Hy-Nomas: qué hace realmente el modelo de mundo interactivo de forma libre de Tencent

Lo más útil que hay que entender sobre Hy-Nomas es que no hace un vídeo. Hace los siguientes cuatro segundos de un vídeo, te los muestra, espera tu instrucción y luego hace los cuatro segundos posteriores, conservando en una caché todo lo que ya ha renderizado para que la esquina de la calle en la que giraste hace dos minutos siga teniendo la misma tienda. Tencent Hunyuan publicó los pesos, el código de inferencia, un pipeline de ajuste fino, un benchmark de 280 casos y una demo en navegador entre el 21 y el 23 de octubre de 2026, bajo Apache 2.0, sin publicación de anuncio y sin resultados de benchmark. La galería de la propia tarjeta del modelo incluye un clip de sesenta segundos y cinco turnos llamado clockwork-flight; ese clip es una mejor explicación del producto que el repositorio o el artículo que aún no se ha publicado.

Lo que sigue es un recorrido por lo que realmente se publicó, cómo está construido el bucle interactivo y el único número que la versión no contiene. Está escrito a partir del repositorio, la ficha del modelo y los archivos de configuración publicados —no a partir de una ejecución práctica, porque a 24 de octubre no hay ninguna evaluación de terceros de Hy-Nomas que citar.

Cuatro artefactos, solo uno de los cuales es un modelo

Tencent lanzó un paquete, y el paquete es la historia. El primer artefacto es el conjunto de checkpoints en Hugging Face, aproximadamente 196 GB distribuidos entre el DiT autorregresivo base, un DiT destilado, una versión INT8, el autoencoder de video DCAE-V, un decodificador PixelUMM ajustado en FP32 y FP8, y el mejorador de prompts Nomas-PE. El segundo es el repositorio de GitHub: un arnés de inferencia, un arnés de subtitulado para generar datos de ajuste fino, empaquetado de secuencias sin conexión, un entrenador LoRA y un script de fusión. El tercero es Hy-Nomas-Bench, un conjunto de evaluación de 280 casos en cuatro pistas con alrededor de 220 trayectorias de cámara de referencia. El cuarto es la demostración en hy-nomas.hy.tencent.com, donde puedes moverte por una escena generada con WASD o arrastrando el ratón.

Esa combinación es inusual para el lanzamiento de un modelo del mundo. La mayoría publica un artículo y una galería. Tencent publicó la maquinaria y dejó vacía la evaluación. Si quieres saber si Hy-Nomas es bueno, ahora puedes averiguarlo por tu cuenta; todavía no puedes leer la respuesta.

El bucle: un segmento a la vez, con el pasado guardado en caché

Hy-Nomas es un transformador de difusión autorregresivo por segmentos. Genera un breve fragmento de vídeo, lo añade a la sesión y condiciona el siguiente fragmento a una caché KV continua que almacena los latentes anteriores y sus claves y valores. Por eso el modelo puede mantener una escena coherente entre turnos sin un módulo de memoria separado ni un paso de recuperación: el historial está dentro del contexto de atención y va creciendo.

La arquitectura subyacente es un MMDiT de doble flujo de 54 bloques con un tamaño oculto de 2.048, 16 cabezas de atención y embeddings posicionales rotatorios 3D. El texto se codifica mediante Qwen2.5-VL-7B-Instruct. Las extrínsecas de cámara entran a través de la atención cruzada en lugar de quedar integradas en el prompt de texto, lo cual es relevante para la historia de control que se describe a continuación. Tencent no indica un recuento de parámetros; el checkpoint en FP32 ocupa 34,2 GB, lo que implica aproximadamente 8.500 millones de parámetros si se asume un almacenamiento de 32 bits y ningún estado del optimizador: es aritmética, no una afirmación del proveedor, y conviene tratarlo como una estimación más que como una especificación.

• Salida — 720 × 1280 a 24 FPS, con la cifra de 24 FPS referida a la reproducción, no a la velocidad de generación

• Eliminación de ruido — 8 pasos en la configuración destilada; el código acepta 4, 6 u 8

• Latentes — DCAE-V de 32 canales, decodificados mediante un decodificador PixelUMM ajustado; se incluye un decodificador FP8

• Contexto — una caché KV de por vida que se conserva entre segmentos, no una ventana fija que se reinicia

Dos volantes, y solo uno de ellos es un prompt.

El canal de texto es libre y de varios turnos. Puedes añadir un objeto, cambiar el clima, reestilizar la escena o describir una acción, y la instrucción se aplica desde el siguiente segmento en lugar de volver a renderizar lo anterior. El propio marco del repositorio es «control de prompts de texto libres y multiturno»; la idea es que el prompt no es un pie de foto de una sola vez para un clip, sino un turno en una conversación con el mundo.

El canal de cámara es el más interesante, porque no es lenguaje. Tú proporcionas una trayectoria de extrínsecos de cámara, y el modelo renderiza el mundo desde esa ruta mientras el prompt de texto sigue describiendo lo que hay en él. Texto y cámara pueden usarse juntos: un prompt que dice «el mercado está cerrando» y una trayectoria que recorre el pasillo son dos entradas separadas que se componen. Esta es la diferencia concreta entre Hy-Nomas y un modelo de texto a vídeo. Un modelo de texto a vídeo infiere un movimiento de cámara a partir de la prosa y espera; a Hy-Nomas se le indica hacia dónde va la cámara.

Hay un tercer control, más discreto: Nomas-PE, un potenciador de prompts en línea que reescribe una instrucción escueta en algo sobre lo que el modelo condiciona con mayor eficacia. Es opcional, y es el tipo de componente que te indica dónde están los modos de fallo: si el modelo base manejara bien un prompt de cinco palabras, el potenciador no existiría.

La función de la que nadie habla: un LoRA de dominio en 2.000 pasos

Se incluyen dos adaptadores con esta versión. El LoRA Cinematic se fusiona en el DiT destilado para mejorar la calidad visual. El LoRA Robotics se entrenó con el conjunto de datos de brazos robóticos RealSource-World y se fusiona en ese mismo checkpoint destilado para mejorar las escenas de manipulación. Tencent documenta la receta: rango y alpha de 256, dropout cero, Muon con una tasa de aprendizaje constante de 1e-4 durante 2.000 pasos, entrenando únicamente los parámetros del LoRA, usando una técnica llamada segment forcing y, después, fusionando el adaptador en los pesos destilados para la inferencia.

Esta es la parte con la vida media más larga. Una adaptación de 2.000 pasos en un único dominio es lo bastante barata como para que un estudio con un estilo propio, un laboratorio de robótica con su propio brazo o un equipo de juego con una dirección artística específica puedan especializar el modelo sin tocar los pesos base. También le da al lanzamiento una trayectoria comunitaria plausible que un modelo cerrado no puede tener: esperen que los resultados interesantes de Hy-Nomas durante el próximo mes provengan de fusiones de LoRA, no del checkpoint base.

Cuánto cuesta ejecutarlo: ocho GPU o una 4090 con concesiones

La ruta predeterminada consta de ocho GPU con paralelismo de secuencia de ocho vías. La ruta de baja memoria es la que acaparó titulares: una única RTX 4090, usando pesos DiT INT8 y una caché KV INT8, un límite de historial de ventana deslizante, descarga a CPU, FlexAttention para el DiT y CUTLASS FP8 para la decodificación, con el paralelismo de secuencia desactivado. Tencent advierte que la descarga a CPU necesita suficiente RAM del sistema y añade sobrecarga de transferencia, lo que es una forma educada de decir que el modo de una sola GPU es real, pero no sale gratis.

La huella de descarga también varía según la ruta. La ruta de demostración documentada descarga unos 86 GB; la ruta de baja memoria necesita aproximadamente 38 GB más el codificador de texto. Ninguna de las dos es una descarga para portátil, y ninguna incluye un endpoint alojado. No hay API, ni precio por segundo, ni servicio gestionado de Tencent para Hy-Nomas: o lo ejecutas tú, o no lo usas.

• Servicio predeterminado — 8 GPU, paralelismo de secuencia de 8 vías; el ejemplo de entrenamiento usa 128 GPU como 16 réplicas de paralelismo de datos × 8 de paralelismo de secuencia

• Servicio con una sola GPU — RTX 4090 con DiT INT8, caché KV INT8, decodificador FP8, historial de ventana deslizante y descarga a CPU

• Huella — unos 196 GB para el conjunto completo de checkpoints, 86 GB para la ruta de demostración documentada, 38 GB más el codificador de texto para baja memoria

• Costo — no existe un precio de proveedor; el costo son tus horas de GPU

Si estás construyendo en torno a un modelo de pesos abiertos como este, las partes que no son el modelo siguen necesitando un stack: generación de subtítulos, mejora de prompts, arneses de evaluación y el LLM que sea que esté en el bucle del agente decidiendo la siguiente instrucción. Esa capa es donde una sola API se gana su lugar — OrcaRouter pone más de 200 modelos alojados detrás de una sola clave con 0 % de recargo, transfiere el precio de lista del proveedor sin cambios y conmuta automáticamente en caso de fallo cuando un proveedor se degrada, para que la orquestación en torno a un modelo del mundo autoalojado no necesite un segundo contrato para cada llamada auxiliar. Hy-Nomas en sí no está en nuestro catálogo; los pesos son del proveedor y no vamos a pretender lo contrario.

El número que falta

Hy-Nomas-Bench es real. Tiene 280 casos repartidos en cuatro pistas —control de texto multiturno, navegación de cámara, control intercalado de texto y cámara, y memoria espacial— y unas 220 trayectorias de cámara de referencia. Lo que no tiene es una tabla de resultados. El repositorio enlaza el conjunto de datos; la página del conjunto de datos no incluye puntuaciones; el enlace al informe técnico no lleva a ninguna parte y el README dice «Coming Soon». La ficha del modelo de Tencent describe la arquitectura y los valores predeterminados de muestreo, y esos son detalles de configuración más que resultados de benchmark.

Esa ausencia no es un escándalo, pero cambia lo que puede decir una frase justa sobre este modelo. «Hy-Nomas genera vídeo de 720 × 1280 a 24 FPS con ocho pasos de eliminación de ruido» es una especificación que se puede verificar desde la configuración. «Hy-Nomas mantiene la consistencia a largo plazo» es una afirmación de diseño, respaldada por un clip de demostración, no un resultado medido. «Hy-Nomas supera al modelo X» no es una afirmación que nadie pueda hacer actualmente, porque ninguno de los dos lados de esa comparación tiene una cifra publicada en la misma prueba.

La posición honesta, tres días después de que aparecieran los pesos, es que Hy-Nomas es un lanzamiento de capacidades bien documentado con una afirmación de calidad sin evaluar. La documentación es lo suficientemente buena como para reproducirlo. La evaluación es lo suficientemente buena como para ejecutarla tú mismo. Falta el veredicto, y falta a propósito o por prisa; en cualquier caso, no nos corresponde inventarlo.

Qué observar y qué hacer ahora

Tres cosas cambiarían el panorama. Un informe técnico con cifras reales convertiría a Hy-Nomas de una afirmación en una línea base. Una ola de LoRA comunitaria indicaría si la receta de adaptación de 2.000 pasos funciona fuera de los propios ejemplos de Tencent. Y una reproducción en una sola 4090 —no una demo, sino una ejecución medida— indicaría si la vía de baja memoria es usable o simplemente posible.

Hasta entonces, la forma sensata de leer este lanzamiento es por artefacto, no por titular. Los pesos están abiertos, el código se ejecuta, el benchmark es un caparazón y la demo es una conversación de cinco turnos con un mundo que recuerda. Eso es más de lo que la mayoría de los laboratorios ha publicado este mes, y menos de lo que demostraría una tabla de benchmark. Si tienes las GPUs y un dominio que necesita su propia mirada, la receta de LoRA es la razón para descargarlo hoy. Si necesitas un número antes de comprometerte, el número todavía no existe.