Hy-Nomas: מה מודל העולם האינטראקטיבי החופשי של Tencent באמת עושה

הדבר המועיל ביותר להבין לגבי Hy-Nomas הוא שהוא לא יוצר סרטון. הוא יוצר את ארבע השניות הבאות של סרטון, מראה לך אותן, ממתין להוראה שלך, ואז יוצר את ארבע השניות שאחריהן — כשהוא נושא את כל מה שכבר רונדר במטמון, כך שפינת הרחוב שבה פנית לפני שתי דקות עדיין מציגה את אותה חנות. Tencent Hunyuan פרסמה את המשקלים, את קוד ההסקה, צינור כוונון עדין, בנצ'מרק בן 280 מקרים והדגמת דפדפן בין 21 ל-23 באוקטובר 2026, תחת Apache 2.0, בלי פוסט הכרזה ובלי תוצאות בנצ'מרק. בגלריה של כרטיס המודל עצמו יש קליפ בן שישים שניות עם חמישה סבבים בשם clockwork-flight; הקליפ הזה הוא הסבר טוב יותר למוצר מאשר המאגר או המאמר שטרם פורסם.

מה שלהלן הוא סקירה של מה ששוחרר בפועל, כיצד נבנית הלולאה האינטראקטיבית, והמספר האחד שהגרסה אינה מכילה. הוא נכתב מתוך המאגר, כרטיס המודל וקובצי התצורה ששוחררו — ולא מתוך הרצה מעשית, מפני שנכון ל-24 באוקטובר אין הערכת גורם שלישי של Hy-Nomas לצטט.

ארבעה ארטיפקטים, שרק אחד מהם הוא מודל

Tencent שחררה חבילה, והחבילה היא הסיפור. הפריט הראשון הוא סט ה-checkpoints ב-Hugging Face, כ-196 GB בסך הכול, הכולל את ה-DiT האוטורגרסיבי הבסיסי, DiT מזוקק, גרסת INT8, אוטואנקודר הווידאו DCAE-V, מפענח PixelUMM מכוונן ב-FP32 וב-FP8, ואת משפר הפרומפטים Nomas-PE. השני הוא מאגר ה-GitHub: רתמת אינפרנס, רתמת תיוג לבניית נתוני כיוונון עדין, אריזת רצפים לא מקוונת, מאמן LoRA וסקריפט מיזוג. השלישי הוא Hy-Nomas-Bench, סט הערכה בן 280 מקרים בארבעה מסלולים עם כ-220 מסלולי מצלמה של ייחוס. הרביעי הוא הדמו בכתובת hy-nomas.hy.tencent.com, שבו אתם נעים דרך סצנה מיוצרת עם WASD או בגרירת עכבר.

הצירוף הזה אינו שגרתי לשחרור של מודל עולם. רובם מפרסמים מאמר וגלריה. Tencent פרסמה את המנגנון והשאירה את ההערכה ריקה. אם אתם רוצים לדעת אם Hy-Nomas טוב, עכשיו אתם יכולים לגלות בעצמכם; עדיין אינכם יכולים לקרוא את התשובה.

הלולאה: קטע אחד בכל פעם, כשהעבר נשמר במטמון

Hy-Nomas הוא שנאי דיפוזיה אוטורגרסיבי מקטעי. הוא מרנדר מקטע וידאו קצר, מוסיף אותו לסשן, ומתנה את המקטע הבא על סמך מטמון KV מתמשך שמאחסן את הלטנטים הקודמים ואת המפתחות והערכים שלהם. זו הסיבה שהמודל יכול לשמור על עקביות הסצנה בין סבבים בלי מודול זיכרון נפרד או שלב אחזור: ההיסטוריה נמצאת בתוך הקשר הקשב, והיא גדלה.

הארכיטקטורה שמתחת היא MMDiT דו-זרמי בעל 54 בלוקים, עם גודל חבוי של 2,048, 16 ראשי קשב והטמעות מיקום רוטציוניות תלת-ממדיות. הטקסט מקודד על ידי Qwen2.5-VL-7B-Instruct. פרמטרים חיצוניים של המצלמה נכנסים דרך קשב צולב במקום להיות מוטמעים בפרומפט הטקסט, מה שחשוב לסיפור הבקרה שלהלן. Tencent אינה מציינת מספר פרמטרים; צ'קפוינט ה-FP32 הוא 34.2 GB, מה שמרמז על כ-8.5 מיליארד פרמטרים אם מניחים אחסון של 32 סיביות וללא מצב אופטימיזר — חשבון, לא טענה של הספק, וראוי להתייחס לזה כאל הערכה ולא כמפרט.

• פלט — 720 × 1280 ב־24 FPS, כאשר הנתון 24 FPS מתאר את קצב הניגון, ולא את מהירות היצירה

• הסרת רעש — 8 צעדים בתצורה המזוקקת; הקוד מקבל 4, 6 או 8

• לטנטים — DCAE-V בעל 32 ערוצים, מפוענח באמצעות מפענח PixelUMM שעבר כוונון עדין; מסופק מפענח FP8

• הקשר — מטמון KV לכל החיים שנשמר לאורך מקטעים, ולא חלון קבוע שמתאפס

שני גלגלי הגה, ורק אחד מהם הוא פרומפט

ערוץ הטקסט הוא חופשי ומתנהל לאורך מספר סבבים. אפשר להוסיף אובייקט, לשנות את מזג האוויר, לעצב מחדש את הסצנה או לתאר פעולה, וההוראה חלה מהקטע הבא ואילך במקום לרנדר מחדש את מה שקדם לו. הניסוח של המאגר עצמו הוא "שליטה חופשית בהנחיית טקסט רב-סבבית" — הנקודה היא שההנחיה אינה כיתוב חד-פעמי לקליפ אלא תור בשיחה עם העולם.

ערוץ המצלמה הוא המעניין יותר, מפני שהוא אינו שפה. אתם מספקים מסלול של פרמטרים חיצוניים של המצלמה, והמודל מרנדר את העולם מהמסלול הזה בזמן שפרומפט הטקסט ממשיך לתאר מה נמצא בו. אפשר להשתמש בטקסט ובמצלמה יחד: פרומפט שאומר "השוק נסגר" ומסלול שמהלך לאורך המעבר הם שני קלטים נפרדים שמתחברים. זהו ההבדל הממשי בין Hy-Nomas לבין מודל טקסט-לווידאו. מודל טקסט-לווידאו מסיק תנועת מצלמה מן הפרוזה ומקווה; ל-Hy-Nomas אומרים לאן המצלמה הולכת.

ישנו מנגנון שליטה שלישי ושקט יותר: Nomas-PE, משפר פרומפטים מקוון שמנסח מחדש הוראה תמציתית למשהו שהמודל מתבסס עליו בצורה יעילה יותר. הוא אופציונלי, והוא מסוג הרכיבים שמראים לך היכן נמצאים מצבי הכשל — אילו מודל הבסיס היה מתמודד היטב עם פרומפט בן חמש מילים, המשפר לא היה קיים.

התכונה שאיש לא מדבר עליה: LoRA תחומי ב-2,000 צעדים

שני מתאמים מגיעים עם השחרור. ה-Cinematic LoRA מתמזג אל ה-DiT המזוקק כדי לשפר את האיכות החזותית. ה-Robotics LoRA אומן על מערך הנתונים RealSource-World של זרוע רובוטית ומתמזג אל אותו צ'קפוינט מזוקק כדי לשפר סצנות מניפולציה. Tencent מתעדת את המתכון: דירוג ואלפא 256, dropout אפס, Muon בקצב למידה קבוע של 1e-4 במשך 2,000 צעדים, אימון של פרמטרי LoRA בלבד, שימוש בטכניקה שנקראת segment forcing, ולאחר מכן מיזוג המתאם לתוך המשקלים המזוקקים לצורך הסקה.

זהו החלק עם זמן מחצית החיים הארוך ביותר. התאמה של 2,000 צעדים על תחום בודד היא זולה מספיק כדי שסטודיו עם מראה ביתי, מעבדת רובוטיקה עם זרוע משלה, או צוות משחקים עם כיוון אמנותי ספציפי יוכלו להתאים את המודל במיוחד בלי לגעת במשקולות הבסיס. זה גם מעניק לגרסה מסלול קהילתי סביר שמודל סגור אינו יכול להציע: צפו שהתוצאות המעניינות של Hy-Nomas בחודש הקרוב יגיעו ממיזוגי LoRA, ולא מנקודת השמירה הבסיסית.

כמה עולה להריץ: שמונה כרטיסים גרפיים, או 4090 אחד עם פשרות

מסלול ברירת המחדל הוא שמונה GPUs עם מקביליות רצף בשמונה כיוונים. מסלול הזיכרון הנמוך הוא זה שזכה לכותרות: RTX 4090 בודד, תוך שימוש במשקלי DiT מסוג INT8 ובמטמון KV מסוג INT8, הגבלת היסטוריית חלון מחליק, פריקת עומס ל-CPU, FlexAttention עבור ה-DiT ו-CUTLASS FP8 עבור פענוח, כאשר מקביליות הרצף מושבתת. Tencent מזהירה שפריקת עומס ל-CPU דורשת מספיק זיכרון RAM במערכת ומוסיפה תקורת העברה, שזו דרך מנומסת לומר שמצב ה-GPU הבודד הוא אמיתי אך אינו בחינם.

טביעת הרגל של ההורדה שונה גם היא בהתאם למסלול. המסלול המתועד לדמו מושך כ-86 GB; המסלול בעל הזיכרון הנמוך דורש בערך 38 GB ועוד מקודד הטקסט. אף אחד מהם אינו הורדה למחשב נייד, ולאף אחד מהם אין נקודת קצה מתארחת. אין API, אין תמחור לפי שנייה ואין שירות מנוהל מ-Tencent עבור Hy-Nomas — או שאתם מריצים אותו, או שאתם לא משתמשים בו.

• שירות ברירת מחדל — 8 מעבדי GPU, מקביליות רצף ב-8 כיוונים; דוגמת אימון משתמשת ב-128 מעבדי GPU כ-16 עותקים מקבילי-נתונים × 8 מקבילי-רצף

• שירות על GPU יחיד — RTX 4090 עם DiT ב-INT8, מטמון KV ב-INT8, מפענח FP8, היסטוריית חלון מחליק ו-offload ל-CPU

• נפח אחסון — כ־196 GB עבור סט הצ'קפוינטים המלא, 86 GB עבור מסלול ההדגמה המתועד, 38 GB בתוספת מקודד טקסט עבור זיכרון נמוך

• עלות — אין תמחור מצד ספק; העלות היא שעות ה-GPU שלך

אם אתם בונים סביב מודל במשקלים פתוחים כמו זה, החלקים שאינם המודל עדיין זקוקים לסטאק: יצירת כתוביות, שיפור פרומפטים, מערכי הערכה, וכל מודל שפה שיושב בלולאת הסוכן וקובע את ההוראה הבאה. השכבה הזו היא המקום שבו API יחיד מצדיק את עצמו — OrcaRouter מעמיד למעלה מ-200 מודלים מתארחים מאחורי מפתח אחד ב0% תוספת מחיר, מעביר את מחיר המחירון של הספק ללא שינוי, ומבצע מעבר חלופי אוטומטית כשספק נחלש, כך שהתזמור סביב מודל עולם בהרצה עצמית אינו זקוק לחוזה שני עבור כל קריאת עזר. Hy-Nomas עצמו אינו בקטלוג שלנו; המשקלים הם של הספק, ולא נעמיד פנים אחרת.

המספר החסר

Hy-Nomas-Bench הוא אמיתי. יש בו 280 מקרים בארבעה מסלולים — שליטה טקסטואלית מרובת תורים, ניווט במצלמה, שליטה משולבת בטקסט ובמצלמה, וזיכרון מרחבי — ולכ-220 מסלולי מצלמת ייחוס. מה שאין בו הוא טבלת תוצאות. המאגר מקשר למערך הנתונים; עמוד מערך הנתונים אינו כולל ציונים; הקישור לדוח הטכני לא מוביל לשום דבר, וה-README אומר "Coming Soon". כרטיס המודל של Tencent מתאר ארכיטקטורה וברירות מחדל של דגימה, ואלה פרטי תצורה ולא תוצאות בנצ'מרק.

היעדר זה אינו שערורייה, אך הוא משנה מה יכול לומר משפט הוגן על המודל הזה. "Hy-Nomas מייצר וידאו בגודל 720 × 1280 ב-24 FPS עם שמונה שלבי דה-נויזינג" הוא מפרט שניתן לאמת מתוך הקונפיגורציה. "Hy-Nomas שומר על עקביות לטווח ארוך" היא טענת תכנון, הנתמכת בקליפ הדגמה, ולא תוצאה מדודה. "Hy-Nomas עולה על מודל X" אינה טענה שמישהו יכול להשמיע כיום, משום שלאף אחד משני הצדדים של ההשוואה הזו אין מספר מפורסם באותו מבחן.

העמדה הכנה, שלושה ימים אחרי שהמשקלים הופיעו, היא ש-Hy-Nomas הוא שחרור יכולות מתועד היטב עם טענת איכות שלא הוערכה. התיעוד טוב מספיק כדי לשחזר אותו. ההערכה טובה מספיק כדי להריץ אותה בעצמך. ההכרעה חסרה, והיא חסרה בכוונה או מתוך חיפזון — כך או כך, לא לנו להמציא אותה.

על מה לעקוב, ומה לעשות עכשיו

שלושה דברים היו משנים את התמונה. דוח טכני עם מספרים בפועל יהפוך את Hy-Nomas מטענה לקו בסיס. גל LoRA קהילתי יגיד לך אם מתכון ההסתגלות בן 2,000 השלבים עובד מחוץ לדוגמאות של Tencent עצמה. ושחזור על 4090 בודד — לא הדגמה, אלא ריצה מדודה — יגיד לך אם מסלול הזיכרון הנמוך שמיש או רק אפשרי.

עד אז, הדרך ההגיונית לקרוא את השחרור הזה היא לפי ארטיפקט, לא לפי כותרת. המשקלים פתוחים, הקוד רץ, ה-benchmark הוא מעטפת, והדמו הוא שיחה בת חמישה תורים עם עולם שזוכר. זה יותר ממה שרוב המעבדות שחררו החודש, ופחות ממה שטבלת benchmark תוכיח. אם יש לכם GPUs ותחום שזקוק למבט משל עצמו, מתכון ה-LoRA הוא הסיבה להוריד אותו היום. אם אתם צריכים מספר לפני שאתם מתחייבים, המספר עדיין לא קיים.