NVIDIA、麻省理工学院 (MIT) 和京都精华大学的研究团队发布了一款名为“Sana”的图像生成AI，它可以在几秒钟内生成分辨率高达4096×4096的图像。

以下是用Sana实际生成的图像范例。使用“astronaut in a jungle, cold color palette, muted colors, detailed,8k（丛林中的宇航员，冷色系，柔和的颜色，精细，8K）”的提示词，可以生成这样的图像：

使用“a cyberpunk cat with a neon sign that says“SANA”（一只带有写着“SANA”的霓虹灯的赛博庞克猫）”的提示词生成的图像是：

输入“portrait photo of a girl, photograph, highly detailed face, depth of field（女孩的肖像照片，写实，非常细致的脸部，景深）”的提示词，则生成了逼真的人物图像：

根据Sana的开发团队介绍，相较于传统只能压缩至8倍的自动编码器（Autoencoder），Sana能通过对最大32倍压缩的自动编码器进行训练，进而有效减少潜在标记的数量，实现高效的训练和4K超高分辨率图像的生成。

此外，Sana使用一个名为“Gemma”的语言模型作为文本编码器，专门负责解码器部分，这强化了对提示词的理解与推理表现。不同于以往的T5模型，Gemma具有更强的文本理解能力，这能在应对训练不稳定性时，改善图像与文本的对应关系。同时，为了减少采样步骤，Sana引入了名为“Flow-DPM-Solver”的机制，这使得采样步骤从“Flow-Euler-Solver”的28至50步减少到14至20步，从而实现了更有效的标签生成与选择。

通过这些努力，Sana在保持与“Flux”等最新的高性能图像生成AI相当的竞争力的同时，实现了超过100倍的图像生成速度。开发团队表示，参数大小为6亿的“SANA-0.6B”甚至可以部署在配备16GB内存容量GPU的笔记本上，生成1024×1024分辨率的图像只需1秒钟。以下是Sana图像生成时间的比较图，参数大小为16亿的“SANA-1.6B”可以1.2秒生成1024×1024的图像，15.9秒生成4096×4096的图像。此外，SANA-0.6B可以0.9秒生成1024×1024的图像，仅需9.6秒即可生成4096×4096的图像。

以下是一张Sana与各类图像生成AI的性能比较表，显示Sana的各个模型在生成速度和处理量上都远超其他图像生成AI。

目前，Sana的源码尚未公开，但预计将在近日内发布。