NVIDIA 开源 SANA-WM：26 亿参数世界模型，单卡 H100 生成 1 分钟 720p 可控视频

NVIDIA SANA-WM：高效世界模型

2026 年 5 月 17 日，NVIDIA 正式开源 SANA-WM 世界模型。

技术亮点

• 仅 26 亿参数：相比行业基线规模大幅缩小
• 单卡 H100 推理：无需多卡集群即可生成高质量视频
• 1 分钟 720p 视频：支持精确的 6-DoF 相机控制
• 混合线性注意力：结合门控 DeltaNet 和 softmax 注意力，实现高效的长上下文建模
• 36 倍更高吞吐：相比大型工业基线的效率提升

架构四大创新

1. 混合线性注意力：帧间 GDN + softmax 注意力
2. 原生 1 分钟训练：直接以 60 秒为目标进行训练
3. 尺度级 6-DoF 控制：精确的相机运动控制
4. Diffusion Transformer：基于 DiT 架构的高效视频生成

对比

在视觉质量上与 LingBot-World、HY-WorldPlay 等大型工业基线相当，但训练和推理成本显著降低。

来源: arXiv + NVIDIA
链接: https://arxiv.org/abs/2605.15178