库名称: sana
标签:

• 文生图
• Sana
• 基于1024px的图像尺寸
  语言:
• 英文
• 中文
  基础模型:
• Efficient-Large-Model/Sana_1600M_1024px
  管道标签: 文生图

             

🐱 Sana 模型卡片

模型

我们推出 Sana，一个能高效生成高达4096×4096分辨率图像的文生图框架。
Sana能以惊人的速度合成高分辨率、高质量且文本-图像对齐性强的图像，可在笔记本电脑GPU上部署。

源代码发布于 https://github.com/NVlabs/Sana。

模型描述

• 开发团队: NVIDIA, Sana
• 模型类型: 基于线性扩散Transformer的文生图生成模型
• 参数量: 1648M
• 模型分辨率: 本模型专为生成基于1024px的多尺度长宽图像开发
• 许可协议: NSCL v2定制版。管辖条款：NVIDIA许可协议。附加说明：Gemma-2-2B-IT需遵守Gemma使用条款和Gemma禁用政策。
• 模型说明: 该模型可根据文本提示生成和修改图像，采用线性扩散Transformer架构，使用固定预训练文本编码器(Gemma2-2B-IT)和32倍空间压缩的潜在特征编码器(DC-AE)。
• 更多资源: 参见GitHub仓库及arXiv论文。

模型来源

研究用途推荐使用generative-models代码库(https://github.com/NVlabs/Sana)，该版本集成了Flow-DPM-Solver等先进扩散采样器，更适合训练和推理。MIT Han-Lab提供免费Sana推理服务。

• 代码库: https://github.com/NVlabs/Sana
• 演示: https://nv-sana.mit.edu/

🧨 Diffusers支持

开发中的PR: Sana 和 DC-AE

用途

直接用途

本模型仅限研究用途，适用领域包括：

• 艺术作品生成及设计创意流程
• 教育或创意工具开发
• 生成模型研究
• 具有潜在有害内容生成风险模型的安全部署
• 生成模型局限性与偏见的探索

非适用场景

该模型未针对人物/事件的真实再现进行训练，因此生成此类内容超出模型能力范围。

局限性与偏差

局限性

• 无法实现完美照片级真实感
• 无法生成复杂可读文本
• 手指等细节可能生成异常
• 模型的自动编码部分存在信息损失

偏差

尽管图像生成能力令人印象深刻，但模型可能强化或加剧社会偏见。