NVIDIA wydała SANA-WM, otwartoźródłowy model do generowania wideo, który tworzy 60-sekundowe filmy w rozdzielczości 720p w 34 sekundy na jednej karcie RTX 5090. Model ma 2,6 miliarda parametrów i celuje w rynek robotyki oraz embodied AI, czyli systemów działających w fizycznym świecie, a nie tylko w pikselach na ekranie.
Architektura SANA-WM łączy 15 bloków Gated DeltaNet (GDN) z 5 blokami klasycznej uwagi. To hybryda, która ogranicza koszt obliczeniowy w porównaniu z czystą architekturą transformerową, jednocześnie zachowując jakość obrazu. Dzięki kwantyzacji NVFP4 model osiąga 22 wygenerowane filmy na godzinę przy 8 kartach H100, podczas gdy większe modele konkurencji generują w tym czasie zaledwie jeden. Na wejściu otrzymuje pojedynczy obraz oraz zadaną trajektorię ruchu kamery; na wyjściu zwraca film odzwierciedlający założoną ścieżkę.
Według NVIDII SANA-WM osiąga niższe błędy rotacji i translacji od większych systemów world models takich jak LingBot-World czy HY-WorldPlay, przy kontroli w sześciu stopniach swobody (6-DoF). To istotne, bo robotyka i systemy autonomiczne potrzebują nie tylko poprawnego obrazu, ale wiarygodnej fizyki sceny: gdzie znajdzie się obiekt po obrocie i przesunięciu punktu widzenia. Model trafił do społeczności na licencji open-source, co otwiera drogę zarówno badaczom, jak i firmom komercyjnym do budowy symulatorów oraz syntetycznych danych treningowych dla robotów.
Co to znaczy dla polskich firm
Pojawienie się mocnego, otwartego modelu obniża próg wejścia dla firm pracujących nad robotyką, analizą wizyjną czy autonomicznymi pojazdami. Zamiast wynajmować klaster GPU pod komercyjny model wideo, zespół badawczo-rozwojowy może uruchomić SANA-WM lokalnie i wygenerować dane treningowe dla własnych agentów fizycznych. Synteza takich danych omija wąskie gardła klasycznego pipelinu: zbieranie nagrań z prawdziwych kamer i ręczną anotację. To także sygnał, że frontier AI rozszerza się z obszaru kreatywnego, gdzie dominują Sora, Runway czy Veo, na zastosowania przemysłowe. Polski przemysł 4.0 oraz sektor logistyki i robotyki mogą wykorzystać tę przewagę otwartego stosu szybciej niż amerykańskie korporacje uzależnione od zamkniętych modeli.
Źródło: AI Sight: NVIDIA przełamuje barierę minuty — SANA-WM generuje wideo wysokiej rozdzielczości, 17 maja 2026.
