Hy-Nomas: Tencent publicó como código abierto un modelo de mundo interactivo y no dijo nada al respecto

Tencent publicó esta mañana el conjunto de evaluación y los pesos de Hy-Nomas, y, al final del día, seguía sin haber publicado una sola puntuación de ninguno de los dos. Esa es la forma de este lanzamiento. Hy-Nomas es un modelo de mundo de vídeo que se controla con instrucciones de texto y movimientos de cámara, segmento a segmento, y sus pesos se subieron a Hugging Face a las 11:18 UTC de hoy, 23 de octubre de 2026: un commit que contiene 196 GB de checkpoints con licencia Apache-2.0, junto con un repositorio de código publicado a las 09:01 de esa misma mañana y una demo jugable. Dos días antes, ambos repositorios existían y estaban vacíos. No hay entrada de blog, ni entrada en arXiv, y la insignia "Technical Report (Coming Soon)" de la tarjeta del modelo enlaza a un archivo que devuelve 404. Horas después de la subida, la página del modelo muestra cero me gusta y cero descargas, y la única señal de que alguien se ha dado cuenta es el repositorio de GitHub: ocho estrellas, un commit, sin descripción.

Así que el encuadre honesto no es «Tencent lanzó un modelo del mundo». Es: Tencent publicó los pesos, el código de entrenamiento e inferencia, un benchmark y un sitio de demostración, y todavía no ha dicho una palabra sobre qué puntuación obtiene nada de ello. Todo lo que sigue es o bien una marca de tiempo o un tamaño de archivo que puedes verificar por tu cuenta, un número que Tencent escribió en su propia ficha, o un punto en el que la ficha guarda un silencio llamativo. Las tres categorías se mantienen separadas a propósito, porque en un lanzamiento como este el silencio aporta tanta información como las especificaciones.

Lo que realmente llegó, a la hora exacta

Los artefactos son fáciles de datar porque hay muy pocos y ninguno ha sido modificado apenas.

• El repositorio de modelos tencent/Hy-Nomas se creó en Hugging Face el 21/10/2026 a las 02:17:37 UTC y permaneció vacío hasta que su único commit se publicó el 23/10/2026 a las 11:18:04 UTC. Ese commit ocupa 196,4 GB en 46 archivos: dos checkpoints DiT fp32 de 34,2 GB, un DiT INT8 de 9,06 GB, dos adaptadores LoRA, un decodificador PixelUMM de 31,55 GB, su gemelo FP8 de 9,13 GB, un autoencoder DCAE-V de 4,28 GB, un modelo de mejora de prompts de 18 fragmentos que suma 55,6 GB en total, y los habituales elementos de tokenizador y configuración.

• El repositorio de código Tencent-Hunyuan/Hy-Nomas se creó 47 minutos después, a las 03:04:54 UTC, sin que se completara el campo de descripción. Su único commit se escribió el 21 de octubre, pero no se subió hasta hoy, a las 09:01:42 UTC. El repositorio sigue mostrando un commit y ninguna versión, y contiene el código de entrenamiento, scripts de inferencia, una imagen de Docker y una guía de despliegue de una demo web.

• El conjunto de datos de referencia tencent/Hy-Nomas-Bench se creó el 2026-10-22 a las 05:18:20 UTC y recibió su único commit hoy a las 09:10:51 UTC.

• La demostración en hy-nomas.hy.tencent.com responde con HTTP 200 y un título de página. Es la única parte de este lanzamiento dirigida a cualquier persona fuera de un grupo de investigación.

El silencio es específico de este modelo, no de Tencent. La propia organización de Hugging Face de la empresa está activa: tencent/Hy4-preview de finales de agosto tiene 513 me gusta y aproximadamente 18.400 descargas, y tencent/Hy-Memory-30B-A3B del 15 de octubre tiene 297 me gusta y alrededor de 3.300 descargas en ocho días. Hy-Nomas, subido en la misma ventana y muchísimo más grande, no tiene nada de eso. Sean cuales sean los motivos internos, este no es un lanzamiento que haya tenido un bajo rendimiento. Es un lanzamiento que no se intentó.

Qué hace Hy-Nomas que no hace un modelo de texto a vídeo

La distinción importa más que el número de parámetros, porque es la razón para interesarse por el lanzamiento. Un modelo ordinario de texto a vídeo toma una instrucción y devuelve un clip; si quieres algo diferente, empiezas de nuevo y obtienes un clip no relacionado. Hy-Nomas genera un mundo como una cadena de segmentos y mantiene su propia historia.

En concreto, la tarjeta describe cuatro cosas que ocurren a la vez. Cada segmento recibe su propio prompt, así que puedes introducir un objeto, cambiar el estilo, alterar el escenario o describir una acción a mitad de la generación en lugar de por adelantado. Una caché persistente de clave/valor arrastra el historial generado hacia delante, de modo que un segmento posterior está condicionado por lo que ya se produjo en lugar de inventarse desde cero. El movimiento de cámara es una ruta de condicionamiento separada en lugar de algo que describes en prosa: proporcionas matrices de cámara a mundo e intrínsecos, y el modelo atiende a ellas en cada bloque. Y como los segmentos se generan de forma autorregresiva, el mundo puede seguir extendiéndose mientras sigas alimentándolo con instrucciones.

El formato del prompt muestra hasta qué punto esto es literal. La inferencia sin conexión toma una lista JSON en la que cada entrada tiene un estilo, una perspectiva, una lista de sujetos y, después, segmentos temporizados —una hora de inicio y otra de fin, una descripción visual extensa y acciones contenidas con sus propias marcas de tiempo. El primer segmento establece el mundo; los segmentos posteriores usan un campo description_change para indicar cómo debería evolucionar. El ejemplo incluido construye un bosque luminoso alrededor de un pequeño zorro naranja y, después, abre flores azules resplandecientes junto a su camino en la marca de los dos segundos.

Un número de la tarjeta es fácil de malinterpretar, y la propia tarjeta lo advierte: la cifra de 24 FPS es la tasa de reproducción del vídeo de salida, no la velocidad de generación. La rapidez real con la que se ejecuta el modelo depende del hardware, la resolución, la duración del segmento y de cuánto historial haya en la caché. Tencent lo dice directamente. En un lanzamiento sin latencia publicada y sin puntuaciones publicadas, esa es la única lectura honesta del número.

La hoja de especificaciones que la tarjeta sí proporciona

Tencent es inusualmente preciso en materia de arquitectura, y eso es lo que hace que los resultados ausentes resulten tan elocuentes.

• Backbone — 54 bloques MMDiT de doble flujo y cero bloques de flujo único, según la configuración de inferencia.

• Ancho — tamaño oculto 2.048, con 16 cabezas de atención de 128 dimensiones cada una y una expansión feed-forward de 4× a 8.192.

• Codificación posicional — RoPE 3D con dimensiones [16, 56, 56] y theta 256.

• Ruta de texto — el componente de modelo de lenguaje de Qwen2.5-VL-7B-Instruct, cuyos estados ocultos de 3.584 dimensiones pasan por un refinador de tokens de dos capas y se proyectan en el espacio DiT de 2.048 dimensiones.

• Trayectoria de cámara — extrínsecos 4×4 normalizados, agrupados a lo largo de cuatro fotogramas y aplanados a 64 dimensiones, aplicados mediante atención cruzada en cada bloque.

• Latentes — DCAE-V f32t4c32: 32 canales, compresión espacial 32×, compresión temporal 4×.

• Decodificador — un PixelUMM ajustado con 36 capas, tamaño oculto de 4.096, 32 cabezas de consulta y 8 cabezas KV, ejecutando un paso de decodificación sobre ventanas de 10 marcos latentes con un solapamiento de 5 marcos.

• Salida — 720 × 1280 a 24 FPS, con 8 pasos de eliminación de ruido en la configuración destilada; el repositorio de código indica que los checkpoints destilados admiten 4, 6 u 8 pasos.

• Licencia — Apache 2.0, y el codificador de texto Qwen se mantiene bajo sus propios términos.

La única cifra que Tencent nunca declara es el número total de parámetros. La cifra que más se le acerca se deriva en lugar de publicarse: un checkpoint DiT de 34,2 GB en fp32 equivale a unos 8500 millones de parámetros a cuatro bytes cada uno, y la versión INT8 de 9,06 GB es coherente con eso. Tómelo como una aritmética sobre el tamaño de un archivo, no como una afirmación de ficha técnica: el proveedor no lo ha confirmado en ningún sitio.

Cuánto cuesta ejecutarlo, que es la verdadera barrera.

Nada de este lanzamiento es hostil para quienes vienen de fuera, pero el despliegue predeterminado asume que tienes un nodo, no un portátil. La configuración de inferencia estándar usa paralelismo de secuencia de 8 vías, por lo que su lanzamiento predeterminado requiere ocho GPU en un solo grupo de inferencia. El README lo dice claramente en lugar de esconderlo.

Existe una ruta real de una sola GPU, y es la ingeniería más interesante de esta versión. Se ejecuta en una sola RTX 4090 combinando cuatro trucos: los pesos del DiT y las claves y valores en caché se almacenan en INT8 mientras que el cálculo permanece en BF16, el decodificador se ejecuta en FP8 mediante CUTLASS, el codificador de texto y ambas redes se mueven entre CPU y GPU para sus propias etapas, y el historial activo de la GPU se limita a 18 fotogramas latentes, con el historial más antiguo archivado en la RAM del sistema. Ese último compromiso es el que hay que entender antes de planificar en torno a él: el archivo sigue creciendo, el presupuesto de 18 fotogramas solo limita lo que reside en la GPU, y la memoria del segmento actual no está limitada por él en absoluto. Tencent dice claramente que las transferencias CPU–GPU añaden latencia y que la memoria máxima de la GPU varía según la resolución y la longitud del segmento.

Los cálculos de descarga se derivan de los tamaños de archivo. La ruta de demostración documentada necesita el DiT destilado (34,2 GB), el decodificador PixelUMM correspondiente (31,55 GB), DCAE-V (4,28 GB) y aproximadamente 16 GB más para el codificador Qwen: unos 86 GB antes de generar nada. La ruta de una sola GPU sustituye por el DiT INT8 y el decodificador FP8 para lograr una huella mucho menor, cerca de 38 GB más el codificador. Los dos adaptadores LoRA son compras separadas de disco: un adaptador cinematográfico de 6,12 GB y un adaptador de robótica de 12,24 GB entrenado con el conjunto de datos de doble brazo RealSource-World, ambos pensados para fusionarse en un DiT de coma flotante. El cargador INT8 no puede tomar un LoRA separado durante la inferencia, por lo que esas dos rutas no se combinan.

Los requisitos del entorno son igual de específicos: Linux, Python 3.12 o superior, CUDA 13.0 Toolkit, PyTorch 2.10.0 y compilaciones de FlashAttention 2, FlashAttention 3 y MagiAttention. Se recomienda una imagen preconstruida, hynomasoss/hynomasoss:cu130, en lugar de la vía manual, y el motivo es la compilación de los kernels de atención. La configuración de entrenamiento del repositorio de código va más allá: DP16 × SP8, 128 GPU y secuencias empaquetadas hasta 360.000 tokens. Hagas lo que hagas con los pesos, no vas a reentrenar esto en casa.

El benchmark que Tencent lanzó sin puntuaciones

Hy-Nomas-Bench no es una idea de último momento. Es un conjunto de datos real: cuatro suites de evaluación que cubren la interacción con texto libre multiturno, la navegación con cámara, el control intercalado de texto y cámara, y la memoria espacial, con 280 casos de prueba, 220 trayectorias de cámara de referencia, prompts estructurados, secuencias de interacción y líneas de tiempo de teclado, publicado como JSON bajo Apache 2.0 y organizado en divisiones exclusivas para evaluación. Apareció aproximadamente dos horas antes que los pesos.

Lo que no incluye es una tabla de resultados. No hay tabla de clasificación, ni puntuación por suite, ni comparación con ningún otro modelo, ni ninguna indicación de que vaya a haberla. Y la ficha es cuidadosa de una manera que parece deliberada: después de enumerar la arquitectura y los valores predeterminados de muestreo, añade una línea: «La arquitectura y los valores predeterminados de muestreo son detalles de configuración, en lugar de resultados de benchmark».

Esa frase hace un trabajo real. Significa que los ocho pasos de eliminación de ruido, la resolución de 720 × 1280 y la escala de guía de cámara de 1.0 no son evidencia de calidad, y Tencent se niega a permitir que se Lean como tal. Para cualquiera que evalúe el modelo, la consecuencia práctica es sencilla: puedes ejecutar la evaluación tú mismo y, hasta entonces, no puedes poner a Hy-Nomas junto a nada más con una cifra. La suite es lo que hay que descargar si quieres un veredicto, porque nadie te está entregando uno.

Dónde se sitúa entre los demás modelos de mundo abierto

El campo avanzó rápido en 2026, y la comparación que importa no es la cantidad de parámetros, sino qué evidencia trajo consigo cada lanzamiento.

• Pesos y licencia: Hy-Nomas es Apache 2.0 sin restricciones. LingBot-World, de Ant Group, publicó sus pesos abiertos a finales de enero de 2026 y se presentó como el primer modelo abierto comparable al cerrado Genie 3 de Google.

• Esquema de control — Hy-Nomas prioriza el texto, con trayectorias de cámara, segmento a segmento. LingBot-World y la línea Genie 3 apuestan por el control en tiempo real de un personaje o de la cámara mediante teclado y ratón, lo que constituye un modelo de interacción distinto: juego continuo frente a construcción dirigida.

• Requisito mínimo de hardware — Hy-Nomas quiere ocho GPU por defecto o una RTX 4090 con un historial limitado. Astronex-World 1.0, publicado en septiembre de 2026, informó de streaming en tiempo real en una única L20 de 48 GB a 832 × 480, lo que representa un umbral notablemente inferior.

• Evidencia — aquí es donde Hy-Nomas está solo en la columna equivocada. LingBot-World se lanzó con cifras reportadas de rendimiento y latencia; Astronex-World se lanzó con un artículo de arXiv y números de benchmark. Hy-Nomas tiene un 404 en su informe técnico y ninguna puntuación en absoluto.

• Linaje — El anterior esfuerzo interactivo abierto de Tencent, HY-WorldPlay, partía de una imagen inicial junto con entrada de pose y acción a 720p y 24 FPS. Hy-Nomas no es el mismo modelo con un nombre nuevo; el bucle de texto multiturno y la estructura de prompt por segmento son nuevos, y la ficha no afirma descender de él.

Nada de esto determina la calidad. Un modelo puede ser excelente y no estar documentado, y el silencio de Tencent no constituye evidencia en ningún sentido: solo significa que la carga de la prueba ha pasado a quien lo descargue.

¿Quién debería tocarlo ahora y quién debería esperar?

Si dispones de un nodo de ocho GPU y tu problema es el estado del mundo que una persona edita a mitad de la generación —una escena que incorpora un objeto en el segundo cuatro, una cámara que gira porque se lo has indicado, un mundo que conserva su geometría mientras cambias el tiempo meteorológico—, esta es la implementación abierta más directa de esa idea que puede descargarse actualmente, y los términos de la Apache 2.0 significan que puedes construir sobre ella sin necesidad de negociar nada. El LoRA de robótica es una señal de dónde espera Tencent que se use: mundos de simulación para entrenamiento encarnado, no vídeo social.

Si necesitas una cifra antes de decidirte, espera. No porque el modelo sea sospechoso, sino porque no hay nada que citar. Un benchmark que tengas que ejecutar tú mismo supone una semana de ingeniería y, cuando aparezca, el informe técnico probablemente cambiará lo que habrías medido.

Hay una cuestión operativa menor en torno al modelo que merece mencionarse, porque afecta a cualquiera que intente reproducir la demo. La demo web canaliza cada instrucción a través de Nomas-PE, un servicio independiente de 55,6 GB que convierte las expresiones informales del usuario en el JSON de segmentos estructurados que DiT espera, y Tencent afirma que la demo lo requiere. La inferencia offline omite ese paso y te pide que escribas tú mismo los prompts estructurados. Si estás creando tu propia interfaz de usuario, esa capa de construcción de prompts es una llamada normal a un modelo de lenguaje y esa parte, a diferencia del stack de vídeo, es infraestructura básica. OrcaRouter no sirve Hy-Nomas: un stack de difusión autoalojado de 196 GB no es para lo que sirve una ruta de API. Lo que enruta es el lado textual que lo rodea: una clave para más de 200 modelos con 0 % de recargo sobre el precio de lista del proveedor, con conmutación por error automática, de modo que un paso de reescritura de prompts o de generación de descripciones de salida delante de un modelo de vídeo autoalojado no necesita su propio contrato con proveedores.

Las preguntas abiertas y qué cambiaría este artículo

Cuatro cosas son realmente desconocidas, y cada una tiene un artefacto específico que la resolvería.

La primera es la calidad. Hy-Nomas-Bench existe, así que una tabla de resultados publicada es el siguiente paso obvio, y su ausencia es la mayor diferencia entre esta versión y una citable.

El segundo es la velocidad. No aparece ninguna cifra de latencia en ningún lugar de la tarjeta, solo la tasa de reproducción. Alguien tendrá que medir el tiempo hasta el primer segmento en hardware real, y la diferencia entre la configuración destilada de ocho pasos y el modelo autorregresivo base es una diferencia que merece cuantificarse en lugar de darse por supuesta.

El tercero es el soporte del ecosistema. El repositorio lleva una diffusers etiqueta, pero la ruta documentada es el paquete hymm propio de Tencent y una imagen Docker creada específicamente; no se nombra ningún entorno de ejecución de terceros como compatible. Que esto llegue a tener una clase de pipeline en una biblioteca convencional, tal como la mayoría de los modelos de vídeo abiertos acaban teniendo, decide si permanece como un artefacto de investigación o se convierte en una herramienta.

El cuarto es si Tencent llega a decir algo alguna vez. El informe técnico está etiquetado como «próximamente» y actualmente devuelve un 404, no hay preprint en arXiv y no existe cobertura de prensa a fecha del 23 de octubre. Es totalmente posible que la empresa esté esperando un artículo o un producto alojado antes de promocionar algo de esto. También es posible que el lanzamiento sea exactamente lo que parece: pesos publicados para que quede constancia, con el anuncio pospuesto.

De cualquier manera, la descarga ya está disponible, la licencia es permisiva y la demo acepta instrucciones hoy. Para un modelo que nadie anunció, eso es más de lo que ofrecen la mayoría de los lanzamientos discretos —y bastante menos que un lanzamiento.