NVlabs ha pubblicato SANA-Video 2.0, un modello di diffusione video disponibile in due scale (5B e 14B parametri) che genera video fino a 720p su una singola GPU. Il modello usa un’architettura ibrida che combina attenzione lineare e softmax in proporzioni calibrate (3:1), mantenendo la qualità dei transformer video tradizionali ma con un costo computazionale che scala linearmente. Sulla carta, il modello 5B produce video 720p da 5 secondi in 13 secondi su una H100, risultando 120 volte più veloce di Wan 2.2-A14B sullo stesso hardware (paper pubblicato il 23 luglio 2026 su Hugging Face).

Perché ti riguarda

Se generi contenuti video con l’AI, il costo è stato finora il collo di bottiglia. I modelli video di qualità girano in cloud, con fatture che salgono in fretta a ogni secondo di filmato. Un modello che produce 720p su una GPU singola cambia l’equazione: invece di pagare un’API per ogni clip, puoi tenere il processo in locale, iterare senza guardare il contatore, e controllare cosa entra e cosa esce.

Il codice è su GitHub (NVlabs/Sana), quindi chi ha una GPU sufficientemente potente può provarlo direttamente.

Se vuoi provarci

Il repo è su github.com/NVlabs/Sana. Prima di investirci tempo, controlla quanta memoria video richiede il modello 5B e confrontala con la tua scheda: i numeri di prestazioni sono misurati su H100, una GPU da data center, non su una scheda consumer.

Nel dettaglio

Il problema dei modelli video è la lunghezza della sequenza. Un video è una lunga catena di frame, e ogni frame è fatto di migliaia di token. Il meccanismo standard (l’attenzione softmax) confronta ogni token con ogni altro, quindi il costo cresce quadraticamente: raddoppi la lunghezza del video e il costo quadruplica. È il motivo per cui generare 10 secondi di video costa molto più di 10 volte generare 1 secondo.

L’attenzione lineare risolve il problema sul costo, ma perde qualcosa in espressività: non riesce a cogliere certe interazioni fini fra token lontani. SANA-Video 2.0 usa un compromesso: per la maggior parte dei livelli usa attenzione lineare (costo lineare), ma inserisce periodicamente dei pilastri softmax (uno ogni tre layer lineari) che ripristinano la capacità di cogliere le interazioni complete. Il rapporto 3:1 è stato scelto dopo test su proxy a risoluzione ridotta, non a intuito.

Il secondo trucco tecnico sono i Block Attention Residuals: invece di ricalcolare le rappresentazioni ricche ad ogni pilastro softmax, il modello le instrada anche nei layer lineari successivi, riutilizzando il lavoro già fatto. Questo alza il rango effettivo dei layer profondi del 12%, secondo gli autori.

Tutto questo è addestrato da zero, non è una semplificazione di un modello esistente. La differenza conta: linearizzare un modello già addestrato è più economico ma degrada la qualità. Addestrare l’architettura ibrida da zero costa di più in training ma produce un modello che sa lavorare con la sua struttura fin dal principio.

I numeri di velocità sono misurati su H100, una GPU da data center che costa quanto un’auto. Il salto alla GPU consumer (le RTX serie 40 o 50 che un professionista potrebbe avere sul desktop) non è immediato né garantito. Le ottimizzazioni a stack completo (kernel fusion, caching, attenzione sparsa) sono tarate su hardware specifico. Prima di considerarlo fattibile sulla propria macchina, serve vedere i numeri reali su una RTX 4090 o 5090.

Il paragone con Wan 2.2-A14B (120 volte più lento sullo stesso H100) è suggestivo ma parziale: Wan è un modello più grande e il confronto è sul modello 5B di SANA. Il modello 14B di SANA avrebbe numeri diversi.

Il codice è aperto su GitHub, ma i pesi completi e le istruzioni di setup vanno verificati sul repo. La storia è promettente per chi genera contenuti video e vuole uscire dalla logica del pay-per-clip cloud, ma il passaggio da H100 in laboratorio a GPU consumer ha ancora dei gradini da scendere.