线性注意力层与 25% 的周期性密集 softmax 注意力锚点，每 8 个图层共享 Attention Residual 聚合。文本编码器为 google/gemma-2-2b-it，VAE 为 LTX 2.3，具有 128 个 latent 通道。
验证的种子 4 样本：花卉复古房间中的卡通公鸡，使用确切发布的 checkpoint 和设置生成。来源：SANA-Video 2.0 5B 720p 4 步
四阶段采样契约
模型不使用截断的 DPM-Solver 轨迹。在每个固定阶段，模型预测速度，计算 x0，并在下一个 sigma 处重新添加噪声，从同一种子生成器中重新抽取：
| Stage | Physical sigma | Model embedding timestep |
|---|---|---|
| 1 | 0.9998 | 999 |
| 2 | 0.9472 | 947 |
| 3 | 0.8569 | 856 |
| 4 | 0.6664 | 666 |
推理运行 BF16 精度，CFG 为 1，使用 sana_shift6_dpm sigma 档案并禁用 flow_shift。发布的 checkpoint 在这些确切设置下在完整的 VBench T2V 套件（4,730 个提示词，所有 16 个尺寸）上进行了评估。
可用性
该 checkpoint 附带 .pth EMA transformer 以及干净的 5B 源塔配置。在上游 PR 合并之前，推理需要 Sana 仓库 的预览分支 (feat/sana-video2-4step-preview)，搭配 Diffusers 格式的 LTX 2.3 VAE。50 步基础版本仍是图像条件化 TI2V 的入口点：蒸馏预览版仅用于文生视频，不支持首帧图像 conditioning。
验证的四步样本视频 (1280×736, 81 帧，16 FPS)，使用种子 4 生成。来源：SANA-Video 2.0 5B 720p 4 步
评论
使用 GitHub 登录后即可参与讨论。