NVIDIA y el MIT presentaron Sana, un modelo de difusión de texto a imagen que sustituye la atención cuadrática tradicional por atención lineal profunda, permitiendo sintetizar imágenes en resolución 4K nativa con una velocidad hasta 100 veces superior.
La noticia en una frase
NVIDIA liberó los pesos abiertos de Sana en variantes de 0.6B y 1.6B parámetros, logrando generar imágenes fotorrealistas de 4096×4096 píxeles en hardware de consumo con una fracción del coste computacional de Flux o SD3.
El alcance que cambia la lectura
La síntesis visual en resoluciones ultra-altas (4K) históricamente ha estado limitada por la complejidad cuadrática de la atención estándar, obligando a emplear técnicas de super-resolución o parches fragmentados que introducen artefactos. Sana demuestra que la atención lineal profunda combinada con autoencoders de compresión profunda (DC-AE) puede generar 4K directamente en un único paso de muestreo latente.
