Hy-Nomas : Tencent a mis en open source un modèle de monde interactif et n’en a pas dit un mot

Tencent a mis en ligne ce matin la suite d’évaluation et les poids de Hy-Nomas et, à la fin de la journée, n’avait toujours publié aucun score pour l’une ou pour les autres. Voilà à quoi ressemble cette publication. Hy-Nomas est un modèle de monde vidéo que l’on pilote avec des instructions textuelles et des mouvements de caméra, segment par segment, et ses poids ont été mis en ligne sur Hugging Face à 11 h 18 UTC aujourd’hui, le 23 octobre 2026 : un commit contenant 196 Go de checkpoints Apache-2.0, aux côtés d’un dépôt de code poussé à 09 h 01 le même matin et d’une démo jouable. Deux jours plus tôt, les deux dépôts existaient et étaient vides. Il n’y a ni article de blog, ni entrée arXiv, et le badge « Technical Report (Coming Soon) » sur la fiche du modèle renvoie à un fichier qui retourne une erreur 404. Quelques heures après la mise en ligne, la page du modèle affiche zéro like et zéro téléchargement, et le seul signe que quelqu’un l’ait remarqué est le dépôt GitHub : huit étoiles, un commit, aucune description.

La formulation honnête n’est donc pas « Tencent a lancé un modèle du monde ». C’est : Tencent a publié les poids, le code d’entraînement et d’inférence, un benchmark et un site de démonstration, et n’a pas encore dit un mot sur les résultats obtenus par tout cela. Tout ce qui suit est soit un horodatage ou une taille de fichier que vous pouvez vérifier vous-même, soit un chiffre que Tencent a inscrit sur sa propre fiche, soit un point où la fiche est ostensiblement silencieuse. Les trois catégories sont volontairement séparées, car dans une publication comme celle-ci, le silence est aussi informatif que les caractéristiques techniques.

Ce qui est réellement arrivé, à l'heure près

Les artefacts sont faciles à dater car ils sont peu nombreux et aucun n'a été beaucoup modifié.

• Le dépôt de modèle tencent/Hy-Nomas a été créé sur Hugging Face le 2026-10-21 à 02:17:37 UTC et est resté vide jusqu’à ce que son unique commit soit effectué le 2026-10-23 à 11:18:04 UTC. Ce commit représente 196,4 Go répartis sur 46 fichiers : deux checkpoints DiT fp32 de 34,2 Go, un DiT INT8 de 9,06 Go, deux adaptateurs LoRA, un décodeur PixelUMM de 31,55 Go, son jumeau FP8 de 9,13 Go, un autoencodeur DCAE-V de 4,28 Go, un modèle d’amélioration de prompt en 18 shards totalisant 55,6 Go, ainsi que les habituels tokenizer et fichiers de configuration.

• Le dépôt de code Tencent-Hunyuan/Hy-Nomas a été créé 47 minutes plus tard, à 03:04:54 UTC, sans qu'aucun champ de description ne soit renseigné. Son unique commit a été rédigé le 21 octobre, mais n'a été poussé qu'aujourd'hui, à 09:01:42 UTC. Le dépôt affiche toujours un seul commit et aucune version publiée, et il contient le code d'entraînement, les scripts d'inférence, une image Docker ainsi qu'un guide de déploiement de démo web.

• Le jeu de données de référence tencent/Hy-Nomas-Bench a été créé le 2026-10-22 à 05:18:20 UTC et a reçu son unique commit aujourd’hui à 09:10:51 UTC.

• La démo sur hy-nomas.hy.tencent.com répond avec un code HTTP 200 et un titre de page. C’est la seule partie de cette version destinée à toute personne extérieure à un groupe de recherche.

Le silence est propre à ce modèle, pas à Tencent. L'organisation Hugging Face de l'entreprise est active : tencent/Hy4-previewdatant de fin août totalise 513 mentions J'aime et environ 18 400 téléchargements, et tencent/Hy-Memory-30B-A3Bdu 15 octobre totalise 297 mentions J'aime et environ 3 300 téléchargements en huit jours. Hy-Nomas, mis en ligne dans la même fenêtre et bien plus grand, n'a rien de tout cela. Quelles que soient les raisons internes, ce n'est pas un lancement qui a sous-performé. C'est un lancement qui n'a pas été tenté.

Ce que Hy-Nomas fait et qu’un modèle texte-vers-vidéo ne fait pas

Cette distinction compte plus que le nombre de paramètres, car c’est la raison même de s’intéresser à cette sortie. Un modèle texte-vers-vidéo ordinaire prend une invite et renvoie un clip ; si vous voulez autre chose, vous recommencez et obtenez un clip sans rapport. Hy-Nomas génère un monde sous forme de chaîne de segments et conserve son propre historique.

Concrètement, la carte décrit quatre choses qui se produisent simultanément. Chaque segment reçoit son propre prompt, ce qui permet d’introduire un objet, de changer le style, de modifier le décor ou de décrire une action en cours de génération plutôt qu’au préalable. Un cache clé/valeur persistant transmet l’historique généré, de sorte qu’un segment ultérieur est conditionné par ce qui a déjà été produit au lieu d’être inventé de zéro. Le mouvement de caméra constitue une voie de conditionnement distincte plutôt qu’un élément décrit en prose : vous fournissez des matrices caméra-vers-monde et des paramètres intrinsèques, et le modèle les prend en compte dans chaque bloc. Et comme les segments sont générés de manière autorégressive, le monde peut continuer à s’étendre tant que vous continuez à lui fournir des instructions.

Le format de prompt montre à quel point cela est littéral. L'inférence hors ligne prend une liste JSON où chaque entrée comporte un style, une perspective, une liste de sujets, puis des segments chronométrés — une heure de début et de fin, une longue description visuelle et des actions contenues avec leurs propres horodatages. Le premier segment établit le monde ; les segments suivants utilisent un champ description_change pour indiquer comment il doit évoluer. L'exemple fourni construit une forêt lumineuse autour d'un petit renard orange, puis fait éclore des fleurs bleues lumineuses au bord de son chemin à la deuxième seconde.

Un chiffre sur la fiche est facile à mal interpréter, et la fiche elle-même le signale : le 24 FPS correspond au débit de lecture de la vidéo de sortie, et non à la vitesse de génération. La vitesse réelle du modèle dépend du matériel, de la résolution, de la longueur des segments et de la quantité d'historique présente dans le cache. Tencent le dit d'ailleurs explicitement. Dans une annonce sans latence publiée ni scores publiés, c'est la seule lecture honnête de ce chiffre.

La fiche technique que la carte fournit bel et bien

Tencent fait preuve d’une précision inhabituelle en matière d’architecture, et c’est précisément ce qui rend les résultats manquants si éloquents.

• Backbone — 54 blocs MMDiT à double flux et aucun bloc à flux unique, selon la configuration d’inférence.

• Largeur — taille cachée de 2 048, avec 16 têtes d’attention de 128 dimensions chacune et une expansion feed-forward de 4× à 8 192.

• Encodage de position — RoPE 3D avec dimensions [16, 56, 56] et theta 256.

• {{1}}Chemin textuel{{/1}} — le {{2}}composant de modèle de langage{{/2}} de {{3}}Qwen2.5-VL-7B-Instruct{{/3}}, dont les états cachés à 3 584 dimensions passent par un raffineur de tokens à deux couches et se projettent dans l’{{4}}espace DiT à 2 048 dimensions{{/4}}.

• Trajectoire de caméra — paramètres extrinsèques 4×4 normalisés, regroupés sur quatre images et aplatis en 64 dimensions, appliqués par attention croisée dans chaque bloc.

• Latents — DCAE-V f32t4c32 : 32 canaux, compression spatiale 32×, compression temporelle 4×.

• Décodeur — un PixelUMM affiné avec 36 couches, une taille cachée de 4 096, 32 têtes de requête et 8 têtes KV, exécutant une étape de décodage sur des fenêtres de 10 trames latentes avec un chevauchement de 5 trames.

• Sortie — 720 × 1280 à 24 FPS, avec 8 étapes de débruitage dans la configuration distillée ; le dépôt de code indique que les checkpoints distillés prennent en charge 4, 6 ou 8 étapes.

• Licence — Apache 2.0, l'encodeur de texte Qwen restant soumis à ses propres conditions.

Le seul chiffre que Tencent ne communique jamais, c'est le nombre total de paramètres. Le nombre qui s'en approche le plus est déduit plutôt que publié : un checkpoint DiT fp32 de 34,2 Go correspond à environ 8,5 milliards de paramètres à quatre octets chacun, et la version INT8 de 9,06 Go est cohérente avec ce calcul. Considérez-le comme une simple arithmétique sur une taille de fichier, et non comme une donnée de fiche technique — le fournisseur ne l'a confirmé nulle part.

Ce que coûte l’exploitation, le véritable critère décisif.

Rien dans cette version n’est hostile aux personnes extérieures, mais le déploiement par défaut part du principe que vous disposez d’un nœud, et non d’un ordinateur portable. La configuration d’inférence standard utilise un parallélisme de séquence sur 8 voies, si bien que son lancement par défaut requiert huit GPU au sein d’un même groupe d’inférence. Le README le dit clairement plutôt que de l’enterrer.

Il existe une véritable voie mono-GPU, et c’est l’ingénierie la plus intéressante de cette version. Elle fonctionne sur une seule RTX 4090 en combinant quatre astuces : les poids DiT ainsi que les clés et valeurs mises en cache sont stockés en INT8 tandis que le calcul reste en BF16, le décodeur s’exécute en FP8 via CUTLASS, l’encodeur de texte et les deux réseaux alternent entre CPU et GPU pour leurs propres étapes, et l’historique actif sur le GPU est plafonné à 18 images latentes, l’historique plus ancien étant archivé dans la RAM système. C’est ce dernier compromis qu’il faut comprendre avant de planifier en fonction : l’archive continue de grossir, le budget de 18 images ne limite que ce qui se trouve sur le GPU, et la mémoire du segment courant n’est pas du tout plafonnée par celui-ci. Tencent indique clairement que les transferts CPU–GPU ajoutent de la latence et que la mémoire GPU maximale varie selon la résolution et la longueur du segment.

Le calcul des téléchargements découle de la taille des fichiers. Le parcours de démonstration documenté exige le DiT distillé (34,2 GB), le décodeur PixelUMM correspondant (31,55 GB), DCAE-V (4,28 GB) et environ 16 GB de plus pour l'encodeur Qwen — soit environ 86 GB avant même de générer quoi que ce soit. Le parcours mono-GPU remplace ceux-ci par le DiT INT8 et le décodeur FP8, pour une empreinte bien plus réduite, proche de 38 GB plus l'encodeur. Les deux adaptateurs LoRA représentent des achats distincts en termes d'espace disque : un adaptateur cinématographique de 6,12 GB et un adaptateur robotique de 12,24 GB entraîné sur le jeu de données à deux bras RealSource-World, tous deux destinés à être fusionnés dans un DiT en virgule flottante. Le chargeur INT8 ne peut pas accepter un LoRA séparé au moment de l'inférence, ces deux parcours ne sont donc pas compatibles.

Les exigences d’environnement sont tout aussi précises : Linux, Python 3.12 ou plus récent, CUDA 13.0 Toolkit, PyTorch 2.10.0, et des builds de FlashAttention 2, FlashAttention 3 et MagiAttention. Une image précompilée, hynomasoss/hynomasoss:cu130, est recommandée plutôt que la procédure manuelle — la compilation des noyaux d’attention en étant la raison. La configuration d’entraînement dans le dépôt de code va plus loin : DP16 × SP8, 128 GPU, des séquences compactées jusqu’à 360 000 jetons. Quoi que vous fassiez avec les poids, vous n’allez pas réentraîner cela chez vous.

Le benchmark livré par Tencent sans scores

Hy-Nomas-Bench n'est pas un ajout après coup. C'est un véritable jeu de données : quatre suites d'évaluation couvrant l'interaction textuelle libre multi-tours, la navigation par caméra, le contrôle entrelacé du texte et de la caméra, et la mémoire spatiale, avec 280 cas de test, 220 trajectoires de caméra de référence, des prompts structurés, des séquences d'interaction et des chronologies de clavier, publié en JSON sous licence Apache 2.0 et organisé en divisions réservées exclusivement à l'évaluation. Il est arrivé environ deux heures avant les poids.

Ce qu’il ne fournit pas, c’est un tableau de résultats. Il n’y a ni classement, ni score par suite, ni comparaison avec un autre modèle, ni indication qu’un tel élément est prévu. Et la fiche est prudente d’une manière qui semble délibérée : après avoir énuméré l’architecture et les paramètres d’échantillonnage par défaut, elle ajoute une ligne — « L’architecture et les paramètres d’échantillonnage par défaut sont des détails de configuration, plutôt que des résultats de benchmark. »

Cette phrase joue véritablement un rôle. Elle signifie que les huit étapes de débruitage, la résolution 720 × 1280 et l’échelle de guidage caméra de 1.0 ne sont pas des preuves de qualité, et Tencent refuse qu’on les interprète comme telles. Pour quiconque évalue le modèle, la conséquence pratique est simple : vous pouvez réaliser l’évaluation vous-même et, d’ici là, vous ne pouvez pas comparer Hy-Nomas à quoi que ce soit sur un chiffre. C’est la suite qu’il faut télécharger si vous voulez un verdict, car personne ne vous en donne un.

Où il se situe parmi les autres modèles de monde ouvert

Le domaine a évolué rapidement en 2026, et la comparaison qui compte n’est pas le nombre de paramètres, mais les preuves que chaque version a apportées avec elle.

• Poids et licence — Hy-Nomas est sous Apache 2.0, sans restriction d'accès. LingBot-World, d'Ant Group, a publié ses poids ouverts fin janvier 2026 et a été présenté comme le premier modèle ouvert comparable à Genie 3 de Google, qui est fermé.

• Mode de contrôle — Hy-Nomas est centré sur le texte, avec des trajectoires de caméra, segment par segment. LingBot-World et la gamme Genie 3 privilégient le contrôle en temps réel, au clavier et à la souris, d’un personnage ou d’une caméra, ce qui constitue un modèle d’interaction différent : le jeu continu plutôt que la construction dirigée.

• Exigence matérielle minimale — Hy-Nomas exige par défaut huit GPU, ou un seul RTX 4090 avec un historique plafonné. Astronex-World 1.0, publié en septembre 2026, a rapporté un streaming en temps réel sur un seul L20 de 48 Go en 832 × 480, ce qui constitue un seuil nettement plus bas.

• Preuves — c’est ici que Hy-Nomas se retrouve seul dans la mauvaise colonne. LingBot-World est arrivé avec des chiffres de débit et de latence rapportés ; Astronex-World est arrivé avec un article arXiv et des chiffres de référence. Hy-Nomas affiche une 404 sur son rapport technique et aucun score du tout.

• Filiation — HY-WorldPlay, le précédent projet interactif ouvert de Tencent, fonctionnait à partir d’une image de départ ainsi que d’entrées de pose et d’action, en 720p et à 24 FPS. Hy-Nomas n’est pas le même modèle sous un nouveau nom ; la boucle textuelle multi-tour et la structure de prompt par segment sont nouvelles, et la fiche ne revendique aucune filiation avec celui-ci.

Rien de tout cela ne règle la question de la qualité. Un modèle peut être excellent et non documenté, et le silence de Tencent ne constitue pas une preuve dans un sens ou dans l’autre — cela signifie simplement que la charge de la preuve est passée à celui qui le télécharge.

Qui devrait y toucher maintenant, et qui devrait attendre ?

Si vous disposez d’un nœud à huit GPU et que votre problème est un état du monde qu’un humain modifie en cours de génération — une scène qui gagne un objet à la quatrième seconde, une caméra qui pivote parce que vous le lui avez demandé, un monde qui conserve sa géométrie pendant que vous changez la météo —, il s’agit de l’implémentation ouverte la plus directe de cette idée actuellement téléchargeable, et les termes Apache 2.0 signifient que vous pouvez vous appuyer dessus sans négociation. Le LoRA de robotique indique où Tencent s’attend à ce qu’il soit utilisé : des mondes de simulation pour l’entraînement incarné, pas de la vidéo sociale.

Si vous avez besoin d’un chiffre avant de vous engager, attendez. Non pas parce que le modèle est suspect, mais parce qu’il n’y a rien à citer. Un benchmark que vous devez exécuter vous-même représente une semaine d’ingénierie, et le rapport technique, lorsqu’il paraîtra, changera probablement ce que vous auriez mesuré.

Il y a une question opérationnelle plus secondaire autour du modèle qu’il vaut la peine de nommer, car elle pose problème à quiconque tente de reproduire la démo. La démo web fait passer chaque instruction par Nomas-PE, un service distinct de 55,6 Go qui convertit les formulations approximatives de l’utilisateur en JSON de segments structuré attendu par le DiT, et Tencent indique que la démo en a besoin. L’inférence hors ligne saute cette étape et vous demande d’écrire vous-même les prompts structurés. Si vous construisez votre propre interface, cette couche de construction de prompts est un appel ordinaire à un modèle de langage — et cette partie, contrairement à la pile vidéo, relève de l’infrastructure standard. OrcaRouter ne sert pas Hy-Nomas — une pile de diffusion auto-hébergée de 196 Go n’est pas ce à quoi sert une route API. Ce qu’il route, c’est le côté texte qui l’entoure — une seule clé pour plus de 200 modèles à 0 % de marge sur le prix catalogue des fournisseurs, avec basculement automatique — afin qu’une étape de réécriture de prompts ou de légendage des sorties en amont d’un modèle vidéo auto-hébergé n’ait pas besoin de son propre contrat fournisseur.

Les questions en suspens, et ce qui modifierait cet article

Quatre choses sont véritablement inconnues, et chacune a un artefact spécifique qui permettrait de la trancher.

Le premier point est la qualité. Hy-Nomas-Bench existe, donc un tableau de résultats publié constitue la prochaine étape évidente, et son absence est la plus grande lacune entre cette version et une version citable.

Le second point est la vitesse. Aucun chiffre de latence n’apparaît nulle part dans la fiche, seulement le taux de lecture. Il faudra bien que quelqu’un mesure le temps jusqu’au premier segment sur du matériel réel, et l’écart entre la configuration distillée en huit étapes et le modèle autorégressif de base mérite d’être quantifié plutôt que supposé.

Le troisième point est le soutien de l'écosystème. Le dépôt porte un diffusers tag, mais le chemin documenté passe par le paquet hymm de Tencent et une image Docker dédiée ; aucun environnement d'exécution tiers n'est mentionné comme pris en charge. Le fait qu'il obtienne ou non une classe de pipeline dans une bibliothèque grand public, comme finissent par le faire la plupart des modèles vidéo ouverts, déterminera s'il reste un artefact de recherche ou s'il devient un outil.

Le quatrième point est de savoir si Tencent communiquera un jour quoi que ce soit. Le rapport technique est étiqueté « coming soon » et renvoie actuellement une erreur 404, il n’existe pas de prépublication arXiv, et aucune couverture médiatique n’existe au 23 octobre. Il est tout à fait possible que l’entreprise attende un article ou un produit hébergé avant de promouvoir tout cela. Il est également possible que la publication soit exactement ce qu’elle semble être : des poids publiés pour mémoire, l’annonce étant différée.

Quoi qu'il en soit, le téléchargement est en ligne, la licence est permissive et la démo accepte des instructions dès aujourd'hui. Pour un modèle que personne n'a annoncé, c'est plus que ce qu'offrent la plupart des sorties discrètes — et bien moins qu'un lancement.