Lad os være ærlige. En world model, der kan spytte et helt minut i 720p ud på én GPU, har stået på mange ønskelister – også hos folk, der ikke gider bøvle med klynger. NVIDIA siger nu, at SANA‑WM kan gøre netop det. 2,6 milliarder parametre. Open‑source kodebase. Tre måder at køre inferens på én GPU, og en distilled variant, der klarer et 60 sekunders 720p‑klip på cirka 34 sekunder på en RTX 5090 med NVFP4‑kvantisering, ifølge MarkTechPost.
Hvorfor betyder det noget for virksomheder? Fordi simulering af fysiske processer, robotkontrol og planlægning ofte drukner i compute‑regninger. Flytter man en hel PoC fra en klynge til en stærk workstation, falder både prisen og ventetiden. Iterationshastigheden stiger. Ikke smukt. Bare brugbart.
Usikkerheder før vi går videre
Et par forhold skal tjekkes, inden nogen planlægger budget efter overskrifterne: licens og tilgængelige weights skal bekræftes direkte i NVlabs/Sana‑repoet. Den rapporterede 34 s‑måling er gengivet i kilden, men uden fuld opsætningsbeskrivelse – vi regner den som ubekræftet, til vi selv har reproduceret den. Træningsbudgetter, datasets og grænser for scene‑kompleksitet er heller ikke fuldt dokumenteret i det materiale, vi har set.
Hurtigt faktatjek
MarkTechPost beskriver SANA‑WM som bygget på SANA‑Video‑kodebasen og udgivet via NVlabs/Sana‑repoet. Modellen omtales som en Diffusion Transformer med 2,6 mia. parametre, trænet til at generere ét minut ved 720p med metrisk 6‑DoF kamera‑kontrol. Kilden lister tre single‑GPU inferensvarianter: en bidirectional generator til høj kvalitet offline, en chunk‑causal autoregressiv generator til sekventiel udrulning og en few‑step distilled autoregressiv variant til hurtigere drift.
Den mest opsigtsvækkende måling i artiklen er, at den distilled variant denoiser 60 sekunder i 720p på omkring 34 sekunder på en enkelt RTX 5090 med NVFP4. Arkitekturdetaljerne – Gated DeltaNet, hybrid attention og algebraisk key‑scaling – er refereret via arXiv‑linket. Vi har ikke selv reproduceret tallene endnu, og licens/weight‑status skal dobbelttjekkes i repoet.
Hvorfor det teknisk er interessant
Minutlang video ved 720p lyder ikke vildt i 2026. Sekvenslængden er til gengæld giftig. Standard softmax‑attention skalerer kvadratisk i hukommelse og compute med sekvenslængden. Med 961 latente frames for ét minut vælter budgettet hurtigt. SANA‑WM angriber netop det ved at erstatte hovedparten af attention‑blokkene med en frame‑vis Gated DeltaNet, som holder en fast, lille tilstand – uanset hvor lang sekvensen bliver.
Kort fortalt: GDN bruger et decay‑gate, der nedtoner gamle frames, og en delta‑opdatering, der kun justerer forskellen mellem modelens nuværende forudsigelse og målet. Det dæmper drift, som ellers udhuler lange videoforløb. Her er fokus per frame, ikke per token. Resultatet er mere stabilitet over lange tidsforløb og færre træningsuheld.
Arkitekturdetaljer der gør en forskel i praksis
Ryggraden interleaver ifølge materialet 15 GDN‑blokke med 5 softmax‑blokke i et 20‑lags backbone. Softmax beholdes som præcis langtids‑hukommelse dér, hvor exact recall giver mest. Dertil kommer algebraisk key‑scaling, hvor nøgler skaleres med 1/√(D·S), D er head‑dimensionen og S antallet af rumlige tokens per frame. Den detalje virker tør, men vi har set lignende opsætninger køre i hegnet uden den slags forsigtighed.
Det er her, SANA‑WM føles jordnær. Ikke et buzzwordshow, men en række valg, der forhindrer modelhavari halvvejs inde i en 60 s beregning. Vi har haft natlige jobs, der døde på step 17. Man opdager det først morgenen efter, når loggen er rød, og kaffen smager lidt mere bitter.
Tre måder at køre inferens
De tre nævnte varianter giver reel fleksibilitet:
- Bidirectional generator – højeste kvalitet, men offline. God til marketing‑visualiseringer eller reference‑sekvenser, hvor latency er ligegyldig.
- Chunk‑causal autoregressiv – ruller sekvenser ud i bidder og bevarer kronologi. Vælg den, når handlingen i frame t+1 afhænger stærkt af t, fx i kontrolsløjfer.
- Few‑step distilled autoregressiv – få iterations‑trin og dermed fart. MarkTechPost angiver 34 s til 60 s 720p på RTX 5090 med NVFP4. Velegnet til batch‑produktion og hurtige PoC‑kørsler.
Der er usikkerheder. 34 s er formentlig målt under pæne forhold. Flags, batchstørrelse, I/O‑overhead fra VAE‑pakning – alt det flytter sig. NVFP4‑kvantisering er aggressiv, og kvalitetstab kan gemme sig i bestemte scener. Det skal måles, ikke gættes.
Fire brugsscenarier vi ser nu
Fire cases vi ofte bliver spurgt til, og hvor SANA‑WM ligner et reelt værktøj:
- Robottræning i sim – generér lange forløb med kontrolleret 6‑DoF kamera for at teste grasping eller navigation. Integration: eksportér action‑sekvenser fra jeres kontrolstack, pak sensorstreams til latente frames, mål succes på fx kontakt‑stabilitet. Tradeoff: realism gap kan snyde policies, især ved små greb eller deformérbare objekter.
- Virtualisering af kunderejser – skab 60 s butiksgang‑scenarier med varierende flow og hyldeopstillinger. Integration: kobling til CRM‑events og tidsstemplet adfærdsdata. Tradeoff: 720p er fint til layout og trafik, men ikke til mikro‑læsbarhed af etiketter.
- Remote ops‑sim for anlæg – rul tænkte fejlscenarier ud i kontrolrumskameraers perspektiv. Integration: SCADA‑stubs, alarmsekvenser som actions. Tradeoff: risiko for fysisk inkonsistens i sjældne hændelser kræver manuelle sikkerhedstjek.
- Hurtig prototyping af produktionslinjer – visualisér kø‑dannelse og bufferstørrelser over et minut. Integration: MES‑data ind som konditionerende signaler, eksport til video‑review i designmøder. Tradeoff: fidelity vs. latency; nogle gange er et simpelt diskret‑event værktøj bedre.
Drift, hardware og pipeline
Det opsigtsvækkende er ikke kun farten, men flytningen fra klynge til enkelt GPU for inferens. Vi vurderer, at en RTX 5090 rækker til distilled‑varianten for PoC‑brug. Træning af en 2,6B‑model fra bunden er fortsat urealistisk for de fleste – både i penge og data. Finjustering kan komme på tale, men pas på katastrofisk glemning og domain shift. Storage‑siden er heller ikke gratis: latente frames og mellemlagrede features fylder og skal versioneres for sporbarhed.
Pipeline‑mæssigt er den konstante recurrent state en gave. Simpler memory‑styring, færre out‑of‑memory‑fejl midt i lange sekvenser. Det ændrer også, hvordan vi sætter CI op: i stedet for kun billedkvalitet skal der måles temporal coherence og fysisk konsistens over et minut. Regressionstests på sekvenslængde er lavthængende frugt.
Begrænsninger vi ikke slipper uden om
720p er et bevidst kompromis. Mange B2B‑scenarier kan leve med det, men læsbar tekst, små indikatorlys eller fin motorik bliver mudret. Scene‑diversitet er et andet åbent spørgsmål. Materialet beskriver driftreduktion, men ikke hvor langt man kan presse til crowd‑scener, væsker eller partikler. Vi har set lignende modeller være stærke i layout og kamera, men vakle ved små, hurtige interaktioner.
Hallucination og fysisk inkonsistens er reelle risici. Selv med GDN‑recurrence kan modellen bære fejl videre i mange frames. Finjustering på domænespecifikke data hjælper, men kræver ren datakæde og klare metrikker. Licens er også vigtigt: repo omtales som åbent, men præcis licens, brugsvilkår og hvilke weights der faktisk kan hentes, bør bekræftes i NVlabs‑repoet. Vi lover ikke mere, end der står sort på hvidt.
Hvornår vælger man hvilken variant
En kort taktisk tommelfingerregel, sådan som vi ville planlægge en sprint:
- Proof‑of‑concept med fokus på hurtig iteration – distilled autoregressiv, NVFP4, én GPU. Accepter lavere fidelitet, mål tid‑til‑indsigt.
- Kontrolsløjfer eller sekventiel rollout med stærk afhængighed fra t til t+1 – chunk‑causal. Bedre for drift over tid, lidt langsommere.
- Endelig rendering og show‑and‑tell til ledelse – bidirectional. Ventetid er ok, kvalitet er vigtigst.
Hvor meget de tre varianter adskiller sig i meget dynamiske scener, må måles per case. Ingen genveje.
Få det i spil i projekter
Fem kedelige, men nødvendige skridt, vi næsten altid ender med:
- Definér et fysisk mål der kan måles. Ikke bare flot video. Eksempel: robotgrebs stabilitet over 60 s.
- Strukturér data som latente frames og kamera‑trajektorier. 6‑DoF skal udnyttes, ellers kører man i blinde.
- Opsæt kvantitative metrikker i CI: temporal PSNR/LPIPS, cam‑konsistens, simple fysikchecks.
- Planlæg compute som batch‑service. Realtime kan være muligt i snævre tilfælde, men kræver tung engineering.
- Læg en governance‑ramme for genererede scener. Hvad må vises, hvor lagres latenter, hvem godkender.
Små detaljer gør en forskel. I vores R&D‑rum står en 5090‑kasse under bordet. Når blæserkurven rammer, får man en lav, konstant susen som et tog langt væk. En lille akustisk påmindelse om strømforbruget – nyttig, når man lover chefen, at “det her kører på én GPU”.
Et lille praksisglimt
I en anonymiseret PoC for en logistikkunde testede vi en SANA‑Video‑inspireret pipeline tidligere på året. Vi fik stærk kameraføring og layout af gangarealer, hyldeafstand, rytme i bevægelser. Men fine interaktioner – en hånd der lige retter en kasse, små kollisionsdetaljer – var svagere. Det overraskede os ikke, men mindede os om at vælge metrikker klogt. Hvis målet er kø‑dannelse og gennemstrømning, er 720p med lang horisont guld værd. Hvis målet er præcis fingerdynamik, må man supplere eller gå op i fidelity.
Infra‑estimatet vi landede på i den case: én 5090 til inferens og eksperimenter var nok, men vi brugte cirka 2–4× ekstra GPU‑tid på hyperparameter‑tuning, datapakning og små retrials. Ikke glamourøst. Realistisk.
Markeds‑ og infrastrukturkontekst
Der er en understrøm her. VentureBeats dækning af chipkapløbet peger på, at infrastruktur bevæger sig i flere specialiserede retninger. Alligevel er single‑GPU‑scenarier vigtige, fordi de sænker barrieren for eksperimenter i almindelige organisationer. Man kan komme i gang på kontoret uden at stå i sky‑kø. Den slags skubber adoption.
Det interessante er, at SANA‑WM ikke lover mirakler, men balancerer arkitekturvalg, så memory‑kurven ikke eksploderer. Gevinsten ligger ofte dér. Ikke i slides, men i fraværet af NaN.
Metode og kilder
Vi har krydstjekket de centrale påstande mod MarkTechPost og det tilknyttede arXiv‑link. De dokumenterbare facts, vi læner os op ad, er: 2,6 mia. parametre, 60 s ved 720p som træningsmål, tre single‑GPU inferensvarianter, GDN‑baseret hybridarkitektur med 15/5‑interleaving, algebraisk key‑scaling 1/√(D·S), metrisk 6‑DoF kamera‑kontrol samt den angivne 34 s denoising på RTX 5090 ved NVFP4. Vi henviser også til NVlabs/Sana‑GitHub for kode og licens, som bør læses direkte for brugsvilkår. VentureBeat bruges kun som kontekst for infrastrukturtrenden.
Hvad vi selv vil efterprøve: 34 s‑tallet på vores egen 5090‑rig, følsomhed over for batch‑størrelser og I/O, samt kvalitetstab ved NVFP4 på scener med små objekter. Vi forventer variation – det gør man næsten altid i praksis.
En sidste bemærkning
Det, der overraskede os mest, er hvor pragmatisk arkitekturen er. Ingen store trylletricks, bare kloge valg for at holde lange sekvenser stabile. Det, der skuffer, er manglen på hårde sammenligninger mod stærke open‑source baselines. Vi tager hellere en model, der ikke går i stykker på step 17, end en flot kurve. Forskellen mærker man først, når man sidder med det i hænderne.
