엔비디아 월드 모델 'SANA-WM' 공개: 단일 5090서 1분 영상 34초 만에 생성

SANA-WM은 엔비디아가 발표한 26억 매개변수 규모의 오픈소스 대화형 월드 모델입니다. 정지 이미지 한 장과 텍스트 프롬프트, 그리고 키보드 방향키 조작만으로 직접 탐색할 수 있는 720p 영상을 만들어냅니다.

기존 대규모 월드 모델과 달리 1분 길이의 긴 비디오 생성을 기본적으로 겨냥해 설계되었습니다.

무엇을 할 수 있는가

시작 이미지와 프롬프트를 지정한 뒤 키보드를 누르면, 모델이 입력된 방향에 맞추어 카메라 궤적을 렌더링하며 연속된 장면을 이어붙입니다.

3인칭 시점뿐 아니라 1인칭 시점도 지원합니다. 특히 중요한 점은 장면의 일관성입니다. 카메라를 돌려 시야 밖으로 벗어났다가 다시 원래 위치를 바라보아도 배경 구조가 그대로 유지되어, 씬에 대한 장기 기억을 충실히 보존합니다.

속도와 하드웨어 효율도 뛰어납니다. 증류 변형 모델에 NVFP4 양자화를 적용하면 일반 소비자용 RTX 5090 그래픽카드 한 장에서 1분 분량의 720p 비디오를 단 34초 만에 디노이징해 생성할 수 있습니다.

기존 대형 모델인 LingBot-World 등과 대등한 시각적 품질을 내면서도 처리량을 36배 끌어올렸습니다.

어떻게 만들었으며 공개 범위는 어떠한가

Gated DeltaNet과 소프트맥스 어텐션을 결합한 하이브리드 선형 어텐션 아키텍처를 도입해 메모리 점유율을 대폭 낮췄습니다. 학습에는 카메라 포즈가 라벨링된 약 21만 3천 개의 공개 비디오 클립만을 활용해, 64대의 H100 GPU로 15일 만에 훈련을 마쳤습니다.

현재 아카이브(arXiv)에 논문이 공개되어 있으며, 공식 안내에 따르면 가중치와 코드가 곧 오픈소스로 배포될 예정입니다.

왜 중요한가

게임 개발자나 가상 시뮬레이션 환경을 구축하는 인디 창작자라면 오픈소스 공개 즉시 테스트해 볼 가치가 충분합니다. 대규모 서버 클러스터 없이 단일 그래픽카드 환경에서 인터랙티브 월드를 다룰 수 있게 되었기 때문입니다.

단순히 매개변수 크기만 늘리는 대신, 선형 어텐션 구조와 양자화 증류를 통해 소비자용 GPU에서 실시간성에 가까운 생성 속도를 뽑아냈다는 점에서 매우 영리한 기술적 접근이라고 평가할 수 있습니다.