库名称: sana
标签:

• 文本生成图像
• SANA-1.5
• 基于1024px的图像尺寸
• BF16
  语言:
• 英文
• 中文
  基础模型:
• Efficient-Large-Model/SANA1.5_4.8B_1024px
  流水线标签: 文本生成图像

           

🐱 Sana 模型卡片

模型

我们推出SANA-1.5——一个融合训练时与推理时扩展技术的高效模型。
SANA-1.5实现了：

• 高效模型增长：从1.6B参数的Sana-1.0扩展至4.8B，性能持平或优于从头训练，节省60%训练成本；
• 高效深度剪枝：支持任意尺寸的模型瘦身；
• 基于强大VLM选择的推理扩展：小模型+推理扩展 > 大模型；
• 顶尖的GenEval & DPGBench评测结果。详细数据见下表。

源代码详见 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的可扩展文生图生成模型
• 参数量：48亿
• 精度：torch.bfloat16 (BF16)
• 分辨率：支持生成基于1024px的多尺度长宽图像
• 许可证：NSCL v2-custom。主要条款：NVIDIA许可证。补充条款：Gemma使用条款（适用于Gemma-2-2B-IT）、Gemma禁用政策
• 模型说明：本模型可通过文本提示生成和编辑图像，采用线性扩散Transformer架构，包含固定预训练文本编码器(Gemma2-2B-IT)和32倍空间压缩的潜特征编码器(DC-AE)
• 更多资源：GitHub仓库 | arXiv技术报告

模型来源

研究推荐使用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，适合训练与推理。MIT Han-Lab提供免费推理服务。

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

🧨 Diffusers

开发中

使用场景

直接使用

本模型仅限研究用途，包括但不限于：

• 艺术创作与设计辅助
• 教育/创意工具开发
• 生成模型研究
• 安全部署可能产生有害内容的模型
• 探索生成模型的局限性与社会偏见

非适用场景

该模型并非为生成真实人物/事件而设计，此类用途超出模型能力范围。

局限性与偏差

局限性

• 无法实现完美照片级真实感
• 难以生成复杂可读文本
• 手指等细节可能生成异常
• 自编码模块存在信息损失

偏差

尽管图像生成能力出色，模型可能强化或放大社会偏见。