NVIDIA vydala open-source model, který vygeneruje minutové video na jednom GPU

NVIDIA vydala open-source model, který vygeneruje minutové video na jednom GPU

Výzkumný tým NVIDIA zveřejnil SANA-WM — open-source model s 2,6 miliardami parametrů, který dokáže vytvořit plynulé 60sekundové video v rozlišení 720p z jediného obrázku. A zvládne to na jednom spotřebitelském GPU za 34 sekund. Co to znamená pro firmy, které pracují s obsahem, simulacemi nebo robotikou?

Generovat video z umělé inteligence dnes umí desítky nástrojů. Většina z nich ale narazí na stejný strop: čím delší video, tím více výpočetního výkonu, tím vyšší náklady a tím více GPU je potřeba. NVIDIA se rozhodla tento problém vyřešit od základu — a výsledek uvolnila jako open-source projekt přístupný komukoli.

Co je SANA-WM a proč to není jen další video generátor

SANA-WM (zkratka pro SANA World Model) je model kategorie tzv. world modelů — systémů, které neprodukují jen pěkně vypadající vizuální obsah, ale snaží se modelovat fyziku a strukturu světa jako takového. Z jediného vstupního obrázku a zadané trajektorie kamery dokáže vygenerovat konzistentní videoklip v délce až 60 sekund při rozlišení 720p. To samo o sobě není revoluční. Revoluční je, že to zvládne na jednom spotřebitelském GPU.

Konkrétně: na kartě RTX 5090 s využitím NVFP4 kvantizace a techniky tzv. sink distilace trvá generování celé minuty videa pouhých 34 sekund. Pro srovnání — standardní H100 serverový výpočet by trval přibližně 21,8 minuty. Jde o zrychlení v řádu přibližně 38násobku.

https://noviny.ai/api/admin/images/35df07c3-fcd8-4275-a5ec-1275f8affca7/data

Technický základ: proč to dokáže to, co jiné modely neumějí

Standardní modely pro generování videa trpí zásadním problémem: paměťová a výpočetní složitost roste s délkou videa kvadraticky. U 60sekundového klipu to znamená pracovat s přibližně 961 latenčními snímky — a v tom většina architektur prostě selhá nebo potřebuje cluster serverů.

NVIDIA SANA-WM používá tzv. hybridní lineární pozornostní mechanismus s Gated DeltaNet (GDN). Místo kvadratické složitosti standardní self-attention pracuje s konstantní velikostí rekurentního stavu bez ohledu na délku videa. Zjednodušeně: model si pamatuje relevantní informace z minulosti, ale starší snímky postupně zapomíná přirozeným způsobem — stejně jako člověk.

Model rovněž obsahuje duální systém řízení kamery v 6 stupních volnosti (6-DoF). To znamená, že lze přesně definovat, jak se kamera pohybuje — dopředu, dozadu, do stran, nahoru, dolů, otáčení. Tato přesnost je klíčová pro aplikace v robotice a simulacích, kde nepřesné kamery způsobují selhání trénování agentů.

SANA-WM byl navržen od počátku pro generování minutových videí a výzkumný tým vysvětluje, že dosahuje obrazové kvality srovnatelné s průmyslovými modely velké škály, přičemž výrazně zlepšuje výpočetní efektivitu.

Tři oblasti, kde to změní pravidla hry pro české firmy

Dostupnost výkonného open-source world modelu není jen technická kuriozita. Má přímé dopady na způsob, jakým firmy pracují s vizuálním obsahem, simulacemi a vývojem produktů.

https://noviny.ai/api/admin/images/210c5dd6-a54e-4786-8e6e-93cedd333bae/data

Open source: výhoda, která mění ekonomiku nasazení

SANA-WM je dostupný přes GitHub repozitář NVLabs/Sana — zdarma, s kódem otevřeným pro výzkum i komerční nasazení. To je podstatný rozdíl oproti proprietárním nástrojům jako Sora (OpenAI) nebo Veo (Google), kde přístup závisí na čekacích listinách a cenových plánech.

Model byl natrénován za 15 až 18,5 dne na 64 GPU H100 s využitím přibližně 213 000 veřejných videoclipů s metrikovými anotacemi polohy kamery. Výzkumný tým rovněž uvolnil vlastní nástroj pro anotaci dat, který umožňuje přípravu podobných trénovacích datasetů z běžně dostupného videomateriálu.

Dvoustupňový pipeline modelu — nejprve generátor, pak refinér — zajišťuje, že výsledné video nemá vizuální artefakty ani při dlouhých sekvencích. Refinér snižuje tzv. vizuální drift (rozpad kvality v čase) ze skóre 3,79 na 1,17 na standardním testovacím setu. Výsledek je plynulé, konzistentní video, které vypadá jako natočené skutečnou kamerou.

Co to v praxi znamená: dostupnost jako rozhodující faktor

Jedním z klíčových faktorů, proč je tato zpráva relevantní i pro firmy mimo AI průmysl, je cenová dostupnost hardwaru. RTX 5090 je v současnosti nejvýkonnější spotřebitelská grafická karta na trhu — stojí přibližně 3 500 až 4 000 dolarů (nebo přibližně 80 000 Kč). Za tuto cenu získáte kompletní infrastrukturu pro generování minutových videí na lokálním hardware, bez cloudových poplatků a bez závislosti na externím poskytovateli.

Pro firmy, které dnes platí agentury za tvorbu videí v řádu desítek tisíc korun za projekt, nebo ty, které chtějí budovat vlastní AI simulační prostředí pro testování robotů, to je změna, která se může zaplatit v řádu měsíců.

SANA-WM není ideální pro všechno: vyžaduje technické znalosti pro nasazení, nepodporuje zatím generování z textového popisu (pouze z obrázku a trajektorie kamery) a optimální výsledky vyžadují výkonný hardware. Ale jako základ pro vlastní řešení — nebo jako nástroj pro výzkumné a vývojové týmy — představuje výrazný krok vpřed v dostupnosti world modelů mimo velké technologické firmy.

Zdrojový kód je dostupný na adrese github.com/NVLabs/Sana, technický popis přístupu byl zveřejněn jako preprint na arXiv pod číslem 2605.15178.