Sana é uma estrutura de geração de imagem a partir de texto desenvolvida pela NVIDIA, capaz de gerar imagens de alta resolução, até 4096×4096 pixels, de forma eficiente. Sana destaca-se por sua velocidade, forte alinhamento texto-imagem e possibilidade de implantação em GPUs de laptops. O modelo é baseado em transformadores de difusão linear, utilizando um codificador de texto pré-treinado e um codificador de características latentes com compactação espacial, representando o estado da arte em geração de imagens a partir de texto. As principais vantagens do Sana incluem a geração de imagens em alta resolução, síntese rápida, implantação em GPUs de laptops e código aberto, tornando-o valioso para pesquisa e aplicações práticas.