Hy-Nomas: Tencent Merilis Model Dunia Interaktif sebagai Open Source dan Tidak Mengatakan Apa Pun Tentangnya

{{1}}Tencent{{/1}} merilis suite evaluasi dan bobot untuk {{2}}Hy-Nomas{{/2}} pagi ini dan, hingga akhir hari, masih belum menerbitkan satu pun skor dari keduanya. Itulah gambaran rilis ini. {{3}}Hy-Nomas{{/3}} adalah model dunia video yang Anda kendalikan dengan instruksi teks dan gerakan kamera, satu segmen demi satu segmen, dan bobotnya diunggah ke Hugging Face pada {{4}}11.18 UTC hari ini, 23 Oktober 2026{{/4}}: satu commit yang membawa {{5}}196 GB checkpoint Apache-2.0{{/5}}, bersama repositori kode yang di-push pada {{6}}09.01 pagi yang sama{{/6}} dan demo yang dapat dimainkan. Dua hari sebelumnya, {{7}}kedua repositori{{/7}} sudah ada dan kosong. Tidak ada postingan blog, tidak ada entri arXiv, dan lencana {{8}}"Laporan Teknis (Segera Hadir)"{{/8}} pada kartu model menautkan ke berkas yang mengembalikan 404. Beberapa jam setelah unggahan, halaman model menunjukkan nol suka dan nol unduhan, dan satu-satunya tanda bahwa ada yang menyadarinya adalah repositori GitHub: {{9}}delapan bintang, satu commit, tanpa deskripsi{{/9}}.

Jadi pernyataan yang jujur bukanlah "Tencent meluncurkan world model." Melainkan: Tencent menerbitkan bobot, kode pelatihan dan inferensi, benchmark, serta situs demo, dan belum mengatakan sepatah kata pun tentang berapa skor apa pun dari semua itu. Semua yang ada di bawah ini entah merupakan stempel waktu atau ukuran file yang bisa Anda verifikasi sendiri, angka yang Tencent tuliskan pada kartunya sendiri, atau tempat di mana kartu itu secara mencolok bungkam. Ketiga kategori itu sengaja dipisahkan, karena dalam rilis seperti ini, kebungkaman membawa informasi sebanyak spesifikasinya.

Apa yang sebenarnya terjadi, sampai ke jamnya

Artefak-artefak itu mudah ditentukan tanggalnya karena jumlahnya sangat sedikit dan tidak ada yang banyak disunting.

• Repositori model tencent/Hy-Nomas dibuat di Hugging Face pada 2026-10-21 pukul 02:17:37 UTC dan tetap kosong hingga satu-satunya commit masuk pada 2026-10-23 pukul 11:18:04 UTC. Commit tersebut berukuran 196,4 GB di 46 file: dua checkpoint DiT fp32 34,2 GB, DiT INT8 9,06 GB, dua adapter LoRA, dekoder PixelUMM 31,55 GB, kembarannya FP8 9,13 GB, autoencoder DCAE-V 4,28 GB, model peningkatan prompt 18-shard dengan total 55,6 GB, serta perlengkapan tokenizer dan konfigurasi yang biasa.

• Repositori kode Tencent-Hunyuan/Hy-Nomas dibuat 47 menit kemudian, pada pukul 03:04:54 UTC, tanpa kolom deskripsi yang diisi. Commit tunggalnya ditulis pada 21 Oktober tetapi baru di-push hari ini, pada pukul 09:01:42 UTC. Repositori tersebut masih menunjukkan satu commit dan tidak ada rilis, serta berisi kode pelatihan, skrip inferensi, image Docker, dan panduan deployment demo web.

• Kumpulan data benchmark tencent/Hy-Nomas-Bench dibuat pada 2026-10-22 pukul 05:18:20 UTC dan menerima satu-satunya commit-nya hari ini pukul 09:10:51 UTC.

• Demo di hy-nomas.hy.tencent.com merespons dengan HTTP 200 dan judul halaman. Ini adalah satu-satunya bagian dari rilis ini yang ditujukan untuk siapa pun di luar kelompok riset.

Kesunyian ini spesifik untuk model ini, bukan untuk Tencent. Organisasi Hugging Face perusahaan itu sendiri sibuk: tencent/Hy4-preview dari akhir Agustus memiliki 513 suka dan sekitar 18.400 unduhan, dan tencent/Hy-Memory-30B-A3B dari 15 Oktober memiliki 297 suka dan sekitar 3.300 unduhan dalam delapan hari. Hy-Nomas, yang diunggah pada periode yang sama dan jauh lebih besar, tidak memiliki semua itu. Apa pun alasan internalnya, ini bukan peluncuran yang berkinerja di bawah ekspektasi. Ini adalah peluncuran yang tidak pernah diupayakan.

Apa yang dilakukan Hy-Nomas yang tidak dilakukan model teks-ke-video

Perbedaan ini lebih penting daripada jumlah parameter, karena itulah alasan untuk peduli pada rilis ini sama sekali. Model text-to-video biasa mengambil satu prompt dan mengembalikan satu klip; jika Anda menginginkan sesuatu yang berbeda, Anda memulai lagi dan mendapatkan klip yang tidak terkait. Hy-Nomas menghasilkan dunia sebagai rangkaian segmen dan menyimpan riwayatnya sendiri.

Secara konkret, kartu ini menjelaskan empat hal yang terjadi sekaligus. Setiap segmen mendapat promptnya sendiri, sehingga Anda dapat memperkenalkan objek, mengubah gaya, mengubah latar, atau menjelaskan suatu tindakan di tengah proses generasi alih-alih di awal. Cache key/value yang persisten meneruskan riwayat yang dihasilkan, sehingga segmen berikutnya dikondisikan pada apa yang sudah dihasilkan, bukan diciptakan dari nol. Gerakan kamera merupakan jalur pengondisian tersendiri, bukan sesuatu yang Anda jelaskan dalam prosa: Anda memberikan matriks kamera-ke-dunia dan intrinsik, lalu model memperhatikannya di setiap blok. Dan karena segmen dihasilkan secara autoregresif, dunia dapat terus diperluas selama Anda terus memberinya instruksi.

Format prompt menunjukkan betapa literalnya hal ini. Inferensi offline mengambil daftar JSON yang setiap entrinya memiliki gaya, perspektif, daftar subjek, lalu segmen berwaktu — waktu mulai dan akhir, deskripsi visual yang panjang, dan aksi-aksi yang termuat dengan stempel waktunya sendiri. Segmen pertama menetapkan dunia; segmen-segmen berikutnya menggunakan description_change sebagai bidang untuk menyatakan bagaimana dunia itu seharusnya berkembang. Contoh yang disertakan membangun hutan bercahaya di sekitar rubah oranye kecil, lalu membuka bunga-bunga biru bercahaya di samping jalurnya pada penanda dua detik.

Satu angka di kartu ini mudah salah dibaca, dan kartu itu sendiri menandainya: angka 24 FPS adalah laju pemutaran video keluaran, bukan kecepatan generasi. Seberapa cepat model benar-benar berjalan bergantung pada perangkat keras, resolusi, panjang segmen, dan berapa banyak riwayat yang ada di cache. Tencent menyatakannya secara langsung. Dalam rilis tanpa latensi yang dipublikasikan dan tanpa skor yang dipublikasikan, itulah satu-satunya pembacaan yang jujur atas angka tersebut.

Lembar spesifikasi yang memang diberikan oleh kartu tersebut

Tencent luar biasa presisi soal arsitektur, dan itulah yang membuat hasil yang hilang terasa begitu mengena.

• Backbone — 54 blok MMDiT dual-stream dan nol blok single-stream, sesuai konfigurasi inferensi.

• Lebar — ukuran tersembunyi 2.048, dengan 16 kepala atensi masing-masing 128 dimensi dan ekspansi feed-forward 4× menjadi 8.192.

• Pengodean posisi — RoPE 3D dengan dimensi [16, 56, 56] dan theta 256.

• Jalur teks — komponen model bahasa dari Qwen2.5-VL-7B-Instruct, yang state tersembunyinya berdimensi 3.584 melewati penyaring token dua lapis dan diproyeksikan ke ruang DiT berdimensi 2.048.

• Jalur kamera — ekstrinsik 4×4 yang dinormalisasi dikelompokkan ke dalam empat frame dan diratakan menjadi 64 dimensi, diterapkan melalui cross-attention di setiap blok.

• Laten — DCAE-V f32t4c32: 32 saluran, kompresi spasial 32×, kompresi temporal 4×.

• Decoder — PixelUMM yang telah di-fine-tune dengan 36 lapisan, ukuran tersembunyi 4.096, 32 kepala query, dan 8 kepala KV, yang menjalankan satu langkah decoding pada jendela 10 frame-laten dengan tumpang tindih 5 frame.

• Output — 720 × 1280 pada 24 FPS, dengan 8 langkah denoising dalam konfigurasi distilled; repositori kode menyatakan bahwa checkpoint distilled mendukung 4, 6, atau 8 langkah.

• Lisensi — Apache 2.0, dengan encoder teks Qwen tetap tunduk pada ketentuannya sendiri.

Satu angka yang tidak pernah disebutkan Tencent adalah jumlah total parameter. Angka yang paling mendekati diperoleh melalui perhitungan, bukan diterbitkan: checkpoint DiT fp32 berukuran 34,2 GB menghasilkan sekitar 8,5 miliar parameter dengan empat byte per parameter, dan build INT8 berukuran 9,06 GB konsisten dengan itu. Anggaplah ini sebagai aritmetika atas ukuran file, bukan klaim lembar spesifikasi — vendor belum mengonfirmasinya di mana pun.

Berapa biaya untuk menjalankannya, itulah penentu sebenarnya.

Tidak ada yang bersifat memusuhi pihak luar dalam rilis ini, tetapi deployment bawaannya mengasumsikan Anda memiliki node, bukan laptop. Konfigurasi inferensi standarnya menggunakan paralelisme sekuens 8 arah, sehingga peluncuran bawaannya memerlukan delapan GPU dalam satu grup inferensi. README menyatakan hal itu secara terbuka alih-alih menyembunyikannya.

Ada jalur single-GPU yang benar-benar nyata, dan itu adalah rekayasa paling menarik dalam rilis ini. Jalur ini berjalan pada satu RTX 4090 dengan menggabungkan empat trik: bobot DiT serta keys dan values yang di-cache disimpan dalam INT8 sementara komputasi tetap dalam BF16, decoder berjalan dalam FP8 melalui CUTLASS, text encoder dan kedua jaringan berpindah antara CPU dan GPU untuk tahapnya masing-masing, dan riwayat GPU aktif dibatasi pada 18 frame laten dengan riwayat yang lebih lama diarsipkan di RAM sistem. Trade-off terakhir itulah yang perlu dipahami sebelum merencanakan seputar hal itu: arsipnya terus bertambah, anggaran 18 frame hanya membatasi apa yang berada di GPU, dan memori segmen saat ini sama sekali tidak dibatasi olehnya. Tencent mengatakan secara terus terang bahwa transfer CPU–GPU menambah latensi dan memori GPU puncak bervariasi menurut resolusi dan panjang segmen.

Perhitungan unduhannya mengikuti ukuran file. Jalur demo yang terdokumentasi membutuhkan DiT terdistilasi (34,2 GB), decoder PixelUMM yang cocok (31,55 GB), DCAE-V (4,28 GB), dan sekitar 16 GB lagi untuk encoder Qwen — sekitar 86 GB sebelum Anda menghasilkan apa pun. Jalur GPU tunggal menggantinya dengan DiT INT8 dan decoder FP8 untuk jejak yang jauh lebih kecil, mendekati 38 GB ditambah encoder. Dua adaptor LoRA merupakan pembelian ruang disk terpisah: adaptor sinematik 6,12 GB dan adaptor robotika 12,24 GB yang dilatih pada dataset dual-arm RealSource-World, keduanya dimaksudkan untuk digabungkan ke dalam DiT floating-point. Loader INT8 tidak dapat menerima LoRA terpisah saat inferensi, sehingga kedua jalur tersebut tidak dapat dikomposisikan.

Persyaratan lingkungan sama spesifiknya: Linux, Python 3.12 atau lebih baru, CUDA 13.0 Toolkit, PyTorch 2.10.0, serta build FlashAttention 2, FlashAttention 3, dan MagiAttention. Image yang telah dibangun sebelumnya, hynomasoss/hynomasoss:cu130, direkomendasikan dibandingkan jalur manual — dengan kompilasi kernel attention sebagai alasannya. Konfigurasi pelatihan di repositori kode lebih jauh lagi: DP16 × SP8, 128 GPU, sekuens yang dikemas hingga 360.000 token. Apa pun yang Anda lakukan dengan bobotnya, Anda tidak akan melatih ulang ini di rumah.

Benchmark yang dirilis Tencent tanpa skor

Hy-Nomas-Bench bukan sekadar tambahan belakangan. Ini adalah dataset nyata: empat rangkaian evaluasi yang mencakup interaksi teks bebas multi-giliran, navigasi kamera, kontrol teks dan kamera yang berselang-seling, serta memori spasial, dengan 280 kasus uji, 220 lintasan kamera referensi, prompt terstruktur, urutan interaksi, dan linimasa papan ketik, dirilis sebagai JSON di bawah Apache 2.0 dan diorganisasikan ke dalam split khusus evaluasi. Dataset ini muncul sekitar dua jam sebelum bobotnya dirilis.

Yang tidak disertakannya adalah tabel hasil. Tidak ada papan peringkat, tidak ada skor per-suite, tidak ada perbandingan dengan model lain mana pun, dan tidak ada indikasi bahwa itu akan datang. Dan kartu itu berhati-hati dengan cara yang terkesan disengaja: setelah mencantumkan arsitektur dan default pengambilan sampel, ia menambahkan satu baris — "Arsitektur dan default pengambilan sampel adalah detail konfigurasi, bukan hasil benchmark."

Kalimat itu benar-benar berperan. Artinya, delapan langkah denoising, resolusi 720 × 1280, dan skala panduan kamera 1,0 bukanlah bukti kualitas, dan Tencent menolak agar hal-hal itu dibaca sebagai bukti. Bagi siapa pun yang mengevaluasi model ini, konsekuensi praktisnya sederhana: Anda dapat menjalankan evaluasinya sendiri, dan sampai saat itu Anda tidak dapat menempatkan Hy-Nomas bersanding dengan apa pun berdasarkan sebuah angka. Suite itulah yang perlu diunduh jika Anda ingin mendapatkan putusan, karena tidak ada yang memberikannya kepada Anda.

Di mana posisinya di antara model open world lainnya

Bidang ini bergerak cepat pada 2026, dan perbandingan yang penting bukanlah jumlah parameter, melainkan bukti apa yang dibawa serta oleh setiap rilis.

• Bobot dan lisensi — Hy-Nomas adalah Apache 2.0 tanpa gating. LingBot-World, dari Ant Group, merilis bobot terbuka pada akhir Januari 2026 dan dipromosikan sebagai model terbuka pertama yang sebanding dengan Genie 3 milik Google yang tertutup.

• Skema kontrol — Hy-Nomas mengutamakan teks dengan lintasan kamera, segmen demi segmen. LingBot-World dan lini Genie 3 memimpin dengan kontrol keyboard dan mouse real-time atas karakter atau kamera, yang merupakan model interaksi berbeda: permainan kontinu versus konstruksi terarah.

• Batas minimum perangkat keras — Hy-Nomas menginginkan delapan GPU secara default atau satu RTX 4090 dengan riwayat yang dibatasi. Astronex-World 1.0, yang diterbitkan pada September 2026, melaporkan streaming secara real time pada satu L20 48 GB di 832 × 480, yang merupakan ambang yang jauh lebih rendah.

• Bukti — di sinilah Hy-Nomas berdiri sendirian di kolom yang salah. LingBot-World dirilis dengan angka throughput dan latensi yang dilaporkan; Astronex-World dirilis dengan makalah arXiv dan angka benchmark. Hy-Nomas mendapatkan 404 pada laporan teknisnya dan tidak memiliki skor sama sekali.

• Silsilah — Upaya interaktif terbuka Tencent sebelumnya, HY-WorldPlay, bekerja dari gambar awal plus input pose dan aksi pada 720p dan 24 FPS. Hy-Nomas bukan model yang sama dengan nama baru; loop teks multi-putaran dan struktur prompt per-segmen merupakan hal baru, dan kartu tersebut tidak mengklaim berasal darinya.

Tak satu pun dari itu menuntaskan persoalan kualitas. Sebuah model bisa unggul sekaligus tidak terdokumentasi, dan diamnya Tencent bukan bukti ke arah mana pun — itu hanya berarti beban pembuktian telah berpindah kepada siapa pun yang mengunduhnya.

Siapa yang harus menyentuhnya sekarang, dan siapa yang harus menunggu

Jika Anda memiliki node dengan delapan GPU dan masalah Anda adalah status dunia yang diedit manusia di tengah proses generasi — adegan yang mendapat objek pada detik keempat, kamera yang berputar karena Anda memerintahkannya, dunia yang mempertahankan geometrinya saat Anda mengubah cuaca — ini adalah implementasi terbuka paling langsung dari ide tersebut yang saat ini dapat diunduh, dan ketentuan Apache 2.0 berarti Anda dapat membangun di atasnya tanpa negosiasi. LoRA robotika adalah sinyal tentang di mana Tencent mengharapkan ini digunakan: dunia simulasi untuk pelatihan berwujud, bukan video sosial.

Jika Anda membutuhkan angka sebelum berkomitmen, tunggu. Bukan karena modelnya diragukan, tetapi karena tidak ada yang bisa dikutip. Benchmark yang harus Anda jalankan sendiri adalah pekerjaan rekayasa selama seminggu, dan laporan teknisnya, saat muncul, kemungkinan besar akan mengubah apa yang seharusnya Anda ukur.

Ada pertanyaan operasional yang lebih kecil seputar model ini yang layak disebut, karena hal itu menjadi masalah bagi siapa pun yang mencoba mereproduksi demo tersebut. Demo web merutekan setiap instruksi melalui Nomas-PE, layanan terpisah berukuran 55.6 GB yang mengubah frasa pengguna yang longgar menjadi JSON segmen terstruktur yang diharapkan DiT, dan Tencent menyatakan bahwa demo tersebut memerlukannya. Inferensi offline melewati langkah itu dan meminta Anda menulis prompt terstruktur sendiri. Jika Anda membangun front end sendiri, lapisan konstruksi prompt itu adalah panggilan model bahasa biasa — dan bagian itu, tidak seperti tumpukan video, merupakan infrastruktur komoditas. OrcaRouter tidak melayani Hy-Nomas — tumpukan difusi self-hosted berukuran 196 GB bukanlah hal yang ditujukan untuk rute API. Yang dirutekannya adalah sisi teks di sekitarnya — satu kunci untuk 200-plus model dengan markup 0% atas harga daftar penyedia, dengan failover otomatis — sehingga langkah penulisan ulang prompt atau pemberian caption output di depan model video self-hosted tidak memerlukan kontrak vendor sendiri.

Pertanyaan-pertanyaan yang masih terbuka, dan apa yang akan mengubah artikel ini

Ada empat hal yang benar-benar tidak diketahui, dan masing-masing memiliki artefak khusus yang dapat menyelesaikannya.

Yang pertama adalah kualitas. Hy-Nomas-Bench sudah ada, jadi tabel hasil yang dipublikasikan adalah langkah berikutnya yang jelas, dan ketiadaannya merupakan celah terbesar antara rilis ini dan rilis yang dapat dikutip.

Yang kedua adalah kecepatan. Tidak ada angka latensi yang muncul di mana pun dalam kartu, hanya laju pemutaran. Seseorang harus mengukur waktu-ke-segmen-pertama pada perangkat keras nyata, dan konfigurasi terdistilasi delapan langkah versus model autoregresif dasar adalah perbedaan yang layak dikuantifikasi, bukan diasumsikan.

Yang ketiga adalah dukungan ekosistem. Repositori ini membawa tag diffusers, tetapi jalur yang didokumentasikan adalah paket hymm milik Tencent sendiri dan image Docker yang dibuat khusus; tidak ada runtime pihak ketiga yang disebutkan sebagai didukung. Apakah ini nantinya mendapat kelas pipeline di pustaka arus utama, seperti yang akhirnya terjadi pada sebagian besar model video terbuka, akan menentukan apakah ini tetap menjadi artefak riset atau menjadi sebuah alat.

Yang keempat adalah apakah Tencent pernah mengatakan sesuatu. Laporan teknisnya diberi label "segera hadir" dan saat ini mengembalikan 404, tidak ada pracetak arXiv, dan tidak ada liputan pers per 23 Oktober. Sangat mungkin perusahaan sedang menunggu makalah atau produk yang dihosting sebelum mempromosikan semua ini. Ada juga kemungkinan rilis ini persis seperti tampilannya: bobot diterbitkan untuk catatan, dengan pengumuman yang ditunda.

Bagaimanapun juga, unduhannya sudah tersedia, lisensinya permisif, dan demo tersebut menerima instruksi hari ini. Untuk model yang tidak diumumkan oleh siapa pun, itu lebih dari yang ditawarkan sebagian besar rilis senyap — dan jauh lebih sedikit daripada sebuah peluncuran.