Hy-Nomas: Tencent ha reso open source un modello del mondo interattivo e non ne ha detto nulla

Tencent ha pubblicato questa mattina la suite di valutazione e i pesi di Hy-Nomas e, a fine giornata, non aveva ancora pubblicato nemmeno un punteggio da nessuna delle due. Questa è la forma di questo rilascio. Hy-Nomas è un modello del mondo video che si controlla con istruzioni testuali e movimenti di camera, un segmento alla volta, e i suoi pesi sono stati caricati su Hugging Face alle 11:18 UTC di oggi, 23 ottobre 2026: un commit contenente 196 GB di checkpoint Apache-2.0, insieme a un repository di codice pubblicato alle 09:01 della stessa mattina e a una demo giocabile. Due giorni prima entrambi i repository esistevano ed erano vuoti. Non c'è alcun post sul blog, nessuna voce su arXiv, e il badge "Technical Report (Coming Soon)" sulla model card rimanda a un file che restituisce 404. Ore dopo il caricamento, la pagina del modello mostra zero like e zero download, e l'unico segno che qualcuno se ne sia accorto è il repository GitHub: otto stelle, un commit, nessuna descrizione.

Quindi l'inquadratura onesta non è «Tencent ha lanciato un world model». È questa: Tencent ha pubblicato i pesi, il codice di addestramento e di inferenza, un benchmark e un sito demo, e non ha ancora detto una parola su quali punteggi ottenga ciascuna di queste cose. Tutto ciò che segue è o un timestamp o una dimensione di file che puoi verificare da solo, un numero che Tencent ha digitato sulla propria scheda, oppure un punto in cui la scheda è palesemente silenziosa. Le tre categorie sono tenute separate di proposito, perché in un rilascio come questo il silenzio porta tanta informazione quanto le specifiche.

Cosa è effettivamente arrivato, all'ora esatta

I manufatti sono facili da datare perché ce ne sono così pochi e nessuno è stato modificato molto.

• Il repository del modello tencent/Hy-Nomas è stato creato su Hugging Face il 2026-10-21 alle 02:17:37 UTC ed è rimasto vuoto fino a quando è stato effettuato il suo unico commit, il 2026-10-23 alle 11:18:04 UTC. Quel commit copre 196,4 GB distribuiti su 46 file: due checkpoint DiT fp32 da 34,2 GB, un DiT INT8 da 9,06 GB, due adattatori LoRA, un decoder PixelUMM da 31,55 GB, il suo gemello FP8 da 9,13 GB, un autoencoder DCAE-V da 4,28 GB, un modello di miglioramento dei prompt in 18 shard per un totale di 55,6 GB e i consueti accessori per tokenizer e configurazione.

• Il repository di codice Tencent-Hunyuan/Hy-Nomas è stato creato 47 minuti più tardi, alle 03:04:54 UTC, senza alcun campo descrizione compilato. Il suo unico commit è stato scritto il 21 ottobre, ma il push è avvenuto solo oggi, alle 09:01:42 UTC. Il repository mostra ancora un solo commit e nessuna release, e contiene il codice di addestramento, gli script di inferenza, un'immagine Docker e una guida al deployment di una demo web.

• Il dataset di benchmark tencent/Hy-Nomas-Bench è stato creato il 2026-10-22 alle 05:18:20 UTC e ha ricevuto il suo unico commit oggi alle 09:10:51 UTC.

• La demo su hy-nomas.hy.tencent.com risponde con HTTP 200 e il titolo della pagina. È l'unica parte di questo rilascio pensata per chiunque al di fuori di un gruppo di ricerca.

Il silenzio è specifico di questo modello, non di Tencent. L'organizzazione Hugging Face della società è ben attiva: tencent/Hy4-previewdi fine agosto ha 513 like e circa 18.400 download, e tencent/Hy-Memory-30B-A3Bdel 15 ottobre ha 297 like e circa 3.300 download in otto giorni. Hy-Nomas, caricato nella stessa finestra temporale e molto più grande, non ha nulla di tutto ciò. Qualunque siano le ragioni interne, non è un lancio che ha sottoperformato. È un lancio che non è stato tentato.

Cosa fa Hy-Nomas che un modello text-to-video non fa

La distinzione conta più dei conteggi dei parametri, perché è il motivo per cui vale la pena interessarsi al rilascio. Un normale modello testo-video prende un prompt e restituisce una clip; se vuoi qualcosa di diverso ricominci da capo e ottieni una clip non correlata. Hy-Nomas genera un mondo come una catena di segmenti e conserva la propria cronologia.

Concretamente, la scheda descrive quattro cose che accadono contemporaneamente. Ogni segmento riceve il proprio prompt, così puoi introdurre un oggetto, cambiare lo stile, modificare l'ambientazione o descrivere un'azione durante la generazione anziché in anticipo. Una cache persistente chiave/valore porta avanti la cronologia generata, così un segmento successivo è condizionato da ciò che è già stato prodotto invece di essere inventato da zero. Il movimento della camera è un percorso di condizionamento separato anziché qualcosa che descrivi in prosa: fornisci matrici camera-to-world e parametri intrinseci, e il modello le prende in considerazione in ogni blocco. E poiché i segmenti vengono generati in modo autoregressivo, il mondo può continuare a estendersi finché continui a fornirgli istruzioni.

Il formato del prompt mostra quanto sia letterale. L'inferenza offline prende una lista JSON in cui ogni voce ha uno stile, una prospettiva, un elenco di soggetti e poi segmenti temporizzati — un tempo di inizio e fine, una lunga descrizione visiva e azioni contenute con i propri timestamp. Il primo segmento stabilisce il mondo; i segmenti successivi usano un description_change campo per indicare come dovrebbe evolvere. L'esempio incluso costruisce una foresta luminosa attorno a una piccola volpe arancione, poi apre fiori blu luminosi accanto al suo percorso al secondo due.

Un numero nella scheda è facile da fraintendere, e la scheda stessa lo segnala: il valore di 24 FPS è la frequenza di riproduzione del video in uscita, non la velocità di generazione. La velocità effettiva del modello dipende dall'hardware, dalla risoluzione, dalla durata dei segmenti e da quanta cronologia è presente nella cache. Tencent lo dice esplicitamente. In un rilascio senza latenza pubblicata e senza punteggi pubblicati, questa è l'unica lettura onesta del numero.

La scheda tecnica che la scheda fornisce davvero

Tencent è insolitamente precisa riguardo all'architettura, ed è proprio questo che fa sembrare mirata l'assenza di risultati.

• Backbone — 54 blocchi MMDiT dual-stream e zero blocchi single-stream, secondo la configurazione di inferenza.

• Larghezza — dimensione nascosta 2.048, con 16 teste di attenzione da 128 dimensioni ciascuna e un'espansione feed-forward 4× a 8.192.

• Codifica posizionale — RoPE 3D con dimensioni [16, 56, 56] e theta 256.

• Percorso testuale — il componente modello linguistico di Qwen2.5-VL-7B-Instruct, i cui stati nascosti a 3.584 dimensioni passano attraverso un raffinatore di token a due strati e vengono proiettati nello spazio DiT a 2.048 dimensioni.

• Percorso della camera — estrinseci normalizzati 4×4 raggruppati su quattro frame e appiattiti a 64 dimensioni, applicati tramite attenzione incrociata in ogni blocco.

• Latenti — DCAE-V f32t4c32: 32 canali, compressione spaziale 32×, compressione temporale 4×.

• Decoder — un PixelUMM sottoposto a fine-tuning con 36 layer, dimensione nascosta 4.096, 32 teste di query e 8 teste KV, che esegue un passo di decodifica su finestre di 10 frame latenti con sovrapposizione di 5 frame.

• Output — 720 × 1280 a 24 FPS, con 8 passaggi di denoising nella configurazione distillata; il repository del codice indica che i checkpoint distillati supportano 4, 6 o 8 passaggi.

• Licenza — Apache 2.0, con il text encoder Qwen che resta soggetto alle proprie condizioni.

L'unico dato che Tencent non dichiara mai è il numero totale di parametri. Il numero che più vi si avvicina è ricavato anziché pubblicato: un checkpoint DiT fp32 da 34,2 GB corrisponde a circa 8,5 miliardi di parametri a quattro byte ciascuno, e la build INT8 da 9,06 GB è coerente con ciò. Consideratelo un calcolo basato sulla dimensione di un file, non un dato da scheda tecnica — il fornitore non l'ha confermato da nessuna parte.

Quanto costa farlo funzionare, che è il vero ostacolo

Niente in questa release è ostile verso chi arriva da fuori, ma il deployment predefinito presuppone che tu abbia un nodo, non un laptop. La configurazione standard per l'inferenza usa il parallelismo di sequenza a 8 vie, quindi il suo avvio predefinito richiede otto GPU in un unico gruppo di inferenza. Il README lo dichiara apertamente invece di nasconderlo.

Esiste un percorso reale a GPU singola, ed è l'ingegneria più interessante del rilascio. Funziona su una singola RTX 4090 combinando quattro trucchi: i pesi DiT e le chiavi e i valori in cache sono memorizzati in INT8 mentre il calcolo resta in BF16, il decoder viene eseguito in FP8 tramite CUTLASS, il text encoder ed entrambe le reti si spostano tra CPU e GPU per le rispettive fasi, e la cronologia attiva sulla GPU è limitata a 18 frame latenti, con la cronologia più vecchia archiviata nella RAM di sistema. Quest'ultimo compromesso è quello da capire prima di pianificare su di esso: l'archivio continua a crescere, il budget di 18 frame limita solo ciò che risiede sulla GPU, e la memoria del segmento corrente non è affatto limitata da esso. Tencent afferma chiaramente che i trasferimenti CPU–GPU aggiungono latenza e che la memoria GPU di picco varia con la risoluzione e la lunghezza del segmento.

Il calcolo dei download deriva dalle dimensioni dei file. Il percorso demo documentato richiede il DiT distillato (34,2 GB), il decoder PixelUMM corrispondente (31,55 GB), DCAE-V (4,28 GB) e circa altri 16 GB per l'encoder Qwen — circa 86 GB prima di generare qualsiasi cosa. Il percorso su singola GPU prevede al loro posto il DiT INT8 e il decoder FP8, per un ingombro molto inferiore, vicino a 38 GB più l'encoder. I due adattatori LoRA costituiscono acquisti separati di spazio su disco: un adattatore cinematografico da 6,12 GB e un adattatore robotico da 12,24 GB addestrato sul dataset a due braccia RealSource-World, entrambi destinati a essere uniti in un DiT a virgola mobile. Il loader INT8 non può accettare un LoRA separato in fase di inferenza, quindi questi due percorsi non possono essere combinati.

I requisiti dell'ambiente sono altrettanto specifici: Linux, Python 3.12 o versione successiva, CUDA 13.0 Toolkit, PyTorch 2.10.0 e build di FlashAttention 2, FlashAttention 3 e MagiAttention. È consigliata un'immagine precompilata, hynomasoss/hynomasoss:cu130, rispetto al percorso manuale — con la compilazione dei kernel di attenzione come motivo. La configurazione di addestramento nel repository del codice va oltre: DP16 × SP8, 128 GPU, sequenze compattate a 360.000 token. Qualunque cosa tu faccia con i pesi, non lo riaddestri a casa.

Il benchmark che Tencent ha distribuito senza punteggi

Hy-Nomas-Bench non è un ripensamento. È un vero dataset: quattro suite di valutazione che coprono l'interazione testuale libera multi-turno, la navigazione della telecamera, il testo e il controllo della telecamera interlacciati e la memoria spaziale, con 280 casi di test, 220 traiettorie di riferimento della telecamera, prompt strutturati, sequenze di interazione e timeline della tastiera, rilasciato come JSON sotto Apache 2.0 e organizzato in split esclusivamente di valutazione. È arrivato circa due ore prima dei pesi.

Ciò che non include è una tabella dei risultati. Non c'è alcuna classifica, nessun punteggio per suite, nessun confronto con qualsiasi altro modello e nessuna indicazione che ne arriverà una. E la scheda è cauta in un modo che sembra intenzionale: dopo aver elencato l'architettura e i valori predefiniti di campionamento, aggiunge una riga — "L'architettura e i valori predefiniti di campionamento sono dettagli di configurazione, non risultati di benchmark."

Quella frase ha un peso reale. Significa che gli otto passaggi di denoising, la risoluzione 720 × 1280 e la scala di guidance della camera di 1,0 non sono prove di qualità, e Tencent si rifiuta di lasciare che vengano interpretati come tali. Per chiunque valuti il modello, la conseguenza pratica è semplice: puoi eseguire tu stesso la valutazione e, fino ad allora, non puoi confrontare Hy-Nomas con nient'altro basandoti su un numero. La suite è ciò che devi scaricare se vuoi un verdetto, perché nessuno te lo sta consegnando.

Dove si colloca rispetto agli altri modelli open world

Il settore si è mosso rapidamente nel 2026, e il confronto che conta non è il numero di parametri, ma le prove che ciascun rilascio ha portato con sé.

• Pesi e licenza — Hy-Nomas è distribuito con licenza Apache 2.0 e senza restrizioni di accesso. LingBot-World, di Ant Group, ha rilasciato i pesi aperti alla fine di gennaio 2026 ed è stato presentato come il primo modello aperto paragonabile a Genie 3 di Google, modello chiuso.

• Schema di controllo — Hy-Nomas è incentrato innanzitutto sul testo, con traiettorie di camera segmento per segmento. LingBot-World e la linea Genie 3 si distinguono per il controllo in tempo reale di un personaggio o della camera tramite tastiera e mouse, un modello di interazione diverso: gioco continuo contrapposto a costruzione guidata.

• Soglia hardware minima — Hy-Nomas richiede otto GPU per impostazione predefinita oppure una RTX 4090 con una cronologia limitata. Astronex-World 1.0, pubblicato a settembre 2026, ha riportato streaming in tempo reale su una singola L20 da 48 GB a 832 × 480, una soglia decisamente più bassa.

• Prove — è qui che Hy-Nomas se ne sta da solo nella colonna sbagliata. LingBot-World è stato rilasciato con cifre dichiarate di throughput e latenza; Astronex-World è stato rilasciato con un paper arXiv e numeri di benchmark. Hy-Nomas ha un 404 sul suo rapporto tecnico e nessun punteggio.

• Discendenza — Il precedente progetto interattivo open di Tencent, HY-WorldPlay, funzionava a partire da un'immagine iniziale più input di posa e azione a 720p e 24 FPS. Hy-Nomas non è lo stesso modello con un nuovo nome; il ciclo testuale multi-turno e la struttura del prompt per segmento sono nuovi, e la scheda non rivendica una discendenza da esso.

Nessuno dei quali risolve la questione della qualità. Un modello può essere eccellente e non documentato, e il silenzio di Tencent non è una prova né in un senso né nell'altro — significa solo che l'onere della prova si è spostato su chiunque lo scarichi.

Chi dovrebbe toccarlo ora, e chi dovrebbe aspettare

Se hai un nodo con otto GPU e il tuo problema è lo stato del mondo che un essere umano modifica a metà generazione — una scena a cui viene aggiunto un oggetto al quarto secondo, una telecamera che ruota perché glielo hai chiesto, un mondo che mantiene la propria geometria mentre cambi il meteo — questa è l'implementazione aperta più diretta di quell'idea attualmente scaricabile, e i termini Apache 2.0 significano che puoi costruirci sopra senza una negoziazione. Il LoRA per la robotica è un segnale di dove Tencent si aspetta che venga usato: mondi di simulazione per l'addestramento embodied, non video social.

Se hai bisogno di un numero prima di impegnarti, aspetta. Non perché il modello sia sospetto, ma perché non c'è nulla da citare. Un benchmark che devi eseguire tu stesso è una settimana di ingegneria, e il rapporto tecnico, quando apparirà, probabilmente cambierà ciò che avresti misurato.

C’è una questione operativa più marginale attorno al modello che vale la pena menzionare, perché colpisce chiunque provi a riprodurre la demo. La demo web instrada ogni istruzione attraverso Nomas-PE, un servizio separato da 55,6 GB che converte le formulazioni vaghe degli utenti nel JSON a segmenti strutturati che il DiT si aspetta, e Tencent afferma che la demo lo richiede. L’inferenza offline salta quel passaggio e ti chiede di scrivere da solo i prompt strutturati. Se stai costruendo il tuo front end, quello strato di costruzione del prompt è una normale chiamata a un modello linguistico — e quella parte, a differenza dello stack video, è infrastruttura di base. OrcaRouter non eroga Hy-Nomas — uno stack di diffusione self-hosted da 196 GB non è ciò per cui serve una route API. Ciò che instrada è il lato testuale attorno ad esso — una sola chiave per oltre 200 modelli con 0% di ricarico sul prezzo di listino del provider, con failover automatico — così un passaggio di riscrittura del prompt o di didascalia dell’output davanti a un modello video self-hosted non ha bisogno di un proprio contratto con il fornitore.

Le questioni aperte e cosa cambierebbe questo articolo

Quattro cose sono realmente sconosciute, e ciascuna ha un artefatto specifico che la risolverebbe.

Il primo è la qualità. Hy-Nomas-Bench esiste, quindi una tabella di risultati pubblicata è l'ovvio passo successivo, e la sua assenza è il maggiore divario tra questo rilascio e uno citabile.

Il secondo è la velocità. Nella scheda non compare alcun dato di latenza, solo la velocità di riproduzione. Qualcuno dovrà misurare il tempo al primo segmento su hardware reale, e la configurazione distillata a otto passaggi rispetto al modello autoregressivo di base è una differenza che vale la pena quantificare anziché dare per scontata.

Il terzo è il supporto dell'ecosistema. Il repository riporta un tag diffusers, ma il percorso documentato è il pacchetto hymm di Tencent e un'immagine Docker realizzata appositamente; nessun runtime di terze parti è indicato come supportato. Il fatto che ottenga o meno una classe pipeline in una libreria mainstream, come alla fine accade alla maggior parte dei modelli video aperti, decide se resterà un artefatto di ricerca o diventerà uno strumento.

Il quarto aspetto è se Tencent dirà mai qualcosa. Il rapporto tecnico è contrassegnato come «prossimamente» e al momento restituisce un errore 404, non esiste alcun preprint su arXiv e, al 23 ottobre, non esiste alcuna copertura stampa. È del tutto possibile che l’azienda stia aspettando un paper o un prodotto ospitato prima di promuovere qualcosa di tutto ciò. È anche possibile che il rilascio sia esattamente ciò che sembra: pesi pubblicati per dovere di cronaca, con l’annuncio rinviato.

In ogni caso, il download è online, la licenza è permissiva e la demo accetta istruzioni già oggi. Per un modello che nessuno ha annunciato, è più di quanto offrano la maggior parte dei rilasci discreti — e molto meno di un lancio.