Hy-Nomas: Tencent hat ein interaktives Weltmodell als Open Source veröffentlicht und kein Wort darüber verloren

Tencent hat heute Morgen die Evaluationssuite und die Gewichte für Hy-Nomas live gestellt und bis zum Ende des Tages noch keine einzige Punktzahl aus einem der beiden veröffentlicht. Das ist bezeichnend für diese Veröffentlichung. Hy-Nomas ist ein Video-Weltmodell, das man mit Textanweisungen und Kamerabewegungen steuert, Segment für Segment, und seine Gewichte wurden heute, am 23. Oktober 2026, um 11:18 UTC auf Hugging Face hochgeladen: ein Commit mit 196 GB Apache-2.0-Checkpoints, zusammen mit einem Code-Repository, das am selben Morgen um 09:01 gepusht wurde, und einer spielbaren Demo. Zwei Tage zuvor existierten beide Repositories und waren leer. Es gibt keinen Blogbeitrag, keinen arXiv-Eintrag, und das Badge „Technical Report (Coming Soon)“ auf der Modellkarte verweist auf eine Datei, die 404 zurückgibt. Stunden nach dem Upload zeigt die Modellseite null Likes und null Downloads, und das einzige Anzeichen dafür, dass jemand etwas bemerkt hat, ist das GitHub-Repository: acht Sterne, ein Commit, keine Beschreibung.

Die ehrliche Einordnung lautet also nicht: „Tencent hat ein Weltmodell veröffentlicht.“ Sie lautet: Tencent hat die Gewichte, den Trainings- und Inferenzcode, einen Benchmark und eine Demo-Website veröffentlicht und bislang kein Wort darüber verloren, welche Werte dabei erzielt werden. Alles Folgende ist entweder ein Zeitstempel oder eine Dateigröße, die man selbst überprüfen kann, eine Zahl, die Tencent auf seine eigene Karte getippt hat, oder eine Stelle, an der die Karte auffällig schweigt. Die drei Kategorien werden bewusst getrennt gehalten, denn bei einer Veröffentlichung wie dieser trägt das Schweigen ebenso viel Information wie die Spezifikationen.

Was tatsächlich ankam, auf die Stunde genau

Die Artefakte sind leicht zu datieren, weil es so wenige davon gibt und keines stark bearbeitet wurde.

• Das Modell-Repository tencent/Hy-Nomas wurde am 2026-10-21 um 02:17:37 UTC auf Hugging Face erstellt und blieb leer, bis sein einziger Commit am 2026-10-23 um 11:18:04 UTC einging. Dieser Commit umfasst 196,4 GB verteilt auf 46 Dateien: zwei fp32-DiT-Checkpoints mit je 34,2 GB, ein INT8-DiT mit 9,06 GB, zwei LoRA-Adapter, einen PixelUMM-Decoder mit 31,55 GB, sein FP8-Pendant mit 9,13 GB, einen DCAE-V-Autoencoder mit 4,28 GB, ein aus 18 Shards bestehendes Prompt-Enhancement-Modell mit insgesamt 55,6 GB sowie das übliche Tokenizer- und Konfigurationszubehör.

• Das Code-Repository Tencent-Hunyuan/Hy-Nomas wurde 47 Minuten später um 03:04:54 UTC erstellt, wobei das Beschreibungsfeld leer blieb. Sein einziger Commit wurde am 21. Oktober verfasst, aber erst heute um 09:01:42 UTC gepusht. Das Repository zeigt weiterhin einen Commit und keine Releases und enthält den Trainingscode, Inferenzskripte, ein Docker-Image und eine Anleitung zur Bereitstellung einer Web-Demo.

• Der Benchmark-Datensatz tencent/Hy-Nomas-Bench wurde am 2026-10-22 um 05:18:20 UTC erstellt und erhielt heute um 09:10:51 UTC seinen einzigen Commit.

• Die Demo unter hy-nomas.hy.tencent.com antwortet mit HTTP 200 und einem Seitentitel. Sie ist der einzige Teil dieser Veröffentlichung, der sich an Personen außerhalb einer Forschungsgruppe richtet.

Die Ruhe ist eine Eigenheit dieses Modells, nicht von Tencent. Die eigene Hugging-Face-Organisation des Unternehmens ist gut beschäftigt: tencent/Hy4-preview von Ende August hat 513 Likes und rund 18.400 Downloads, und tencent/Hy-Memory-30B-A3B vom 15. Oktober hat 297 Likes und etwa 3.300 Downloads innerhalb von acht Tagen. Hy-Nomas, im selben Zeitraum hochgeladen und deutlich größer, hat nichts davon. Was auch immer die internen Gründe sein mögen: Dies ist kein Launch, der schlecht lief. Es ist ein Launch, der gar nicht erst versucht wurde.

Was Hy-Nomas leistet, was ein Text-zu-Video-Modell nicht leistet

Die Unterscheidung ist wichtiger als die Parameterzahlen, denn sie ist der eigentliche Grund, sich überhaupt für die Veröffentlichung zu interessieren. Ein gewöhnliches Text-zu-Video-Modell nimmt einen Prompt und liefert einen Clip; wenn man etwas anderes möchte, fängt man von vorn an und bekommt einen unzusammenhängenden Clip. Hy-Nomas erzeugt eine Welt als Kette von Segmenten und behält seine eigene Historie.

Konkret beschreibt die Karte vier Dinge, die gleichzeitig geschehen. Jedes Segment erhält seinen eigenen Prompt, sodass du ein Objekt einführen, den Stil ändern, die Umgebung verändern oder eine Aktion mitten in der Generierung beschreiben kannst, statt sie vorab zu beschreiben. Ein persistenter Key/Value-Cache trägt die generierte Historie vorwärts, sodass ein späteres Segment auf dem bereits Erzeugten konditioniert wird, statt von Grund auf neu erfunden zu werden. Kamerabewegung ist ein separater Konditionierungspfad und nicht etwas, das du in Prosa beschreibst: Du lieferst Kamera-zu-Welt-Matrizen und Intrinsics, und das Modell berücksichtigt sie in jedem Block. Und weil Segmente autoregressiv generiert werden, kann die Welt sich immer weiter erstrecken, solange du ihr weiterhin Anweisungen gibst.

Das Prompt-Format zeigt, wie wörtlich das zu nehmen ist. Die Offline-Inferenz nimmt eine JSON-Liste entgegen, in der jeder Eintrag einen Stil, eine Perspektive, eine Subjektliste und dann zeitlich getaktete Segmente enthält – eine Start- und Endzeit, eine ausführliche visuelle Beschreibung sowie enthaltene Aktionen mit eigenen Zeitstempeln. Das erste Segment etabliert die Welt; spätere Segmente verwenden ein description_change-Feld, um anzugeben, wie sie sich entwickeln soll. Das mitgelieferte Beispiel errichtet einen leuchtenden Wald um einen kleinen orangefarbenen Fuchs und öffnet dann zum Zwei-Sekunden-Zeitpunkt leuchtende blaue Blumen neben seinem Pfad.

Eine Zahl auf der Karte kann leicht falsch gelesen werden, und die Karte selbst weist darauf hin: Die Angabe von 24 FPS ist die Wiedergaberate des Ausgabevideos, nicht die Generierungsgeschwindigkeit. Wie schnell das Modell tatsächlich läuft, hängt von der Hardware, der Auflösung, der Segmentlänge und davon ab, wie viel Historie im Cache liegt. Tencent sagt das direkt. In einer Veröffentlichung ohne veröffentlichte Latenz und ohne veröffentlichte Scores ist das die einzige ehrliche Lesart der Zahl.

Das Datenblatt, das die Karte durchaus liefert

Tencent ist ungewöhnlich präzise, was die Architektur betrifft – und genau das lässt die fehlenden Ergebnisse so pointiert wirken.

• Backbone — 54 Dual-Stream-MMDiT-Blöcke und null Single-Stream-Blöcke, gemäß der Inferenzkonfiguration.

• Breite — Hidden Size 2.048, mit 16 Attention-Heads zu je 128 Dimensionen und einer 4×-Feed-Forward-Erweiterung auf 8.192.

• Positionskodierung — 3D-RoPE mit Dimensionen [16, 56, 56] und Theta 256.

• Textpfad – die Sprachmodellkomponente von Qwen2.5-VL-7B-Instruct, deren 3.584-dimensionale verborgene Zustände einen zweischichtigen Token-Refiner durchlaufen und in den 2.048-dimensionalen DiT-Raum projiziert werden.

• Kamerapfad — normalisierte 4×4-Extrinsics, über vier Frames hinweg gruppiert und auf 64 Dimensionen abgeflacht, in jedem Block mittels Cross-Attention angewendet.

• Latente — DCAE-V f32t4c32: 32 Kanäle, 32× räumliche Kompression, 4× zeitliche Kompression.

• Decoder — ein feinabgestimmtes PixelUMM mit 36 Schichten, Hidden-Size 4.096, 32 Query-Heads und 8 KV-Heads, das einen Dekodierungsschritt über Fenster aus 10 latenten Frames mit 5-Frame-Überlappung ausführt.

• Ausgabe — 720 × 1280 bei 24 FPS, mit 8 Denoising-Schritten in der destillierten Konfiguration; das Code-Repository gibt an, dass die destillierten Checkpoints 4, 6 oder 8 Schritte unterstützen.

• Lizenz — Apache 2.0, wobei der Qwen-Textencoder unter seinen eigenen Bedingungen bleibt.

Die eine Zahl, die Tencent nie nennt, ist die Gesamtzahl der Parameter. Die Zahl, die dem am nächsten kommt, ist abgeleitet und nicht veröffentlicht: Ein 34,2 GB fp32-DiT-Checkpoint ergibt bei vier Bytes pro Parameter grob 8,5 Milliarden Parameter, und der 9,06-GB-INT8-Build ist damit konsistent. Betrachten Sie es als Arithmetik auf eine Dateigröße, nicht als Angabe in einem Datenblatt — der Hersteller hat sie nirgends bestätigt.

Was der Betrieb kostet – das ist das eigentliche Kriterium.

Nichts an dieser Veröffentlichung ist feindselig gegenüber Außenstehenden, aber die Standardbereitstellung geht davon aus, dass man einen Knoten hat, keinen Laptop. Die Standard-Inferenzkonfiguration verwendet 8-fache Sequenzparallelität, daher will ihr Standardstart acht GPUs in einer Inferenzgruppe. Das README sagt das offen, statt es zu verschweigen.

Es gibt einen echten Single-GPU-Pfad, und er ist die interessanteste Ingenieursleistung in diesem Release. Er läuft auf einer einzigen RTX 4090, indem vier Tricks kombiniert werden: DiT-Gewichte sowie zwischengespeicherte Keys und Values werden in INT8 gespeichert, während die Berechnung in BF16 bleibt, der Decoder läuft über CUTLASS in FP8, der Text-Encoder und beide Netzwerke werden für ihre jeweiligen Phasen zwischen CPU und GPU hin- und hergeschoben, und die aktive GPU-Historie ist auf 18 latente Frames begrenzt, während die ältere Historie im System-RAM archiviert wird. Diesen letzten Kompromiss muss man verstehen, bevor man darauf aufbaut: Das Archiv wächst weiter, das Budget von 18 Frames begrenzt nur, was sich auf der GPU befindet, und der Speicher des aktuellen Segments wird dadurch überhaupt nicht begrenzt. Tencent sagt klar, dass CPU–GPU-Transfers Latenz hinzufügen und dass der Spitzen-GPU-Speicher je nach Auflösung und Segmentlänge variiert.

Die Download-Rechnung ergibt sich aus den Dateigrößen. Der dokumentierte Demo-Pfad benötigt das distillierte DiT (34,2 GB), den passenden PixelUMM-Decoder (31,55 GB), DCAE-V (4,28 GB) und rund 16 GB zusätzlich für den Qwen-Encoder – etwa 86 GB, bevor Sie überhaupt etwas generieren. Der Single-GPU-Pfad setzt stattdessen auf das INT8-DiT und den FP8-Decoder für einen deutlich geringeren Speicherbedarf, nahe 38 GB plus Encoder. Die beiden LoRA-Adapter sind separate Speicherplatz-Anschaffungen: ein 6,12 GB großer Cinematic-Adapter und ein 12,24 GB großer Robotics-Adapter, trainiert auf dem RealSource-World-Dualarm-Datensatz; beide sind dafür gedacht, in einen Gleitkomma-DiT eingemergt zu werden. Der INT8-Loader kann zur Inferenzzeit keinen separaten LoRA aufnehmen, daher lassen sich diese beiden Pfade nicht kombinieren.

Die Umgebungsanforderungen sind ebenso spezifisch: Linux, Python 3.12 oder neuer, CUDA 13.0 Toolkit, PyTorch 2.10.0 und Builds von FlashAttention 2, FlashAttention 3 und MagiAttention. Ein vorgefertigtes Image, hynomasoss/hynomasoss:cu130, wird gegenüber dem manuellen Weg empfohlen – die Kompilierung der Attention-Kernel ist der Grund dafür. Die Trainingskonfiguration im Code-Repository geht noch weiter: DP16 × SP8, 128 GPUs, Sequenzen gepackt auf 360.000 Tokens. Was auch immer Sie mit den Gewichten tun, Sie trainieren das hier nicht zu Hause neu.

Der Benchmark, den Tencent ohne Punktzahlen veröffentlichte

Hy-Nomas-Bench ist kein Nachgedanke. Es ist ein echtes Datenset: vier Evaluations-Suites, die mehrrundige Freitext-Interaktion, Kameranavigation, ineinandergreifende Text- und Kamerasteuerung sowie räumliches Gedächtnis abdecken, mit 280 Testfällen, 220 Referenz-Kameratrajektorien, strukturierten Prompts, Interaktionssequenzen und Tastatur-Zeitplänen, veröffentlicht als JSON unter Apache 2.0 und in ausschließlich für die Evaluation vorgesehene Splits gegliedert. Es erschien etwa zwei Stunden vor den Gewichten.

Was es nicht enthält, ist eine Ergebnistabelle. Es gibt keine Rangliste, keinen Score pro Testsuite, keinen Vergleich mit irgendeinem anderen Modell und keinen Hinweis darauf, dass so etwas geplant ist. Und die Modellkarte ist auf eine Weise sorgfältig, die gezielt wirkt: Nach der Auflistung von Architektur und Standard-Sampling-Parametern ergänzt sie eine Zeile – „Architektur und Standard-Sampling-Parameter sind Konfigurationsdetails, keine Benchmark-Ergebnisse."

Dieser Satz leistet echte Arbeit. Er bedeutet, dass die acht Denoising-Schritte, die Auflösung von 720 × 1280 und die Camera-Guidance-Skala von 1,0 kein Beleg für Qualität sind, und Tencent weigert sich, sie als solchen lesen zu lassen. Für alle, die das Modell bewerten, ist die praktische Konsequenz einfach: Man kann die Bewertung selbst durchführen, und bis dahin kann man Hy-Nomas nicht anhand einer Zahl neben irgendetwas anderes stellen. Die Suite ist das, was man herunterladen sollte, wenn man ein Urteil will, denn niemand gibt einem eines.

Wo es im Vergleich zu den anderen Open-World-Modellen steht

Das Feld entwickelte sich 2026 rasant, und der entscheidende Vergleich dreht sich nicht um die Parameteranzahl, sondern darum, welche Belege jede Veröffentlichung mitbrachte.

• Gewichte und Lizenz — Hy-Nomas steht unter Apache 2.0, ohne Zugangsbeschränkungen. LingBot-World von Ant Group veröffentlichte Ende Januar 2026 offene Gewichte und wurde als das erste offene Modell angepriesen, das mit Googles geschlossenem Genie 3 vergleichbar sei.

• Steuerungskonzept — Hy-Nomas ist text-first, mit Kameratrajektorien, Segment für Segment. LingBot-World und die Genie-3-Reihe setzen auf Echtzeit-Steuerung einer Figur oder Kamera per Tastatur und Maus, was ein anderes Interaktionsmodell darstellt: kontinuierliches Spielen versus gerichtetes Konstruieren.

• Hardware-Mindestanforderung — Hy-Nomas verlangt standardmäßig acht GPUs oder eine RTX 4090 mit begrenztem Verlauf. Astronex-World 1.0, veröffentlicht im September 2026, berichtete von Echtzeit-Streaming auf einer einzelnen 48-GB-L20 bei 832 × 480, was eine deutlich niedrigere Hürde darstellt.

• Belege – hier steht Hy-Nomas allein in der falschen Spalte. LingBot-World wurde mit gemeldeten Durchsatz- und Latenzwerten ausgeliefert; Astronex-World wurde mit einem arXiv-Paper und Benchmark-Zahlen ausgeliefert. Hy-Nomas hat einen 404 bei seinem technischen Bericht und überhaupt keine Scores.

• Abstammung — Tencents frühere offene interaktive Initiative HY-WorldPlay ging von einem Ausgangsbild sowie Pose- und Aktionseingaben bei 720p und 24 FPS aus. Hy-Nomas ist nicht dasselbe Modell unter einem neuen Namen; die Text-Multi-Turn-Schleife und die Prompt-Struktur pro Segment sind neu, und die Karte erhebt keinen Anspruch auf eine Abstammung davon.

Nichts davon klärt die Qualitätsfrage. Ein Modell kann exzellent und zugleich undokumentiert sein, und Tencents Schweigen ist weder in die eine noch in die andere Richtung ein Beleg — es bedeutet nur, dass die Beweislast auf diejenigen übergegangen ist, die es herunterladen.

Wer sollte es jetzt anfassen, und wer sollte abwarten?

Wenn Sie einen Knoten mit acht GPUs haben und Ihr Problem der Weltzustand ist, den ein Mensch mitten in der Generierung bearbeitet – eine Szene, die bei Sekunde vier ein Objekt hinzugewinnt, eine Kamera, die sich dreht, weil Sie es ihr gesagt haben, eine Welt, die ihre Geometrie behält, während Sie das Wetter ändern –, dann ist dies die derzeit direkteste herunterladbare offene Implementierung dieser Idee, und die Apache-2.0-Bedingungen bedeuten, dass Sie darauf ohne Verhandlung aufbauen können. Das Robotics-LoRA ist ein Signal dafür, wo Tencent erwartet, dass es eingesetzt wird: Simulationswelten für Embodied-Training, nicht für Social Video.

Wenn Sie eine Zahl brauchen, bevor Sie sich festlegen, warten Sie. Nicht weil das Modell verdächtig ist, sondern weil es nichts zu zitieren gibt. Ein Benchmark, den Sie selbst ausführen müssen, bedeutet eine Woche Engineering, und der technische Bericht wird, wenn er erscheint, wahrscheinlich ändern, was Sie gemessen hätten.

Es gibt eine kleinere operative Frage rund um das Modell, die es wert ist, benannt zu werden, weil sie jeden trifft, der versucht, die Demo zu reproduzieren. Die Web-Demo leitet jede Anweisung durch Nomas-PE, einen separaten 55,6-GB-Dienst, der ungenaue Formulierungen der Nutzer in das strukturierte Segment-JSON umwandelt, das der DiT erwartet, und Tencent gibt an, dass die Demo ihn erfordert. Die Offline-Inferenz überspringt diesen Schritt und verlangt, dass Sie die strukturierten Prompts selbst schreiben. Wenn Sie Ihr eigenes Frontend bauen, ist diese Prompt-Konstruktionsschicht ein gewöhnlicher Sprachmodell-Aufruf – und dieser Teil ist, anders als der Video-Stack, Standardinfrastruktur. OrcaRouter bietet Hy-Nomas nicht an – ein selbst gehosteter 196-GB-Diffusions-Stack ist nicht das, wofür eine API-Route gedacht ist. Was er routet, ist die Textseite drumherum – ein Schlüssel für über 200 Modelle mit 0 % Aufschlag auf den Listenpreis des Anbieters und automatischem Failover –, sodass ein Schritt zum Umschreiben von Prompts oder zur Beschriftung der Ausgabe vor einem selbst gehosteten Videomodell keinen eigenen Anbietervertrag benötigt.

Die offenen Fragen – und was diesen Artikel ändern würde

Vier Dinge sind wirklich unbekannt, und jedes davon hat ein bestimmtes Artefakt, das es klären würde.

Der erste Punkt ist Qualität. Hy-Nomas-Bench existiert, also ist eine veröffentlichte Ergebnistabelle der offensichtliche nächste Schritt, und ihr Fehlen ist die größte Lücke zwischen diesem Release und einer zitierfähigen Version.

Der zweite Punkt ist die Geschwindigkeit. In der Karte erscheint nirgends ein Latenzwert, nur die Wiedergaberate. Jemand wird die Zeit bis zum ersten Segment auf echter Hardware messen müssen, und die achtstufige destillierte Konfiguration gegenüber dem Basis-Autoregressionsmodell ist ein Unterschied, den es sich lohnt zu quantifizieren, statt ihn anzunehmen.

Der dritte Punkt ist die Ökosystem-Unterstützung. Das Repository trägt einen diffusers-Tag, aber der dokumentierte Weg ist Tencents eigenes hymm-Paket und ein eigens dafür gebautes Docker-Image; keine Drittanbieter-Laufzeitumgebung wird als unterstützt genannt. Ob dies eine Pipeline-Klasse in einer Mainstream-Bibliothek erhält, so wie es die meisten offenen Videomodelle irgendwann tun, entscheidet darüber, ob es ein Forschungsartefakt bleibt oder zu einem Werkzeug wird.

Der vierte Punkt ist, ob Tencent überhaupt etwas dazu sagt. Der technische Bericht ist mit „coming soon“ gekennzeichnet und liefert derzeit einen 404-Fehler, es gibt kein arXiv-Preprint, und Stand 23. Oktober existiert keine Presseberichterstattung. Es ist durchaus möglich, dass das Unternehmen auf ein Paper oder ein gehostetes Produkt wartet, bevor es irgendetwas davon bewirbt. Es ist ebenso möglich, dass die Veröffentlichung genau das ist, wonach sie aussieht: Gewichte, die für die Nachwelt veröffentlicht wurden, während die Ankündigung aufgeschoben ist.

Wie auch immer, der Download ist live, die Lizenz ist freizügig, und die Demo nimmt heute Anweisungen entgegen. Für ein Modell, das niemand angekündigt hat, ist das mehr, als die meisten stillen Veröffentlichungen bieten — und deutlich weniger als ein Launch.