Sana ist ein von NVIDIA entwickeltes Text-zu-Bild-Framework, das hocheffizient Bilder mit einer Auflösung von bis zu 4096×4096 Pixel generieren kann. Das Modell synthetisiert mit erstaunlicher Geschwindigkeit hochauflösende, qualitativ hochwertige Bilder und behält dabei eine starke Text-Bild-Ausrichtung bei. Es ist auf Laptops mit GPU einsetzbar. Sana basiert auf einem linearen Diffusions-Transformer und nutzt vorab trainierte Text-Encoder und räumlich komprimierte latente Feature-Encoder. Es unterstützt Emoji, Chinesisch, Englisch und gemischte Eingabeaufforderungen.