Hy-Nomas : ce que fait vraiment le modèle de monde interactif à forme libre de Tencent

Ce qu'il y a de plus utile à comprendre au sujet de Hy-Nomas, c'est qu'il ne produit pas une vidéo. Il produit les quatre secondes suivantes d'une vidéo, vous les montre, attend votre instruction, puis produit les quatre secondes d'après — en gardant dans un cache tout ce qu'il a déjà rendu, pour que le coin de rue où vous avez tourné il y a deux minutes ait toujours la même boutique. Tencent Hunyuan a publié les poids, le code d'inférence, un pipeline de fine-tuning, un benchmark de 280 cas et une démo navigateur entre le 21 et le 23 octobre 2026, sous licence Apache 2.0, sans article d'annonce ni résultats de benchmark. La galerie de la fiche du modèle comprend elle-même un clip de soixante secondes en cinq tours intitulé clockwork-flight ; ce clip explique mieux le produit que le dépôt ou l'article qui n'a pas encore été publié.

Ce qui suit est une présentation détaillée de ce qui a réellement été livré, de la manière dont la boucle interactive est construite, et de l’unique chiffre que la version publiée ne contient pas. Ce texte est rédigé à partir du dépôt, de la fiche modèle et des fichiers de configuration publiés — et non à partir d’un essai pratique, car au 24 octobre, il n’existe aucune évaluation tierce de Hy-Nomas à citer.

Quatre artefacts, dont un seul est un modèle

Tencent a publié un ensemble, et cet ensemble est l’événement. Le premier élément est l’ensemble de checkpoints sur Hugging Face, soit environ 196 Go répartis entre le DiT autorégressif de base, un DiT distillé, une version INT8, l’autoencodeur vidéo DCAE-V, un décodeur PixelUMM affiné en FP32 et FP8, et l’enrichisseur de prompt Nomas-PE. Le deuxième est le dépôt GitHub : un harnais d’inférence, un harnais de légendage pour constituer des données de fine-tuning, du compactage de séquences hors ligne, un entraîneur LoRA et un script de fusion. Le troisième est Hy-Nomas-Bench, un ensemble d’évaluation de 280 cas réparti en quatre pistes, avec environ 220 trajectoires de caméra de référence. Le quatrième est la démo à hy-nomas.hy.tencent.com, où vous vous déplacez dans une scène générée avec WASD ou en faisant glisser la souris.

Cette combinaison est inhabituelle pour la sortie d’un modèle du monde. La plupart publient un article et une galerie. Tencent a publié la mécanique et laissé l’évaluation vide. Si vous voulez savoir si Hy-Nomas est bon, vous pouvez désormais le découvrir vous-même ; vous ne pouvez pas encore lire la réponse.

La boucle : un segment à la fois, avec le passé conservé en cache

Hy-Nomas est un transformer de diffusion autorégressif par segments. Il génère un court segment de vidéo, l’ajoute à la session et conditionne le segment suivant sur un cache KV persistant qui contient les latents précédents ainsi que leurs clés et valeurs. C’est pourquoi le modèle peut maintenir la cohérence d’une scène d’un tour à l’autre sans module de mémoire séparé ni étape de récupération : l’historique se trouve dans le contexte d’attention, et il s’accroît.

L’architecture sous-jacente est un MMDiT à double flux de 54 blocs, avec une dimension cachée de 2 048, 16 têtes d’attention et des embeddings positionnels rotatifs 3D. Le texte est encodé par Qwen2.5-VL-7B-Instruct. Les paramètres extrinsèques de caméra passent par l’attention croisée au lieu d’être intégrés au prompt texte, ce qui est important pour la partie consacrée au contrôle ci-dessous. Tencent ne précise pas de nombre de paramètres ; le checkpoint FP32 pèse 34,2 Go, ce qui implique environ 8,5 milliards de paramètres si l’on suppose un stockage sur 32 bits et aucun état d’optimiseur — un calcul arithmétique, pas une affirmation du fournisseur, et à considérer comme une estimation plutôt que comme une spécification.

• Sortie — 720 × 1280 à 24 FPS, le chiffre de 24 FPS désignant la cadence de lecture, et non la vitesse de génération

• Débruitage — 8 étapes dans la configuration distillée ; le code accepte 4, 6 ou 8

• Latents — DCAE-V à 32 canaux, décodés par un décodeur PixelUMM affiné ; un décodeur FP8 est fourni

• Contexte — un cache KV à vie conservé d'un segment à l'autre, et non une fenêtre fixe qui se réinitialise

Deux volants, et un seul d’entre eux est une invite.

Le canal textuel est libre et multi-tour. Vous pouvez ajouter un objet, changer la météo, restyler la scène ou décrire une action, et l’instruction s’applique à partir du segment suivant plutôt que de rendre à nouveau ce qui précède. La formulation du dépôt elle-même est « contrôle de prompt textuel libre et multi-tour » — l’idée étant que le prompt n’est pas une légende unique pour un clip, mais un tour dans une conversation avec le monde.

Le canal caméra est le plus intéressant, car il ne s’agit pas de langage. Vous fournissez une trajectoire de paramètres extrinsèques de caméra, et le modèle rend le monde depuis ce chemin tandis que le prompt textuel continue de décrire ce qu’il contient. Le texte et la caméra peuvent être utilisés ensemble : un prompt qui dit « le marché ferme » et une trajectoire qui descend l’allée sont deux entrées distinctes qui se composent. C’est la différence concrète entre Hy-Nomas et un modèle texte-vidéo. Un modèle texte-vidéo déduit un mouvement de caméra à partir d’une prose et espère que ça marche ; on indique à Hy-Nomas où va la caméra.

Il existe un troisième mécanisme de contrôle, plus discret : Nomas-PE, un enrichisseur de prompt en ligne qui reformule une instruction laconique en quelque chose sur quoi le modèle conditionne plus efficacement. Il est facultatif, et c’est le genre de composant qui vous indique où se situent les modes de défaillance — si le modèle de base gérait bien un prompt de cinq mots, l’enrichisseur n’existerait pas.

La fonctionnalité dont personne ne parle : un LoRA de domaine en 2 000 étapes

Deux adaptateurs sont fournis avec la version. Le Cinematic LoRA est fusionné dans le DiT distillé pour améliorer la qualité visuelle. Le Robotics LoRA a été entraîné sur le jeu de données de bras robotique RealSource-World et est fusionné dans le même checkpoint distillé pour améliorer les scènes de manipulation. Tencent documente la recette : rang et alpha 256, dropout nul, Muon à un taux d’apprentissage constant de 1e-4 pendant 2 000 étapes, en n’entraînant que les paramètres LoRA, à l’aide d’une technique appelée segment forcing, puis en fusionnant l’adaptateur dans les poids distillés pour l’inférence.

C'est la partie avec la demi-vie la plus longue. Une adaptation en 2 000 étapes sur un seul domaine est suffisamment bon marché pour qu'un studio avec une identité visuelle maison, un laboratoire de robotique avec son propre bras, ou une équipe de jeu avec une direction artistique spécifique puisse spécialiser le modèle sans toucher aux poids de base. Cela donne aussi à la publication une trajectoire communautaire plausible qu'un modèle fermé ne peut pas avoir : attendez-vous à ce que les résultats intéressants de Hy-Nomas au cours du mois prochain viennent de fusions LoRA, et non du checkpoint de base.

Ce que coûte l’exécution : huit GPU, ou une seule 4090 avec des compromis

La configuration par défaut est de huit GPU avec un parallélisme de séquence à huit voies. La voie à faible mémoire est celle qui a fait les gros titres : une seule RTX 4090, avec des poids DiT en INT8 et un cache KV en INT8, un plafonnement de l’historique par fenêtre glissante, un déport vers le CPU, FlexAttention pour le DiT et CUTLASS FP8 pour le décodage, le parallélisme de séquence étant désactivé. Tencent avertit que le déport vers le CPU nécessite suffisamment de RAM système et ajoute une surcharge de transfert, ce qui est une façon polie de dire que le mode mono-GPU est réel, mais pas gratuit.

L’empreinte de téléchargement diffère aussi selon le chemin choisi. La voie de démonstration documentée télécharge environ 86 Go ; la voie à faible mémoire nécessite environ 38 Go, plus l’encodeur de texte. Aucune des deux n’est un téléchargement pour ordinateur portable, et aucune ne s’accompagne d’un point de terminaison hébergé. Il n’existe pas d’API, pas de tarification à la seconde et pas de service géré de Tencent pour Hy-Nomas — soit vous l’exécutez, soit vous ne l’utilisez pas.

• Service par défaut — 8 GPU, parallélisme de séquence à 8 voies ; l’exemple d’entraînement utilise 128 GPU répartis en 16 répliques de parallélisme de données × 8 voies de parallélisme de séquence

• Service sur un seul GPU — RTX 4090 avec DiT en INT8, cache KV en INT8, décodeur FP8, historique à fenêtre glissante et déport vers le CPU

• Empreinte — environ 196 Go pour le jeu complet de checkpoints, 86 Go pour le parcours de démonstration documenté, 38 Go plus l’encodeur de texte pour les configurations à faible mémoire

• Coût — aucun tarif fournisseur n'existe ; le coût correspond à vos heures de GPU

Si vous construisez autour d’un modèle à poids ouverts comme celui-ci, les parties qui ne sont pas le modèle ont quand même besoin d’une pile : le légendage, l’amélioration des prompts, les harnais d’évaluation, et tout LLM qui intervient dans la boucle d’agent pour décider de la prochaine instruction. C’est à ce niveau qu’une API unique trouve sa place — OrcaRouter place plus de 200 modèles hébergés derrière une seule clé avec 0 % de majoration, répercute le prix catalogue du fournisseur sans modification et bascule automatiquement en cas de dégradation d’un fournisseur, de sorte que l’orchestration autour d’un modèle de monde auto-hébergé n’ait pas besoin d’un second contrat pour chaque appel auxiliaire. Hy-Nomas lui-même ne figure pas dans notre catalogue ; les poids sont ceux du fournisseur, et nous n’allons pas prétendre le contraire.

Le nombre manquant

Hy-Nomas-Bench existe bel et bien. Il comporte 280 cas répartis sur quatre parcours — contrôle textuel multi-tours, navigation par caméra, contrôle entrelacé texte-et-caméra et mémoire spatiale — ainsi qu’environ 220 trajectoires de caméra de référence. Ce qu’il n’a pas, c’est un tableau de résultats. Le dépôt renvoie au jeu de données ; la page du jeu de données n’affiche aucun score ; le lien vers le rapport technique ne mène à rien et le README indique « Coming Soon ». La fiche modèle de Tencent décrit l’architecture et les paramètres d’échantillonnage par défaut, et il s’agit de détails de configuration plutôt que de résultats de benchmark.

Cette absence n’est pas un scandale, mais elle change ce qu’une phrase équitable sur ce modèle peut affirmer. « Hy-Nomas génère une vidéo 720 × 1280 à 24 FPS avec huit étapes de débruitage » est une spécification que l’on peut vérifier à partir de la configuration. « Hy-Nomas maintient une cohérence sur un horizon long » est une affirmation de conception, étayée par un clip de démonstration, et non un résultat mesuré. « Hy-Nomas surpasse le modèle X » n’est pas une affirmation que quiconque peut faire actuellement, car aucun des deux côtés de cette comparaison ne dispose d’une valeur publiée sur le même test.

La position honnête, trois jours après l’apparition des poids, est que Hy-Nomas est une publication de capacités bien documentée, assortie d’une affirmation de qualité non évaluée. La documentation est suffisamment bonne pour le reproduire. L’évaluation est suffisamment bonne pour que vous puissiez l’exécuter vous-même. Le verdict manque, et il manque à dessein ou par précipitation — dans un cas comme dans l’autre, il ne nous appartient pas de l’inventer.

Quoi surveiller, et que faire maintenant

Trois choses changeraient la donne. Un rapport technique avec de vrais chiffres ferait passer Hy-Nomas du statut d’affirmation à celui de référence. Une vague communautaire de LoRA vous dirait si la recette d’adaptation en 2 000 étapes fonctionne en dehors des propres exemples de Tencent. Et une reproduction sur un seul 4090 — pas une démo, une exécution mesurée — vous dirait si le chemin à faible mémoire est utilisable ou simplement possible.

Jusque-là, la façon sensée de lire cette publication est par artefact, pas par titre. Les poids sont ouverts, le code fonctionne, le benchmark n’est qu’une coquille, et la démo est une conversation de cinq tours avec un monde qui se souvient. C’est plus que ce que la plupart des labos ont livré ce mois-ci, et moins que ce qu’un tableau de benchmark prouverait. Si vous avez les GPU et un domaine qui nécessite son propre examen, la recette LoRA est la raison de le télécharger aujourd’hui. Si vous avez besoin d’un chiffre avant de vous engager, le chiffre n’existe pas encore.