视频生成通常面临高昂的计算成本和极慢的推理速度，SANA-Video 提出了一种高效的解决方案。通过块线性注意力和架构优化，该模型在大幅降低训练和推理成本的同时，实现了与巨型模型相媲美的生成质量。
智能速览
训练成本仅为 MovieGen 的 1%，推理速度提升 53 倍
支持生成 720P 分辨率及分钟级长度的视频
块线性注意力机制实现恒定显存占用
可在 RTX 5090 上以 NVFP4 精度部署
在 VBench 评测中得分超越 14B 参数模型
精华内容
视频生成任务对算力要求极高，SANA-Video 通过引入块线性注意力等创新设计，成功打破了这一算力瓶颈，实现了低成本、高效率的长视频生成。
极致降本增效
SANA-Video 的核心优势在于极低的训练和推理成本。在训练方面，仅需 64 张 NVIDIA H100 GPU 训练 12 天，成本仅为 MovieGen 的 1% 和 OpenSora 的 10%。
在推理方面，生成一段 5 秒 720P 视频仅需 36 秒（单张 H100 GPU）。相比于 Wan2.1-14B 模型生成同样视频需要 32 分钟，SANA-Video 实现了 53 倍的加速。这种效率提升使得分钟级视频生成成为可能。
块线性注意力
为解决长视频生成的显存瓶颈，SANA-Video 采用了块线性注意力机制。这种机制在处理新 token 时，KV Cache 所需的显存保持恒定，不再随序列长度增加而线性增长。
这一设计使得模型能够支持全局注意力的长视频生成，同时维持极低的计算成本。实验表明，线性注意力在 480P 分辨率下实现 2 倍加速，在 720P 下实现 4 倍加速。
细节架构优化
为了捕捉细粒度的视频细节，模型在 Linear Attention 中添加了 3D RoPE，使其能聚焦局部区域。针对 ReLU 输出经 RoPE 后可能导致的数值不稳定问题，通过修改分母计算方式保证了训练稳定性。
此外，在 Mix-FFN 中引入了带 Shortcut 的 Temporal 1D 卷积，有效聚合了时间维度上的特征，提升了生成视频的运动连续性和一致性。
高效编码器部署
SANA-Video 使用了高压缩率的 Video Autoencoder (DCAE-V)，空间下采样 32 倍，时间下采样 8 倍。这种高压缩率允许模型在更小的 latent space 中运行，并与预训练的 T2I 模型对齐。
该模型甚至可以以 NVFP4 精度部署在消费级 RTX 5090 GPU 上，将生成 720P 5秒视频的时间从 71 秒进一步降低到 29 秒。
实测性能表现
在 VBench 评测中，SANA-Video 的 T2V 总分达到 83.71，与 14B 参数的 Open-Sora-2.0 相当，优于 Wan2.1-1.3B。在 I2V 任务上得分 88.02，超过 Wan2.1-14B 和 HunyuanVideo-I2V-11B。
在长视频生成方面，模型能在 35 秒内生成 1 分钟 480P 16FPS 的视频，实现了实时的 27 FPS 生成速度。
SANA-Video 证明了在视频生成领域，小模型通过架构创新同样能达到顶尖性能。其低成本、高效率的特性为个人用户和小团队普及 AI 视频生成提供了新的可能，未来的应用场景值得期待。
