Une seule image en entrée, une minute de vidéo 720p en sortie, le tout bouclé en 34 secondes sur un RTX 5090 posé sous un bureau. NVIDIA vient de publier SANA-WM, un world model open source qui repousse sérieusement ce qu'on pensait possible en génération vidéo locale.
Un modèle qui tient dans un seul GPU grand public
Ce qui frappe d'abord, c'est la compacité. SANA-WM ne repose que sur 2,6 milliards de paramètres dans sa version distillée — loin des mastodontes qui nécessitent des clusters de GPU pour fonctionner. Pourtant, il génère des séquences vidéo de 60 secondes en 720p avec un contrôle de caméra à 6 degrés de liberté (6-DoF) : translations et rotations sur les trois axes, ce qui permet de programmer des trajectoires de caméra précises autour d'une scène reconstruite à partir d'une simple photo.
Sur un RTX 5090 en format NVFP4 (la quantification basse précision optimisée par NVIDIA), le modèle atteint un débit jusqu'à 36 fois supérieur aux modèles open source comparables tournant sur un seul GPU. En pratique : 34 secondes pour produire une minute de contenu. C'est le genre de ratio qui change l'économie d'un projet créatif — on sort du domaine de l'attente pour entrer dans celui de l'itération rapide.
Le contrôle de caméra, le vrai différenciateur
Générer de la vidéo à partir d'une image, plusieurs modèles le font déjà. Ce qui distingue SANA-WM, c'est la précision du contrôle spatial. Le système accepte un chemin de caméra défini par l'utilisateur et s'en sert pour construire une scène cohérente dans le temps : les objets gardent leur position relative, les perspectives évoluent de façon crédible, la géométrie tient sur la durée.
Ce type de contrôle 6-DoF était jusqu'ici réservé à des pipelines lourds, souvent propriétaires, nécessitant des étapes de reconstruction 3D explicite. SANA-WM intègre cette logique directement dans le modèle de diffusion, sans passer par une représentation 3D intermédiaire. C'est une approche de world model : le réseau apprend implicitement la structure du monde pour en simuler l'exploration visuelle.
Les cas d'usage sont concrets : prévisualisation architecturale à partir d'un rendu statique, création de plans-séquences pour la préprod cinéma, génération de données d'entraînement pour des systèmes de vision ou de robotique. Sur ce dernier point, NVIDIA — qui investit massivement dans la simulation physique et la robotique — a des raisons évidentes de pousser ce type de capacité.
Open source, mais avec une dépendance matérielle implicite
SANA-WM est publié en open source par les chercheurs de NVIDIA. Accès libre aux poids, au code, à la documentation. Sur le papier, c'est une contribution franche à l'écosystème de recherche, dans la lignée des modèles publiés ces dernières années par des équipes académiques et industrielles.
Mais les chiffres de performance — 34 secondes, 36x de débit — sont mesurés sur un RTX 5090, la carte graphique grand public la plus puissante du marché, commercialisée à partir de 2 000 euros. En NVFP4, un format de quantification propre à l'architecture Blackwell, le modèle tire parti de hardware très récent. Sur une RTX 4090 ou une carte plus ancienne, les résultats seront sensiblement différents, même si NVIDIA n'a pas publié de comparaison exhaustive sur d'autres configurations.
Ce n'est pas un reproche — la progression des capacités matérielles profite toujours aux modèles les plus récents — mais c'est un paramètre à garder en tête pour quiconque veut évaluer l'accessibilité réelle de l'outil. La génération vidéo locale reste coûteuse en GPU, même quand le modèle est gratuit.
Ce que ça dit de la trajectoire du secteur
Depuis dix-huit mois, la génération vidéo a franchi plusieurs paliers successifs : quelques secondes en basse résolution, puis des clips plus longs, puis l'introduction de contrôles temporels et spatiaux. SANA-WM s'inscrit dans cette progression, mais il la déplace vers le local et vers l'open source — deux axes sur lesquels les modèles propriétaires comme Sora ou Veo conservaient encore un avantage perceptible.
Le fait que ce modèle vienne de NVIDIA, dont le cœur de métier reste la vente de GPU, n'est pas anodin. Démontrer qu'un RTX 5090 permet de faire tourner un world model vidéo en temps quasi réel, c'est aussi un argument commercial. La recherche et le marketing se rejoignent ici sans se contredire : le modèle est utile, les résultats sont mesurables, et ils valorisent directement le matériel de la maison.
Pour les développeurs et les créatifs qui travaillent en local, SANA-WM représente une capacité nouvelle à explorer dès maintenant. Pour les chercheurs, les poids ouverts permettent d'affiner, d'adapter, de détourner. La vraie mesure de ce jalon se lira dans ce que la communauté en fera dans les prochains mois.
