Sana ist ein Text-zu-Bild-Framework, das hocheffizient Bilder mit einer Auflösung von bis zu 4096 × 4096 Pixel generiert. Es synthetisiert hochauflösende, qualitativ hochwertige Bilder mit extremer Geschwindigkeit und gleichzeitig starker Text-Bild-Ausrichtung. Die Anwendung ist sogar auf Laptops mit GPU möglich. Das Kernkonzept von Sana umfasst einen tiefkomprimierten Autoencoder, einen linearen Diffusions-Transformator (DiT), ein rein decoder-basiertes kleines Sprachmodell als Text-Encoder und effiziente Trainings- und Sampling-Strategien. Sana-0.6B ist im Vergleich zu modernen, großen Diffusionsmodellen 20-mal kleiner und bietet eine über 100-mal höhere Durchsatzleistung. Darüber hinaus kann Sana-0.6B auf einer 16 GB Laptop-GPU betrieben werden und erzeugt Bilder mit einer Auflösung von 1024 × 1024 Pixel in weniger als einer Sekunde. Sana ermöglicht kostengünstige Content-Erstellung.