NVIDIAは、オープンソースの世界モデル「SANA-WM」をNVlabs/SanaのGitHubで公開しました。
このモデルは、入力画像とカメラ軌道から、60秒・720pの動画を生成することを目的としています。
従来の世界モデルは長尺生成で計算量やメモリが膨らみ、多数GPUが必要になる場合がありました。
SANA-WMは、2.6Bパラメータの拡散トランスフォーマ（DiT）をベースに、60秒生成を前提として学習されています。
推論は単一GPUで動作する3種類の方式を用意し、蒸留版ではRTX 5090上で60秒の720pクリップを34秒でノイズ除去できるとしています。
生成品質とカメラ追従性を高めるため、フレーム単位のGated DeltaNet（GDN）とソフトマックス注意を組み合わせています。
また、6自由度カメラ制御には、潜在フレーム向けのUCPEと、原画像フレーム向けのPlücker混合の二つの枝を採用しました。
さらに、長時間の構造アーティファクトを抑える二段階のリファイナーを導入し、3段階のEulerデノイジングで改善する仕組みです。
専用ベンチマークでは、リファイナー込みでカメラ誤差やVBenchスコアを競合より高い水準で示し、8台H100での処理速度はLingBot-World比で36倍と報告されています。
学習は64台のH100で約18.5日かけ、メートルスケールの6DoFポーズ注釈を含む212,975クリップを用いたとしています。
参照元：2026/05/16 「NVIDIA Introduces SANA-WM: A 2.6B-Parameter Open-Source World Model That Generates Minute-Scale 720p Video on a Single GPU」 https://www.marktechpost.com/2026/05/16/nvidia-introduces-sana-wm-a-2-6b-parameter-open-source-world-model-that-generates-minute-scale-720p-video-on-a-single-gpu/
この記事へのリアクション
このニュースをどう受け止めましたか？
コメント