Hy-Nomas: Apa yang Sebenarnya Dilakukan Model Dunia Interaktif Bebas Bentuk Milik Tencent

Hal yang paling berguna untuk dipahami tentang Hy-Nomas adalah bahwa model ini tidak membuat sebuah video. Model ini membuat empat detik berikutnya dari sebuah video, menunjukkannya kepada Anda, menunggu instruksi Anda, lalu membuat empat detik setelahnya — dengan membawa semua yang telah direndernya dalam cache sehingga sudut jalan tempat Anda berbelok dua menit lalu masih memiliki toko yang sama di sana. Tencent Hunyuan menerbitkan bobot, kode inferensi, pipeline fine-tuning, benchmark 280 kasus, dan demo peramban antara 21 dan 23 Oktober 2026, di bawah Apache 2.0, tanpa pos pengumuman dan tanpa hasil benchmark. Galeri kartu model itu sendiri menyertakan klip enam puluh detik, lima giliran yang disebut clockwork-flight; klip itu adalah penjelasan produk yang lebih baik daripada repositori atau makalah yang belum diterbitkan.

Berikut ini adalah penelusuran tentang apa yang benar-benar dirilis, bagaimana loop interaktif dibangun, dan satu angka yang tidak terdapat dalam rilis tersebut. Ini ditulis berdasarkan repositori, kartu model, dan file konfigurasi yang dirilis — bukan dari uji coba langsung, karena per 24 Oktober belum ada evaluasi pihak ketiga atas Hy-Nomas yang dapat dikutip.

Empat artefak, hanya satu di antaranya yang merupakan model

Tencent merilis sebuah bundel, dan bundel itulah inti ceritanya. Artefak pertama adalah kumpulan checkpoint di Hugging Face, sekitar 196 GB yang mencakup DiT autoregresif dasar, DiT yang disuling, versi INT8, autoencoder video DCAE-V, dekoder PixelUMM yang disetel halus dalam FP32 dan FP8, serta penambah prompt Nomas-PE. Artefak kedua adalah repositori GitHub: harness inferensi, harness pembuatan keterangan untuk menyusun data fine-tuning, pengemasan urutan offline, pelatih LoRA, dan skrip penggabungan. Artefak ketiga adalah Hy-Nomas-Bench, set evaluasi 280 kasus dalam empat jalur dengan sekitar 220 lintasan kamera referensi. Artefak keempat adalah demo di hy-nomas.hy.tencent.com, tempat Anda bergerak melalui adegan yang dihasilkan dengan WASD atau seret mouse.

Kombinasi itu tidak biasa untuk rilis model dunia. Sebagian besar menerbitkan makalah dan galeri. Tencent menerbitkan mesinnya dan membiarkan evaluasinya kosong. Jika Anda ingin tahu apakah Hy-Nomas bagus, Anda sekarang dapat mengetahuinya sendiri; Anda belum bisa membaca jawabannya.

Perulangan: satu segmen dalam satu waktu, dengan masa lalu tetap tersimpan di cache

Hy-Nomas adalah transformer difusi autoregresif segmen. Model ini merender rentang video pendek, menambahkannya ke sesi, lalu mengondisikan rentang berikutnya pada cache KV seumur hidup yang menyimpan latent sebelumnya beserta key dan value-nya. Itulah sebabnya model dapat menjaga konsistensi adegan antar giliran tanpa modul memori terpisah atau langkah pengambilan: riwayat berada di dalam konteks atensi, dan riwayat itu terus bertambah.

Arsitektur di bawahnya adalah MMDiT dual-stream 54-blok dengan ukuran tersembunyi 2.048, 16 kepala atensi, dan embedding posisi rotari 3D. Teks dikodekan oleh Qwen2.5-VL-7B-Instruct. Ekstrinsik kamera masuk melalui cross-attention, bukan ditanamkan ke dalam prompt teks, yang penting bagi narasi kontrol di bawah ini. Tencent tidak menyebutkan jumlah parameter; checkpoint FP32 berukuran 34,2 GB, yang menyiratkan sekitar 8,5 miliar parameter jika Anda mengasumsikan penyimpanan 32-bit dan tanpa status optimizer — aritmetika, bukan klaim vendor, dan sebaiknya diperlakukan sebagai perkiraan, bukan spesifikasi.

• Keluaran — 720 × 1280 pada 24 FPS, dengan angka 24 FPS tersebut menjelaskan pemutaran, bukan kecepatan pembuatan

• Denoising — 8 langkah dalam konfigurasi terdistilasi; kode menerima 4, 6, atau 8

• Latent — DCAE-V 32 saluran, didekode oleh dekoder PixelUMM yang di-fine-tune; tersedia dekoder FP8

• Konteks — cache KV seumur hidup yang dibawa lintas segmen, bukan jendela tetap yang direset

Dua setir, dan hanya salah satunya yang merupakan prompt

Saluran teks bersifat bentuk bebas dan multi-putaran. Anda dapat menambahkan objek, mengubah cuaca, mengubah gaya adegan, atau mendeskripsikan suatu tindakan, dan instruksi tersebut berlaku mulai dari segmen berikutnya alih-alih merender ulang apa yang telah muncul sebelumnya. Framing repositori itu sendiri adalah "kontrol prompt teks multi-putaran bentuk bebas" — intinya adalah bahwa prompt bukanlah keterangan sekali pakai untuk sebuah klip, melainkan satu giliran dalam percakapan dengan dunia.

Kanal kamera adalah yang lebih menarik, karena ini bukan bahasa. Anda memasukkan lintasan ekstrinsik kamera, dan model merender dunia dari jalur tersebut sementara prompt teks terus mendeskripsikan apa yang ada di dalamnya. Teks dan kamera dapat digunakan bersama: prompt yang berbunyi "pasar sedang tutup" dan lintasan yang menyusuri lorong adalah dua input terpisah yang menyatu. Inilah perbedaan konkret antara Hy-Nomas dan model text-to-video. Model text-to-video menyimpulkan gerakan kamera dari prosa dan berharap; Hy-Nomas diberi tahu ke mana kamera bergerak.

Ada kontrol ketiga yang lebih senyap: Nomas-PE, sebuah penyempurna prompt daring yang menulis ulang instruksi singkat menjadi sesuatu yang dapat dijadikan dasar pengondisian oleh model secara lebih efektif. Komponen ini opsional, dan merupakan jenis komponen yang memberi tahu Anda di mana mode kegagalan berada — jika model dasar mampu menangani prompt lima kata dengan baik, penyempurna ini tidak akan ada.

Fitur yang tidak dibahas siapa pun: LoRA domain dalam 2.000 langkah

Dua adaptor disertakan dalam rilis ini. LoRA Cinematic digabungkan ke DiT yang telah didistilasi untuk meningkatkan kualitas visual. LoRA Robotics dilatih pada dataset lengan robot RealSource-World dan digabungkan ke checkpoint terdistilasi yang sama untuk meningkatkan adegan manipulasi. Tencent mendokumentasikan resepnya: rank dan alpha 256, dropout nol, Muon dengan laju pembelajaran konstan 1e-4 selama 2.000 langkah, hanya melatih parameter LoRA, menggunakan teknik yang disebut segment forcing, lalu menggabungkan adaptor ke bobot hasil distilasi untuk inferensi.

Ini adalah bagian dengan paruh waktu terpanjang. Adaptasi 2.000 langkah pada satu domain cukup murah sehingga studio dengan gaya khas, laboratorium robotika dengan lengan miliknya sendiri, atau tim game dengan arah seni tertentu dapat mengkhususkan model tanpa menyentuh bobot dasar. Ini juga memberi rilis tersebut lintasan komunitas yang masuk akal yang tidak dapat dimiliki model tertutup: perkirakan hasil Hy-Nomas yang menarik selama bulan depan akan datang dari penggabungan LoRA, bukan dari checkpoint dasar.

Berapa biaya untuk menjalankannya: delapan GPU, atau satu 4090 dengan sejumlah kompromi

Jalur default adalah delapan GPU dengan paralelisme sekuens delapan arah. Jalur memori rendah adalah yang menjadi sorotan: satu RTX 4090, menggunakan bobot DiT INT8 dan cache KV INT8, batas riwayat jendela geser, offload CPU, FlexAttention untuk DiT dan CUTLASS FP8 untuk decoding, dengan paralelisme sekuens dinonaktifkan. Tencent memperingatkan bahwa offload CPU membutuhkan RAM sistem yang memadai dan menambah overhead transfer, yang merupakan cara sopan untuk mengatakan bahwa mode satu GPU itu nyata tetapi tidak gratis.

Ukuran unduhannya juga berbeda tergantung jalurnya. Rute demo yang didokumentasikan mengunduh sekitar 86 GB; rute memori rendah membutuhkan sekitar 38 GB plus encoder teks. Keduanya bukan unduhan untuk laptop, dan tidak satu pun disertai endpoint terhosting. Tidak ada API, tidak ada harga per detik, dan tidak ada layanan terkelola dari Tencent untuk Hy-Nomas — Anda menjalankannya sendiri, atau tidak menggunakannya.

• Penyajian default — 8 GPU, paralelisme sekuens 8-arah; contoh pelatihan menggunakan 128 GPU sebagai 16 replika paralel data × 8 paralel sekuens

• Penyajian GPU tunggal — RTX 4090 dengan DiT INT8, cache KV INT8, dekoder FP8, riwayat jendela geser, dan offload CPU

• Jejak — sekitar 196 GB untuk set checkpoint lengkap, 86 GB untuk jalur demo terdokumentasi, 38 GB ditambah encoder teks untuk memori rendah

• Biaya — tidak ada harga dari vendor; biayanya adalah jam GPU Anda

Jika Anda membangun di sekitar model dengan bobot terbuka seperti ini, bagian-bagian yang bukan model tetap memerlukan stack: pembuatan keterangan, peningkatan prompt, harness evaluasi, dan LLM apa pun yang berada dalam loop agen yang menentukan instruksi berikutnya. Di lapisan itulah satu API membuktikan kelayakannya — OrcaRouter menempatkan 200+ model yang dihosting di balik satu kunci dengan markup 0%, meneruskan harga daftar penyedia tanpa perubahan, dan otomatis melakukan failover saat penyedia mengalami penurunan kinerja, sehingga orkestrasi di sekitar model dunia yang dihosting sendiri tidak memerlukan kontrak kedua untuk setiap panggilan tambahan. Hy-Nomas sendiri tidak ada di katalog kami; bobotnya milik vendor, dan kami tidak akan berpura-pura sebaliknya.

Angka yang hilang

Hy-Nomas-Bench nyata. Ini memiliki 280 kasus di empat jalur — kontrol teks multi-putaran, navigasi kamera, kontrol teks-dan-kamera berselang-seling, dan memori spasial — serta sekitar 220 lintasan kamera referensi. Yang tidak dimilikinya adalah tabel hasil. Repositori tersebut menautkan dataset; halaman dataset tidak memuat skor; tautan laporan teknis tidak mengarah ke apa pun dan README menyatakan "Coming Soon". Kartu model Tencent menjelaskan arsitektur dan default pengambilan sampel, dan itu adalah detail konfigurasi, bukan hasil benchmark.

Ketiadaan itu bukan skandal, tetapi itu mengubah apa yang bisa dikatakan oleh kalimat yang adil tentang model ini. "Hy-Nomas menghasilkan video 720 × 1280 pada 24 FPS dengan delapan langkah denoising" adalah spesifikasi yang dapat Anda verifikasi dari konfigurasi. "Hy-Nomas mempertahankan konsistensi horizon panjang" adalah klaim desain, yang didukung oleh klip demo, bukan hasil terukur. "Hy-Nomas mengalahkan model X" bukanlah klaim yang dapat dibuat siapa pun saat ini, karena tidak ada pihak dalam perbandingan itu yang memiliki angka terbit pada tes yang sama.

Posisi yang jujur, tiga hari setelah bobot muncul, adalah bahwa Hy-Nomas merupakan rilis kemampuan yang terdokumentasi dengan baik dengan klaim kualitas yang belum dievaluasi. Dokumentasinya cukup baik untuk mereproduksinya. Evaluasinya cukup baik untuk dijalankan sendiri. Putusannya tidak ada, dan ketiadaannya bisa karena disengaja atau karena tergesa-gesa — apa pun itu, bukan hak kita untuk mengarangnya.

Apa yang harus dipantau, dan apa yang harus dilakukan sekarang

Tiga hal akan mengubah gambaran. Laporan teknis dengan angka aktual akan mengubah Hy-Nomas dari sekadar klaim menjadi baseline. Gelombang LoRA komunitas akan memberi tahu Anda apakah resep adaptasi 2.000 langkah berfungsi di luar contoh Tencent sendiri. Dan reproduksi pada satu 4090 — bukan demo, melainkan uji terukur — akan memberi tahu Anda apakah jalur memori rendah dapat digunakan atau sekadar mungkin.

Sampai saat itu, cara yang masuk akal untuk membaca rilis ini adalah dari artefaknya, bukan dari judulnya. Bobotnya terbuka, kodenya berjalan, benchmark-nya masih cangkang, dan demonya adalah percakapan lima giliran dengan dunia yang mengingat. Itu lebih dari yang telah dikirim sebagian besar lab bulan ini, dan kurang dari yang bisa dibuktikan oleh tabel benchmark. Jika Anda punya GPU dan domain yang perlu ditinjau sendiri, resep LoRA adalah alasan untuk mengunduhnya hari ini. Jika Anda butuh angka sebelum berkomitmen, angka itu belum ada.