英伟达开源文生图模型SANA：本地部署飞速直出4K图像

近日，英伟达（NVIDIA）联合麻省理工学院和清华大学，推出了一款名为SANA的开源图像生成模型。SANA不仅能够高效生成分辨率高达4096×4096的图像，还具备极快的生成速度。

SANA的性能表现

SANA的特点就是一个快字，SANA-0.6B只用不到一秒就可以生成1024×1024分辨率图像，比Flux-Dev快25倍，而生成4096×4096分辨率图像的速度比Flux-Dev快106倍。

在生成质量上，SANA在DPG-Bench测试基准中分数与Flux持平，仅在GenEval指标上略低于Flux模型。

SANA的核心设计

SANA的成功离不开其四大核心设计：

1. 深度压缩自动编码器（DC-AE）

传统的自动编码器（AE）通常将图像压缩8倍，而SANA引入了深度压缩自动编码器，将压缩倍数提升至32倍。这一设计大幅减少了潜在标记的数量，使得SANA能够高效生成超高分辨率图像（如4K分辨率），同时显著降低了训练和生成的计算成本。

2. 线性DIT（Diffusion Image Transformer）

SANA采用了一种新的线性注意力机制，取代了传统的二次注意力机制，将复杂度从O(N²)降低到O(N)。这一改进不仅提高了高分辨率图像生成的效率，还消除了对位置编码的需求，标志着首个无需位置嵌入的DIT模型诞生。

3. 仅解码器的小型LLM作为文本编码器

SANA使用仅解码器的小型语言模型（如Gemma 2）作为文本编码器，取代了传统的CLIP或T5模型。Gemma具备卓越的文本理解和指令遵循能力，结合复杂的人工指令设计，显著提升了图像与文本的对齐效果。

4. 高效的训练和推理策略

SANA提出了自动标记和训练策略，通过多个视觉语言模型（VLM）生成不同的重新字幕，并基于CLIPScore选择高质量字幕，从而加速模型收敛并增强文本-图像对齐。此外，SANA还引入了Flow-DPM-Solver，大幅减少了推理步骤，进一步提升了生成效率。

低成本部署与开源

SANA的另一个亮点是其低成本的部署能力。SANA-0.6B可以在16GB的笔记本电脑GPU上运行，生成1024×1024分辨率的图像仅需不到1秒，并且22GB显存能直出4096×4096分辨率图像，这一特性使得SANA不仅适用于高端计算设备，也能在普通用户的笔记本电脑上高效运行。此外，英伟达还宣布将公开发布SANA的代码和模型，进一步推动了文本到图像生成技术的普及和应用。

使用

英伟达建立了8个3090的网页使用界面，所有人都可以免费试用。值得一提的是SANA模型可以直接使用中文提示词。

甚至使用带有图标符号的提示词也可以，这应该是得益于使用 Gemma2 2B 视觉语言模型作为文本编码器的原因。

通过ComfyUI_ExtraModels插件，在本地Comfyui上也能非常方便的使用SANA模型。插件安装很简单，不需要自己配置依赖，安装后运行会自动下载需要的模型文件。

通过深度压缩自动编码器、线性DIT、仅解码器的小型LLM以及高效的训练和推理策略，SANA不仅能够高效生成超高分辨率图像，还具备强大的文本-图像对齐能力和低成本部署优势。对于需要快速出图的朋友，SANA还是不错的，就是在生态上还无法跟Flux比。

项目页：

github.com/NVlabs/Sana

网页使用：

nv-sana.mit.edu

Comfyui插件：

github.com/Efficient-Large-Model/ComfyUI_ExtraModels