库名称: sana, sana-sprint 标签:

• 文本生成图像
• SANA-Sprint
• 基于1024像素的图像尺寸
• BF16精度
• 单步扩散模型 支持语言:
• 英文
• 中文 基础模型:
• Efficient-Large-Model/Sana_Sprint_1.6B_1024px 管道标签: 文本生成图像

           

🐱 Sana模型卡片

演示视频

训练流程

模型效率

SANA-Sprint是超高效的文本生成图像(T2I)扩散模型，将推理步骤从20步缩减至1-4步的同时保持顶尖性能。核心创新包括： (1) 无需重新训练的连续时间一致性蒸馏(sCM)方法； (2) 统一的自适应步长模型实现1-4步高质量生成； (3) 集成ControlNet实现实时交互式图像生成。 在单步推理中达到7.59 FID和0.74 GenEval，优于FLUX-schnell(7.94 FID/0.71 GenEval)且提速10倍(H100上0.1s vs 1.1s)。 在H100上实现**1024×1024图像0.1秒(T2I)和0.25秒(ControlNet)**的延迟，RTX 4090上0.31秒(T2I)，是AI消费级应用(AIPC)的理想选择。

源代码详见 https://github.com/NVlabs/Sana。

模型描述

• 开发团队: NVIDIA, Sana
• 模型类型: 连续时间一致性蒸馏的单步扩散模型
• 参数量: 16亿
• 精度: torch.bfloat16 (BF16)
• 分辨率: 支持基于1024像素的多尺度高宽图像生成
• 许可证: NSCL v2定制版。遵循NVIDIA许可条款，Gemma-2-2B-IT部分适用Gemma使用条款和禁止使用政策
• 模型说明: 基于文本提示生成/编辑图像的线性扩散Transformer模型，包含固定参数的文本编码器(Gemma2-2B-IT)和32倍空间压缩的潜特征编码器(DC-AE)
• 更多资源: GitHub仓库和arXiv技术报告

模型来源

研究用途推荐使用generative-models代码库(https://github.com/NVlabs/Sana)，同时支持训练和推理 MIT Han-Lab提供免费推理服务

• 代码库: https://github.com/NVlabs/Sana
• 在线演示: https://nv-sana.mit.edu/sprint
• 使用指南: https://github.com/NVlabs/Sana/asset/docs/sana_sprint.md

使用范围

直接用途

本模型仅限研究用途，包括但不限于：

• 艺术作品生成与设计创作
• 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偏差

非适用场景

本模型未针对人物/事件的真实再现进行训练，相关生成内容不属于模型能力范围。

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

偏差风险

图像生成模型在展现强大能力的同时，也可能强化社会偏见。