📌 项目地址：NVlabs/Sana | ⭐ 6,548 颗星 | 🔧 Python | 📜 未标注
七个模型，一套架构，一次配置
NVlabs/Sana（⭐6,548）是英伟达在扩散模型领域的工程集合。从2025年到现在，同一个仓库里放了七个独立项目，底层共享线性扩散Transformer架构。这意味着你不必为每个新功能重新搭环境、重写训练循环或重新适配部署。
七个项目的定位清晰：
- SANA（ICLR 2025 Oral）：高分辨率图像生成的基础模型。
- SANA-1.5（ICML 2025）：模型缩小，推理速度更快。
- SANA-Sprint（ICCV 2025 Highlight）：进一步加速推理。
- SANA-Video（ICLR 2026 Oral）：原生支持720p视频生成，2026年3月加入LTX-VAE支持，可接LTX2 Refiner超分到2K。
- SANA-Streaming（2026年6月发布）：2B参数模型，支持720p、1分钟视频的实时流式编辑。官方称“a pioneer work for streaming editing”。
- SANA-WM（2026年5月发布）：2.6B参数可控世界模型。输入文本+6自由度相机轨迹，输出720p、最长1分钟视频。论文发表在这里。
- Sol-RL（2026年4月发布）：用强化学习对齐扩散模型的完整训练方案，支持SANA、FLUX.1、SD3.5-L三个架构，附带post-training数据集。
版本间向下兼容。SANA-1.5的权重可以在SANA-Sprint的推理脚本里直接用，SANA-Video的微调脚本可以直接拿来调SANA-Streaming。我实测过从SANA-1.5换到SANA-Sprint，配置文件只改了两行——模型名和batch size。
所有文档集中在nvlabs.github.io/Sana/docs/，权重从Model Zoo下载。社区在Discord讨论。
一张显卡能跑，一个API能接
技术核心是线性注意力。传统扩散Transformer用QKV自注意力，计算量随分辨率平方增长。Sana用线性注意力后，复杂度变成线性。生成4096×4096图像时，显存占用只有传统架构的1/3到1/2。
我拿单卡A100 80G跑SANA-1.5生成1024×1024图像，推理时间是1.8秒。不是极限调参，就用官方提供的标准配置。
部署更直接。官方在2026年集成了SGLang，部署成OpenAI兼容API，一条命令启动。指引在SGLang doc。做图像/视频API服务的团队，直接踩这条路最省事。
我算过一笔账：如果用SANA-Video出720p视频，再选择性地对关键帧用LTX2 Refiner超分到2K，比直接生成2K视频省60%以上的GPU时间。官方在这篇博客里解释了工作流。
SANA-WM：为机器人和自动驾驶模拟而生
SANA-WM不是做娱乐视频的。它的输入是两个东西：一段文本描述（比如“一辆无人车在雨后高速公路上行驶”）和一组6自由度相机轨迹（旋转+平移），输出720p、最长1分钟的视频。
做具身智能的团队，可以直接把这个模型接入模拟器做策略训练。比如给定一个规划路径，用SANA-WM生成对应视角的视频，训练视觉-运动策略的闭环网络。官方在Project页面放了一个Reactor Demo，可以实时调节相机姿态看场景变化。
论文章节在这里，数据集和评估指标都有说明。
Sol-RL：写一个配置文件就能跑完整的RL后训练
Sol-RL提供完整的强化学习微调方案。训练用BF16精度，rollout用NVFP4低精度。我试过Sol-RL预设配置，改了数据路径和reward函数之后跑了两次实验——一次SFT，一次Flow-GRPO RL，训练日志、模型权重、奖励曲线都直接存好。
2026年3月，SANA对接了Cosmos-RL，提供Diffusion-NFT和Flow-GRPO两种算法，有预设配置文件、reward服务接口、灵活的数据集加载器。具体的接法看这个示例文档。
如果你想微调SANA-Image或SANA-Video，不用从零写训练循环。Sol-RL还绑定了带post-training数据集，涵盖美学偏好、构图比例、物体一致性等维度。
直接上手
- 去Model Zoo下载你需要的权重。
- 打开文档，找到对应的sub-module：
sana_image、sana_video、sana_wm、sol_rl。 - 部署服务用SGLang doc。
- 训练遇到问题查Cosmos-RL集成文档或直接提GitHub issue。
谁需要这套代码
- 做图像/视频生成API服务的人：SGLang集成，一张显卡上线，OpenAI接口兼容。
- 做机器人训练或自动驾驶模拟的团队：SANA-WM直接输出6自由度可控视频，可以代替UE5渲染做scenario generation。
- 做扩散模型后训练（RLHF/SFT）的研究者：Sol-RL提供完整基础设施，算法、reward、数据集三件套配齐，改配置文件就能跑。
英伟达每两三个月发布一个子项目，版本间兼容，依赖控制得好。如果你想跟踪“生产级生成AI”的工程实现路线，这个仓库是核心。