Hy-Nomas: Was Tencent mit seinem frei formbaren interaktiven Weltmodell tatsächlich macht

Das Nützlichste, was man über Hy-Nomas verstehen sollte, ist, dass es kein Video erzeugt. Es erzeugt die nächsten vier Sekunden eines Videos, zeigt sie dir, wartet auf deine Anweisung und erzeugt dann die vier Sekunden danach – wobei es alles, was es bereits gerendert hat, in einem Cache mitführt, sodass die Straßenecke, an der du vor zwei Minuten abgebogen bist, immer noch dasselbe Geschäft hat. Tencent Hunyuan veröffentlichte zwischen dem 21. und 23. Oktober 2026 die Gewichte, den Inferenzcode, eine Fine-Tuning-Pipeline, einen Benchmark mit 280 Fällen und eine Browser-Demo unter Apache 2.0 – ohne Ankündigungsbeitrag und ohne Benchmark-Ergebnisse. Die Galerie der Modellkarte selbst enthält einen sechzigsekündigen Clip mit fünf Turns namens clockwork-flight; dieser Clip erklärt das Produkt besser als sowohl das Repository als auch das noch nicht veröffentlichte Paper.

Im Folgenden geht es darum, was tatsächlich veröffentlicht wurde, wie der interaktive Loop aufgebaut ist und um die eine Zahl, die das Release nicht enthält. Der Text stützt sich auf das Repository, die Model Card und die veröffentlichten Konfigurationsdateien – nicht auf einen praktischen Testlauf, denn Stand 24. Oktober gibt es keine Drittanbieter-Evaluierung von Hy-Nomas, die zitiert werden könnte.

Vier Artefakte, von denen nur eines ein Modell ist

Tencent hat ein Bundle veröffentlicht, und das Bundle ist die eigentliche Geschichte. Das erste Artefakt ist das Checkpoint-Set auf Hugging Face, insgesamt rund 196 GB, verteilt auf den autoregressiven Basis-DiT, einen destillierten DiT, einen INT8-Build, den DCAE-V-Video-Autoencoder, einen feinabgestimmten PixelUMM-Decoder in FP32 und FP8 sowie den Nomas-PE-Prompt-Enhancer. Das zweite ist das GitHub-Repository: ein Inferenz-Harness, ein Captioning-Harness zum Erstellen von Fine-Tuning-Daten, Offline-Sequenz-Packing, ein LoRA-Trainer und ein Merge-Skript. Das dritte ist Hy-Nomas-Bench, ein Evaluierungsset mit 280 Fällen in vier Tracks mit etwa 220 Referenz-Kameratrajektorien. Das vierte ist die Demo unter hy-nomas.hy.tencent.com, wo man sich mit WASD oder per Mausziehen durch eine generierte Szene bewegt.

Diese Kombination ist für die Veröffentlichung eines Weltmodells ungewöhnlich. Die meisten veröffentlichen ein Paper und eine Galerie. Tencent veröffentlichte die Maschinerie und ließ die Evaluierung leer. Wenn du wissen willst, ob Hy-Nomas gut ist, kannst du es jetzt selbst herausfinden; die Antwort kannst du noch nicht lesen.

Die Schleife: ein Segment nach dem anderen, wobei die Vergangenheit im Cache gehalten wird

Hy-Nomas ist ein segment-autoregressiver Diffusions-Transformer. Er rendert einen kurzen Videoabschnitt, hängt ihn an die Sitzung an und konditioniert den nächsten Abschnitt auf einen lebenslangen KV-Cache, der die früheren Latents sowie deren Keys und Values enthält. Deshalb kann das Modell eine Szene über mehrere Turns hinweg konsistent halten, ohne ein separates Speichermodul oder einen Retrieval-Schritt: Die Historie befindet sich im Attention-Kontext und wächst.

Die zugrunde liegende Architektur ist ein 54-Block-Dual-Stream-MMDiT mit Hidden Size 2.048, 16 Attention-Heads und 3D-Rotations-Positions-Embeddings. Der Text wird von Qwen2.5-VL-7B-Instruct kodiert. Kameraextrinsiken fließen über Cross-Attention ein, statt in den Text-Prompt eingebacken zu werden, was für die unten folgende Control-Story wichtig ist. Tencent gibt keine Parameteranzahl an; der FP32-Checkpoint ist 34,2 GB groß, was grob 8,5 Milliarden Parameter impliziert, wenn man 32-Bit-Speicherung und keinen Optimizer-Zustand annimmt — Arithmetik, keine Herstellerangabe, und eher als Schätzung denn als Spezifikation zu behandeln.

• Ausgabe — 720 × 1280 bei 24 FPS, wobei sich die Angabe „24 FPS“ auf die Wiedergabe bezieht, nicht auf die Generierungsgeschwindigkeit

• Entrauschen — 8 Schritte in der destillierten Konfiguration; der Code akzeptiert 4, 6 oder 8

• Latents — 32-Kanal-DCAE-V, dekodiert durch einen feinabgestimmten PixelUMM-Decoder; ein FP8-Decoder wird bereitgestellt

• Kontext — ein lebenslanger KV-Cache, der über Segmente hinweg mitgeführt wird, kein festes Fenster, das zurückgesetzt wird

Zwei Lenkräder, und nur eines davon ist ein Prompt.

Der Textkanal ist frei formuliert und mehrzügig. Sie können ein Objekt hinzufügen, das Wetter ändern, die Szene umgestalten oder eine Aktion beschreiben, und die Anweisung gilt ab dem nächsten Segment, statt dass das Vorherige neu gerendert wird. Die eigene Formulierung des Repositorys lautet „frei formulierte, mehrzügige Text-Prompt-Steuerung“ – der Punkt ist, dass der Prompt keine einmalige Beschriftung für einen Clip ist, sondern ein Zug in einem Gespräch mit der Welt.

Der Kamerakanal ist der interessantere, weil er keine Sprache ist. Man gibt eine Trajektorie von Kamera-Extrinsics an, und das Modell rendert die Welt aus dieser Bahn, während der Text-Prompt weiterhin beschreibt, was darin enthalten ist. Text und Kamera können zusammen verwendet werden: ein Prompt, der „der Markt schließt“ sagt, und eine Trajektorie, die den Gang entlanggeht, sind zwei separate Eingaben, die sich zusammensetzen. Das ist der konkrete Unterschied zwischen Hy-Nomas und einem Text-to-Video-Modell. Ein Text-to-Video-Modell leitet eine Kamerabewegung aus Prosa ab und hofft; Hy-Nomas wird gesagt, wohin die Kamera geht.

Es gibt eine dritte, unauffälligere Steuerung: Nomas-PE, einen Online-Prompt-Enhancer, der eine knappe Anweisung in etwas umschreibt, auf das das Modell effektiver konditioniert. Er ist optional, und er ist die Art von Komponente, die einem verrät, wo die Fehlermodi liegen – wenn das Basismodell einen Fünf-Wort-Prompt gut verarbeiten könnte, gäbe es den Enhancer nicht.

Das Feature, über das niemand spricht: ein Domain-LoRA in 2.000 Schritten

Zwei Adapter werden mit dem Release ausgeliefert. Das Cinematic LoRA wird mit dem destillierten DiT zusammengeführt, um die visuelle Qualität zu verbessern. Das Robotics LoRA wurde auf dem RealSource-World-Roboterarm-Datensatz trainiert und wird mit demselben destillierten Checkpoint zusammengeführt, um Manipulationsszenen zu verbessern. Tencent dokumentiert das Rezept: Rang und Alpha 256, kein Dropout, Muon mit einer konstanten Lernrate von 1e-4 über 2.000 Schritte, wobei nur die LoRA-Parameter trainiert werden, unter Verwendung einer Technik namens Segment Forcing und anschließendem Zusammenführen des Adapters mit den destillierten Gewichten für die Inferenz.

Dies ist der Teil mit der längsten Halbwertszeit. Eine 2.000-Schritte-Anpassung auf eine einzelne Domäne ist billig genug, dass ein Studio mit einem eigenen Look, ein Robotiklabor mit eigenem Arm oder ein Spielteam mit einer bestimmten Art Direction das Modell spezialisieren kann, ohne die Basisgewichte anzutasten. Es verleiht der Veröffentlichung außerdem eine plausible Community-Trajektorie, die ein geschlossenes Modell nicht haben kann: Erwarten Sie, dass die interessanten Hy-Nomas-Ergebnisse im kommenden Monat aus LoRA-Merges stammen, nicht aus dem Basis-Checkpoint.

Was der Betrieb kostet: acht GPUs oder eine 4090 mit Abstrichen

Der Standardpfad sind acht GPUs mit achtfacher Sequenzparallelität. Der Low-Memory-Pfad ist der, der für Schlagzeilen gesorgt hat: eine einzelne RTX 4090, mit INT8-DiT-Gewichten und einem INT8-KV-Cache, einer Sliding-Window-Begrenzung des Verlaufs, CPU-Offload, FlexAttention für das DiT und CUTLASS FP8 für die Dekodierung, bei deaktivierter Sequenzparallelität. Tencent warnt, dass CPU-Offload ausreichend System-RAM erfordert und zusätzlichen Übertragungsaufwand mit sich bringt, was eine höfliche Art ist zu sagen, dass der Single-GPU-Modus real, aber nicht kostenlos ist.

Der Downloadumfang unterscheidet sich ebenfalls je nach Pfad. Die dokumentierte Demo-Route zieht etwa 86 GB; die Low-Memory-Route benötigt rund 38 GB plus den Text-Encoder. Keines von beiden ist ein Laptop-Download, und keines von beiden kommt mit einem gehosteten Endpunkt. Es gibt keine API, keinen Preis pro Sekunde und keinen Managed Service von Tencent für Hy-Nomas — entweder man betreibt es selbst, oder man nutzt es nicht.

• Standard-Bereitstellung — 8 GPUs, 8-fache Sequenzparallelität; das Trainingsbeispiel verwendet 128 GPUs als 16 datenparallele Replikate × 8 sequenzparallel

• Single-GPU-Serving — RTX 4090 mit INT8-DiT, INT8-KV-Cache, FP8-Decoder, Sliding-Window-Verlauf und CPU-Offload

• Speicherbedarf — etwa 196 GB für das vollständige Checkpoint-Set, 86 GB für den dokumentierten Demo-Pfad, 38 GB plus Textencoder für speicherarme Umgebungen

• Kosten — es gibt keine Anbieterpreise; die Kosten sind Ihre GPU-Stunden

Wenn Sie auf einem Open-Weights-Modell wie diesem aufbauen, brauchen die Teile, die nicht das Modell sind, trotzdem einen Stack: Captioning, Prompt-Verbesserung, Evaluations-Harnesses und das LLM, das in der Agentenschleife sitzt und die nächste Anweisung bestimmt. Genau in dieser Ebene spielt eine einzige API ihre Stärke aus – OrcaRouter stellt 200+ gehostete Modelle hinter einem Schlüssel zu 0 % Aufschlagbereit, gibt die Listenpreise der Anbieter unverändert weiter und wechselt automatisch auf einen anderen Anbieter, wenn einer schlechter wird, sodass die Orchestrierung rund um ein selbst gehostetes Weltmodell keinen zweiten Vertrag für jeden Hilfsaufruf braucht. Hy-Nomas selbst ist nicht in unserem Katalog; die Gewichte gehören dem Anbieter, und wir werden nicht so tun, als wäre es anders.

Die fehlende Zahl

Hy-Nomas-Bench ist real. Es umfasst 280 Fälle in vier Tracks – Multi-Turn-Textsteuerung, Kameranavigation, verschränkte Text- und Kamerasteuerung sowie räumliches Gedächtnis – und etwa 220 referenzielle Kameratrajektorien. Was ihm fehlt, ist eine Ergebnistabelle. Das Repository verlinkt den Datensatz; die Datensatzseite enthält keine Scores; der Link zum technischen Bericht führt ins Leere, und in der README steht „Coming Soon“. Die Model Card von Tencent beschreibt Architektur und Sampling-Standardwerte, und dabei handelt es sich um Konfigurationsdetails und nicht um Benchmark-Ergebnisse.

Dass diese Angabe fehlt, ist kein Skandal, aber es verändert, was ein fairer Satz über dieses Modell aussagen kann. „Hy-Nomas erzeugt 720 × 1280 Video bei 24 FPS mit acht Denoising-Schritten“ ist eine Spezifikation, die sich aus der Konfiguration überprüfen lässt. „Hy-Nomas wahrt die Konsistenz über lange Zeiträume“ ist eine Design-Behauptung, gestützt auf einen Demo-Clip, kein gemessenes Ergebnis. „Hy-Nomas schlägt Modell X“ ist keine Behauptung, die derzeit jemand aufstellen kann, weil keine der beiden Seiten dieses Vergleichs eine veröffentlichte Zahl für denselben Test hat.

Die ehrliche Einschätzung drei Tage, nachdem die Gewichte aufgetaucht sind, lautet: Hy-Nomas ist eine gut dokumentierte Veröffentlichung von Fähigkeiten mit einer nicht evaluierten Qualitätsbehauptung. Die Dokumentation ist gut genug, um Hy-Nomas nachzubauen. Die Evaluation ist gut genug, um sie selbst durchzuführen. Das Urteil fehlt, und es fehlt absichtlich oder aus Eile – so oder so steht es uns nicht zu, es zu erfinden.

Was zu beobachten ist und was jetzt zu tun ist

Drei Dinge würden das Bild verändern. Ein technischer Bericht mit tatsächlichen Zahlen würde Hy-Nomas von einer Behauptung zu einer Baseline machen. Eine LoRA-Welle aus der Community würde zeigen, ob das 2.000-Schritte-Anpassungsrezept außerhalb der eigenen Beispiele von Tencent funktioniert. Und eine Reproduktion auf einer einzelnen 4090 – keine Demo, ein gemessener Lauf – würde zeigen, ob der Low-Memory-Pfad nutzbar oder bloß möglich ist.

Bis dahin ist die vernünftige Art, dieses Release zu lesen, nach Artefakten, nicht nach Schlagzeilen. Die Gewichte sind offen, der Code läuft, der Benchmark ist eine Hülle, und die Demo ist ein Gespräch über fünf Züge mit einer Welt, die sich erinnert. Das ist mehr, als die meisten Labore diesen Monat ausgeliefert haben, und weniger, als eine Benchmark-Tabelle beweisen würde. Wenn Sie die GPUs haben und eine Domäne, die einen eigenen Blick braucht, ist das LoRA-Rezept der Grund, es heute herunterzuladen. Wenn Sie eine Zahl brauchen, bevor Sie sich festlegen, gibt es die Zahl noch nicht.