NVIDIA发布SANA-Video 2.0 提速百倍

时间：2026年7月23日 地点：美国加州圣克拉拉（NVIDIA Research） 人物：NVIDIA Research Song Han（韩松）、Enze Xie（谢恩泽）及 Efficient AI Team 与新加坡实验室团队 事件详情：NVIDIA Research 于 7 月 23 日发布视频生成模型 SANA-Video 2.0，提供 5B 与 14B 两种参数规模。该模型引入混合线性-Softmax 注意力与块注意力残差（AttnRes）架构，在单块 H100 GPU 上仅需 13.06 秒即可生成 720p 分辨率 5 秒视频，VBench 综合得分 84.30。在 60 秒长视频生成任务上，SANA-Video 2.0 相比全 Softmax 视频 DiT 实现 3.2 倍加速，相比 Wan 2.2 14B 模型提速达 120 倍，质量匹配当前主流视频扩散 Transformer。 背景：视频生成是当前 AI 领域最消耗算力的场景之一，传统 Softmax 注意力因 O(N²) 复杂度难以扩展到长视频。SANA-Video 2.0 通过以 3:1 比例混合门控线性注意力与周期性门控 Softmax 锚点，保留全秩 token 交互能力，再通过 AttnRes 将块级摘要路由到后续线性层，使深度层有效秩提升约 12%。这一混合架构从零开始训练，绕开『对预训练模型做线性化』的性能损失路径。 影响： 单 H100 即可生成 720p 视频，大幅压低视频创作门槛，独立创作者可低成本制作短剧与广告内容——长视频生成的边际成本急剧下降 相比 Wan 2.2 等主流模型提速 120 倍，将重塑视频生成 API 定价、影视后期供应链以及 AI 短剧工业化格局 混合线性注意力架构可行性获得工业级验证，可能影响 Hunyuan、可灵、Veo 等下一代视频模型的架构选择 总结：SANA-Video 2.0 证明了线性注意力并非廉价的近似，而是一条能在保留质量的同时换取数量级加速的可行路径。这一架构突破可能在 2026 年下半年引发视频生成模型架构的整体迁移，从根本上改变 AI 视频的成本曲线，让高质量视频生成进入『单卡可用』的普及阶段。 参考来源： https://arxiv.org/abs/2607.21553 https://nvlabs.github.io/Sana/Video2 https://github.com/NVlabs/Sana https://huggingface.co/papers https://www.ithome.com/0/981/137.htm