SANA-Video 2.0：混合線形注意と注意残差による効率的なビデオ生成の実現

SANA-Video 2.0 是混合视频扩散 Transformer，包含 5B 与 14B 两种规模，公开材料称其可在单 GPU 上生成最高 720p 视频。

该模型采用 Hybrid Linear-Softmax Attention，按 3：1 比例混合线性与 softmax 注意力，并引入 Block Attention Residuals。

Aioga 判断，方案重点是在视频生成中组合不同注意力机制，并通过残差设计改善深层表示；其实际效率与生成质量仍需更多公开结果支撑。

材料称 Block Attention Residuals 可将深层有效秩提升约 12%。这可能为控制视频扩散 Transformer 的计算负担与深层表示能力提供研究参考。 值得关注后续是否披露 5B 与 14B 模型的生成速度、显存占用、质量评测和测试条件，以验证单 GPU 生成最高 720p 视频的适用范围。