在文本生成图像技术领域，计算成本随模型规模扩大而飙升的难题亟待解决。英伟达携手MIT、清华、北大等机构研究人员推出的SANA1.5，作为高效可扩展的线性扩散Transformer，带来了创新性突破。
SANA1.5聚焦可扩展性与降低训练成本两大关键问题，提出三项核心创新。首先是高效的模型增长策略，能使SANA从1.6B扩展到4.8B参数，显著减少计算资源消耗，还结合了内存节省的8位优化器。这种策略通过有策略地初始化额外模块，保留小模型先验知识，减少60%训练时间。
其次，引入模型深度剪枝技术。通过分析块的重要性，识别并保留关键块实现高效压缩，再经微调快速恢复模型质量，实现灵活配置。
再者，提出推理期间扩展策略。引入重复采样策略，借助基于视觉语言模型的选择机制，将GenEval分数从0.72提升至0.80，使小模型达到大模型生成质量。
在模型增长方面，研究者探索三种初始化策略后选定部分保留初始化方法，该方法让预训练层与新增层协同，训练动态表现稳定。
模型剪枝上，受Minitron启发，通过输入输出相似性分析块的重要性进行剪枝，剪枝后微调可弥补信息损失，1.6B参数模型经剪枝微调后达到与4.8B相近质量。
推理时扩展中，增加采样次数配合视觉语言模型筛选，提升生成图像与文本提示的匹配度。
此外，CAME-8bit优化器相比AdamW-32bit减少约8倍内存使用，单GPU微调场景中优势明显，如RTX 4090就能微调SANA 4.8B。
评估结果显示，SANA1.5训练收敛速度快2.5倍，在GenEval基准测试中性能先进。模型增长使各项指标提升，模型剪枝以低成本获高分，推理时扩展提升准确率。
此前的SANA框架也独具优势，其深度压缩自动编码器、线性DiT、仅解码文本编码器以及高效训练与采样策略，让生成图像高质量、低运行要求，降低内容创作成本。
