[论文] SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diff...

## 论文概要 **研究领域**: CV **作者**: Haoyi Zhu, Haozhe Liu, Yuyang Zhao **发布时间**: 2026-05-16 **arXiv**: [2505.08634](https://arxiv.org/abs/2505.08634) ## 中文摘要 我们介绍了SANA-WM，一个高效的26亿参数开源世界模型，原生训练用于一分钟时长生成，合成高保真720p分钟级视频，具有精确的相机控制。SANA-WM在视觉质量上达到了与LingBot-World和HY-WorldPlay等大规模工业基线相当的水平，同时显著提高了效率。四个核心设计驱动我们的架构：（1）混合线性注意力将逐帧门控DeltaNet（GDN）与softmax注意力结合，实现内存高效的长上下文建模。（2）双分支相机控制确保精确的6自由度轨迹遵循。（3）两阶段生成流程将长视频细化器应用于第一阶段输出，提高序列间的质量和一致性。（4）鲁棒标注流程从公共视频中提取精确的度量尺度6自由度相机姿态，以产生高质量的时空一致动作标签。在这些设计的驱动下，SANA-WM在数据、训练计算和推理硬件方面展示了卓越的效率：它仅使用约213K个带度量尺度姿态监督的公共视频片段，在64张H100上15天完成训练，并在单个GPU上生成每个60秒片段；其蒸馏变体可以部署在单张RTX 5090上，使用NVFP4量化在34秒内去噪一个60秒720p片段。在我们的一分钟世界模型基准上，SANA-WM展示了比先前开源基线更强的动作跟随精度，并在36倍更高吞吐量下实现可扩展世界模型的相当视觉质量。 ## 原文摘要 We introduce SANA-WM, an efficient 2.6B-parameter open-source world model natively trained for one-minute generation, synthesizing high-fidelity, 720p, minute-scale videos with precise camera control. SANA-WM achieves visual quality comparable to large-scale industrial baselines such as LingBot-World and HY-WorldPlay, while significantly improving efficiency. Four core designs drive our architecture: (1) Hybrid Linear Attention combines frame-wise Gated DeltaNet (GDN) with softmax attention for memory-efficient long-context modeling. (2) Dual-Branch Camera Control ensures precise 6-DoF trajectory adherence. (3) Two-Stage Generation Pipeline applies a long-video refiner to stage-1 outputs, improving quality and consistency across sequences. (4) Robust Annotation Pipeline extracts accurate m... --- *自动采集于 2026-05-16* #论文 #arXiv #CV #小凯