Hy-Nomas: cosa fa davvero il modello del mondo interattivo a forma libera di Tencent

La cosa più utile da capire su Hy-Nomas è che non crea un video. Crea i quattro secondi successivi di un video, te li mostra, attende la tua istruzione e poi crea i quattro secondi immediatamente successivi — mantenendo in una cache tutto ciò che ha già renderizzato, così l'angolo di strada dove hai svoltato due minuti fa presenta ancora lo stesso negozio. Tencent Hunyuan ha pubblicato i pesi, il codice di inferenza, una pipeline di fine-tuning, un benchmark di 280 casi e una demo nel browser tra il 21 e il 23 ottobre 2026, con licenza Apache 2.0, senza un post di annuncio né risultati del benchmark. La galleria della model card stessa include una clip di sessanta secondi e cinque turni chiamata clockwork-flight; quella clip è una spiegazione migliore del prodotto rispetto sia al repository sia al paper non ancora pubblicato.

Quello che segue è una panoramica su ciò che è stato effettivamente rilasciato, su come è costruito il ciclo interattivo e sull'unico numero che la release non contiene. È scritto a partire dal repository, dalla model card e dai file di configurazione rilasciati — non da una prova pratica, perché al 24 ottobre non esiste alcuna valutazione di terze parti di Hy-Nomas da citare.

Quattro artefatti, di cui solo uno è un modello

Tencent ha rilasciato un bundle, e il bundle è la storia. Il primo artefatto è il set di checkpoint su Hugging Face, circa 196 GB complessivi tra il DiT autoregressivo di base, un DiT distillato, una build INT8, l'autoencoder video DCAE-V, un decoder PixelUMM ottimizzato in FP32 e FP8 e l'enhancer di prompt Nomas-PE. Il secondo è il repository GitHub: un harness di inferenza, un harness di captioning per creare dati di fine-tuning, sequence packing offline, un trainer LoRA e uno script di merge. Il terzo è Hy-Nomas-Bench, un set di valutazione di 280 casi in quattro tracce con circa 220 traiettorie di camera di riferimento. Il quarto è la demo su hy-nomas.hy.tencent.com, dove ci si muove in una scena generata con WASD o trascinando il mouse.

Questa combinazione è insolita per il rilascio di un modello del mondo. La maggior parte pubblica un articolo e una galleria. Tencent ha pubblicato il meccanismo e ha lasciato vuota la valutazione. Se vuoi sapere se Hy-Nomas è valido, ora puoi scoprirlo da solo; non puoi ancora leggere la risposta.

Il loop: un segmento alla volta, con il passato mantenuto in cache

Hy-Nomas è un diffusion transformer autoregressivo a segmenti. Renderizza un breve intervallo di video, lo aggiunge alla sessione e condiziona l'intervallo successivo su una cache KV lifelong che conserva i latenti precedenti e le relative chiavi e valori. Ecco perché il modello può mantenere una scena coerente tra i turni senza un modulo di memoria separato o una fase di retrieval: la cronologia è dentro il contesto di attenzione e cresce.

L'architettura sottostante è un MMDiT dual-stream da 54 blocchi con dimensione nascosta 2.048, 16 teste di attenzione ed embedding di posizione rotazionali 3D. Il testo è codificato da Qwen2.5-VL-7B-Instruct. Le estrinseche della fotocamera entrano tramite cross-attention invece di essere incorporate nel prompt testuale, il che è rilevante per il discorso sul controllo qui sotto. Tencent non dichiara un conteggio dei parametri; il checkpoint FP32 è di 34,2 GB, il che implica circa 8,5 miliardi di parametri se si assume un'archiviazione a 32 bit e nessuno stato dell'ottimizzatore — aritmetica, non un'affermazione del fornitore, e da considerare una stima più che una specifica.

• Output — 720 × 1280 a 24 FPS, dove il valore di 24 FPS indica la riproduzione, non la velocità di generazione

• Denoising — 8 passaggi nella configurazione distillata; il codice accetta 4, 6 o 8

• Latenti — DCAE-V a 32 canali, decodificati da un decoder PixelUMM messo a punto; è fornito un decoder FP8

• Contesto — una KV cache che dura tutta la vita e viene trasportata attraverso i segmenti, non una finestra fissa che si azzera

Due volanti, e solo uno di essi è un prompt

Il canale testuale è libero e multi-turno. Puoi aggiungere un oggetto, cambiare il meteo, cambiare lo stile della scena o descrivere un'azione, e l'istruzione si applica dal segmento successivo invece di renderizzare nuovamente ciò che è venuto prima. La formulazione adottata dal repository stesso è «controllo del prompt testuale libero e multi-turno»: il punto è che il prompt non è una didascalia una tantum per una clip, ma un turno in una conversazione con il mondo.

Il canale della telecamera è quello più interessante, perché non è linguaggio. Fornisci una traiettoria di parametri estrinseci della telecamera e il modello renderizza il mondo lungo quel percorso mentre il prompt testuale continua a descrivere ciò che contiene. Testo e telecamera possono essere usati insieme: un prompt che dice "il mercato sta chiudendo" e una traiettoria che percorre il corridoio sono due input separati che si compongono. Questa è la differenza concreta tra Hy-Nomas e un modello text-to-video. Un modello text-to-video inferisce un movimento di telecamera dalla prosa e spera; a Hy-Nomas viene detto dove va la telecamera.

C’è un terzo controllo, più silenzioso: Nomas-PE, un potenziatore di prompt online che riscrive un’istruzione concisa in qualcosa su cui il modello può basarsi in modo più efficace. È opzionale, ed è il tipo di componente che ti dice dove si trovano le modalità di errore: se il modello di base gestisse bene un prompt di cinque parole, il potenziatore non esisterebbe.

La funzionalità di cui nessuno parla: un LoRA di dominio in 2.000 passi

Due adapter sono inclusi nella release. Il Cinematic LoRA si fonde nel DiT distillato per migliorare la qualità visiva. Il Robotics LoRA è stato addestrato sul dataset di bracci robotici RealSource-World e si fonde nello stesso checkpoint distillato per migliorare le scene di manipolazione. Tencent documenta la ricetta: rank e alpha 256, dropout zero, Muon con un learning rate costante di 1e-4 per 2.000 passi, addestrando solo i parametri LoRA, usando una tecnica chiamata segment forcing, quindi fondendo l’adapter nei pesi distillati per l’inferenza.

Questa è la parte con l'emivita più lunga. Un adattamento di 2.000 passaggi su un singolo dominio costa abbastanza poco che uno studio con un'estetica distintiva, un laboratorio di robotica con il proprio braccio robotico o un team di sviluppo giochi con una direzione artistica specifica può specializzare il modello senza toccare i pesi di base. Dà anche al rilascio una traiettoria comunitaria plausibile che un modello chiuso non può avere: aspettatevi che i risultati interessanti di Hy-Nomas del prossimo mese provengano da merge LoRA, non dal checkpoint di base.

Quanto costa farlo girare: otto GPU, oppure una 4090 con qualche compromesso

Il percorso predefinito prevede otto GPU con parallelismo di sequenza a otto vie. Il percorso a bassa memoria è quello che ha fatto notizia: una singola RTX 4090, con pesi DiT INT8 e una cache KV INT8, un limite della cronologia a finestra scorrevole, offload sulla CPU, FlexAttention per il DiT e CUTLASS FP8 per la decodifica, con il parallelismo di sequenza disabilitato. Tencent avverte che l'offload sulla CPU richiede RAM di sistema sufficiente e aggiunge overhead di trasferimento, il che è un modo gentile per dire che la modalità a singola GPU è reale ma non gratuita.

Anche l'impronta del download varia a seconda del percorso. Il percorso demo documentato scarica circa 86 GB; il percorso a bassa memoria richiede circa 38 GB più il text encoder. Nessuno dei due è un download da laptop, e nessuno dei due include un endpoint ospitato. Non esiste un'API, né un prezzo al secondo, né un servizio gestito da Tencent per Hy-Nomas — o lo esegui tu, o non lo usi.

• Serving predefinito — 8 GPU, parallelismo di sequenza a 8 vie; l'esempio di addestramento utilizza 128 GPU come 16 repliche con parallelismo dei dati × 8 con parallelismo di sequenza

• Serving su GPU singola — RTX 4090 con DiT INT8, cache KV INT8, decoder FP8, cronologia a finestra scorrevole e offload su CPU

• Ingombro: circa 196 GB per il set completo di checkpoint, 86 GB per il percorso demo documentato, 38 GB più il text encoder per la configurazione a bassa memoria

• Costo — non esiste un prezzo del fornitore; il costo corrisponde alle ore di GPU

Se stai costruendo attorno a un modello open-weights come questo, le parti che non sono il modello richiedono comunque uno stack: captioning, miglioramento dei prompt, harness di valutazione e qualunque LLM stia nel loop dell'agente a decidere l'istruzione successiva. È quello il livello in cui una singola API si guadagna il suo posto — OrcaRouter mette oltre 200 modelli ospitati dietro un'unica chiave a 0% di markup, passa invariato il prezzo di listino del provider e attiva automaticamente il failover quando un provider si degrada, così l'orchestrazione attorno a un world model self-hosted non ha bisogno di un secondo contratto per ogni chiamata ausiliaria. Hy-Nomas stesso non è nel nostro catalogo; i pesi sono del fornitore, e non abbiamo intenzione di fingere il contrario.

Il numero mancante

Hy-Nomas-Bench è reale. Ha 280 casi distribuiti su quattro tracce — controllo testuale multi-turno, navigazione tramite fotocamera, controllo intercalato di testo e fotocamera e memoria spaziale — e circa 220 traiettorie di riferimento della fotocamera. Ciò che non ha è una tabella di risultati. Il repository collega il dataset; la pagina del dataset non riporta alcun punteggio; il link al rapporto tecnico non risolve a nulla e il README dice "Coming Soon". La model card di Tencent descrive l'architettura e i valori predefiniti di campionamento, e questi sono dettagli di configurazione anziché risultati di benchmark.

Quell'assenza non è uno scandalo, ma cambia ciò che può affermare una frase equa su questo modello. "Hy-Nomas genera video a 720 × 1280 a 24 FPS con otto passaggi di denoising" è una specifica verificabile dalla configurazione. "Hy-Nomas mantiene la coerenza su lungo orizzonte" è un'affermazione di progetto, supportata da una clip dimostrativa, non un risultato misurato. "Hy-Nomas batte il modello X" non è un'affermazione che chiunque possa fare attualmente, perché nessuna delle due parti di quel confronto ha un numero pubblicato sullo stesso test.

La posizione onesta, tre giorni dopo la comparsa dei pesi, è che Hy-Nomas è un rilascio di capacità ben documentato con un'affermazione sulla qualità non valutata. La documentazione è abbastanza buona da riprodurlo. La valutazione è abbastanza buona da eseguirla da soli. Il verdetto manca, e manca di proposito o per fretta: in entrambi i casi, non spetta a noi inventarlo.

Cosa tenere d'occhio e cosa fare ora

Tre cose cambierebbero il quadro. Un rapporto tecnico con numeri reali trasformerebbe Hy-Nomas da un'affermazione a una baseline. Un'ondata di LoRA della comunità ti direbbe se la ricetta di adattamento in 2.000 passaggi funziona al di fuori degli esempi di Tencent. E una riproduzione su una singola 4090 — non una demo, un'esecuzione misurata — ti direbbe se il percorso a bassa memoria è utilizzabile o soltanto possibile.

Fino ad allora, il modo sensato di interpretare questo rilascio è dagli artefatti, non dai titoli. I pesi sono aperti, il codice gira, il benchmark è un guscio vuoto e la demo è una conversazione di cinque turni con un mondo che ricorda. È più di quanto abbiano rilasciato la maggior parte dei laboratori questo mese, e meno di quanto proverebbe una tabella di benchmark. Se hai le GPU e un dominio che richiede uno sguardo specifico, la ricetta LoRA è il motivo per scaricarlo oggi. Se ti serve un numero prima di impegnarti, il numero non esiste ancora.