Hy-Nomas：Tencentの自由形式インタラクティブ世界モデルは実際に何をするのか

最も役立つ理解は、Hy-Nomasが動画を作らないということです。それは動画の次の4秒間を作り、あなたに見せ、あなたの指示を待ち、その後さらに次の4秒間を作ります——すでにレンダリングしたすべてをキャッシュに保持するので、2分前に曲がった通りの角には今も同じ店があります。Tencent Hunyuanは、重み、推論コード、ファインチューニングパイプライン、280ケースのベンチマーク、ブラウザデモを2026年10月21日から23日の間にApache 2.0の下で公開しましたが、告知投稿もベンチマーク結果も伴っていませんでした。モデルカード自身のギャラリーには、clockwork-flightという60秒・5ターンのクリップが含まれています。そのクリップは、リポジトリや、まだ公開されていない論文よりも、この製品をよく説明しています。

以下では、実際に出荷された内容、インタラクティブなループがどのように構築されているか、そしてこのリリースに含まれていない一つの数について順を追って説明します。これは、リポジトリ、モデルカード、および公開された設定ファイルに基づいて書かれており、実際に手を動かして実行した結果ではありません。なぜなら、10月24日時点で、Hy-Nomasを引用できる第三者による評価は存在しないからです。

4つの成果物のうち、モデルは1つだけ

Tencentはバンドルをリリースしました。そしてそのバンドルこそが本題です。最初の成果物はHugging Face上のチェックポイントセットで、ベースの自己回帰DiT、蒸留版DiT、INT8ビルド、DCAE-V動画オートエンコーダー、FP32およびFP8のファインチューニング済みPixelUMMデコーダー、Nomas-PEプロンプトエンハンサーにわたる約196 GBです。2つ目はGitHubリポジトリです。推論ハーネス、ファインチューニングデータ構築用のキャプションハーネス、オフラインシーケンスパッキング、LoRAトレーナー、マージスクリプトが含まれます。3つ目はHy-Nomas-Benchで、4つのトラックからなる280ケースの評価セットで、約220の参照カメラ軌跡を備えています。4つ目はhy-nomas.hy.tencent.comでのデモで、WASDまたはマウスドラッグで生成されたシーン内を移動できます。

その組み合わせは、ワールドモデルのリリースとしては異例だ。大半は論文とギャラリーを公開する。Tencentは仕組みを公開し、評価は空欄のままにした。Hy-Nomasが優れているか知りたければ、今なら自分で確かめられる。ただし、その答えをまだ読むことはできない。

ループ：一度に1セグメントずつ、過去はキャッシュに保持

Hy-Nomasはセグメント自己回帰型の拡散トランスフォーマーです。短い動画区間を描画してセッションに追加し、次の区間を、以前の潜在表現とそのキーおよびバリューを保持するライフロングKVキャッシュに条件付けます。だからこそ、このモデルは別個のメモリモジュールや検索ステップなしで、ターンをまたいでシーンを一貫させ続けられます。履歴はアテンションコンテキスト内にあり、成長していくからです。

下層のアーキテクチャは、隠れサイズ2,048、16個のアテンションヘッド、3D回転位置埋め込みを備えた54ブロックのデュアルストリームMMDiTです。テキストはQwen2.5-VL-7B-Instructによってエンコードされます。カメラ外部パラメータはテキストプロンプトに焼き込まれるのではなく、クロスアテンションを通じて入力されます。この点は以下の制御に関する説明で重要です。Tencentはパラメータ数を明示していません。FP32チェックポイントは34.2 GBで、32ビット保存かつオプティマイザ状態なしと仮定すると、およそ85億パラメータを示唆します。これはベンダーの主張ではなく算術であり、仕様ではなく推定値として扱う価値があります。

• 出力 — 720 × 1280、24 FPS。24 FPS という数値は生成速度ではなく再生速度を指します

• ノイズ除去 — 蒸留構成では8ステップ。コードは4、6、8ステップを受け付けます

• 潜在表現 — 32チャネルのDCAE-V。微調整済みのPixelUMMデコーダーでデコードされ、FP8デコーダーも提供されます

• コンテキスト — リセットされる固定ウィンドウではなく、セグメントをまたいで引き継がれる生涯にわたるKVキャッシュ

ステアリングホイールが2つ、そしてそのうちの1つだけがプロンプトだ

テキストチャネルは自由形式でマルチターンです。オブジェクトを追加したり、天気を変えたり、シーンのスタイルを変更したり、動作を記述したりでき、その指示は以前の内容を再レンダリングするのではなく、次のセグメントから適用されます。このリポジトリ自身の表現は「自由形式のマルチターン・テキストプロンプト制御」です — 要点は、プロンプトがクリップに対する一度きりのキャプションではなく、世界との会話における一つのターンであるということです。

カメラチャンネルのほうがより興味深い。なぜならそれは言語ではないからだ。カメラ外部パラメータの軌道を入力すると、モデルはその経路から世界をレンダリングし、その間テキストプロンプトは世界に何があるかを描写し続ける。テキストとカメラは併用できる。「市場が閉まりつつある」と述べるプロンプトと、通路を歩く軌道は、組み合わせ可能な2つの別個の入力である。これがHy-Nomasとテキストから動画を生成するモデルの具体的な違いだ。テキストから動画を生成するモデルは、文章からカメラの動きを推測して期待する。Hy-Nomasはカメラがどこへ進むかを指示される。

第三の、より静かな制御がある。Nomas-PE だ。これはオンラインのプロンプトエンハンサーで、簡潔な指示をモデルがより効果的に条件付けできる形に書き換える。任意のものであり、失敗モードがどこにあるかを教えてくれる類のコンポーネントでもある——ベースモデルが5語のプロンプトをうまく扱えていたなら、このエンハンサーは存在しなかっただろう。

誰も話題にしていない機能：2,000ステップで実現するドメインLoRA

リリースには2つのアダプターが同梱されています。Cinematic LoRAは蒸留済みDiTにマージされ、視覚品質を向上させます。Robotics LoRAはRealSource-Worldのロボットアームデータセットで学習され、同じ蒸留済みチェックポイントにマージされて操作シーンを改善します。Tencentはそのレシピを文書化しています。rankとalphaは256、ドロップアウトはゼロ、Muonを一定の学習率1e-4で2,000ステップ、LoRAパラメータのみを学習し、segment forcingと呼ばれる手法を用い、その後推論用にアダプターを蒸留済み重みへマージします。

ここは最も半減期が長い部分です。単一ドメインでの2,000ステップの適応は十分に安価なので、自社ルックを持つスタジオ、独自のアームを持つロボティクス研究室、特定のアートディレクションを持つゲームチームは、ベース重みに触れることなくモデルを特化できます。またこれにより、クローズドモデルにはあり得ない、もっともらしいコミュニティの軌道がこのリリースに備わります。今後1か月で興味深いHy-Nomasの結果は、ベースチェックポイントではなくLoRAマージから出てくると期待すべきです。

実行にかかるコスト：GPU 8枚、または妥協を伴う4090 1枚

デフォルトの経路は、8基のGPUと8ウェイのシーケンス並列処理です。低メモリ経路は話題になった方で、単一のRTX 4090を使い、INT8のDiT重みとINT8 KVキャッシュ、スライディングウィンドウによる履歴上限、CPUオフロード、DiT用のFlexAttentionとデコード用のCUTLASS FP8を採用し、シーケンス並列処理は無効にします。Tencentは、CPUオフロードには十分なシステムRAMが必要で転送オーバーヘッドが増えると警告しています。これは、単一GPUモードは現実的だが無料ではない、という丁寧な言い方です。

ダウンロード容量も経路によって異なります。ドキュメントに記載されたデモ経路では約86 GBを取得しますが、低メモリ経路では約38 GBに加えてテキストエンコーダーが必要です。どちらもラップトップでダウンロードできるものではなく、どちらにもホスト型エンドポイントは付属しません。Hy-Nomas にはAPIも秒単位の料金もテンセントによるマネージドサービスも存在しません。自分で動かすか、使わないかのどちらかです。

• デフォルトのサービング — 8 GPU、8-wayシーケンス並列；トレーニング例では128 GPUを16個のデータ並列レプリカ×8シーケンス並列として使用

• 単一GPUでのサービング — RTX 4090、INT8 DiT、INT8 KVキャッシュ、FP8デコーダー、スライディングウィンドウ履歴、CPUオフロード

• フットプリント — チェックポイントセット全体で約196 GB、ドキュメント記載のデモパスで86 GB、低メモリ向けは38 GB＋テキストエンコーダ

• コスト — ベンダーによる価格設定は存在せず、コストはあなたのGPU時間です

このようなオープンウェイトモデルを中心に構築している場合でも、モデル以外の部分には依然としてスタックが必要です。キャプション生成、プロンプト強化、評価ハーネス、そして次の指示を決めるエージェントループ内に置かれるLLMなどです。その層こそ、単一のAPIがその価値を発揮する場所です——OrcaRouterは200以上のホスト型モデルを1つのキーで、0%のマークアップで提供し、プロバイダーの定価を変更せずにそのまま通し、プロバイダーが劣化したときは自動的にフェイルオーバーするため、セルフホスト型ワールドモデルを中心としたオーケストレーションは、補助的な呼び出しごとに別の契約を結ぶ必要がありません。Hy-Nomas自体は当社のカタログにはありません。重みはベンダーのものであり、そうでないふりをするつもりはありません。

欠けている数字

Hy-Nomas-Benchは実在する。4つのトラック——マルチターンのテキスト制御、カメラナビゲーション、テキストとカメラが交互に現れる制御、空間記憶——にわたる280件のケースと、約220本の参照カメラ軌跡を備えている。欠けているのは結果表である。リポジトリはデータセットにリンクしているが、データセットページにはスコアがなく、テクニカルレポートのリンクはどこにも通じておらず、READMEには「Coming Soon」と書かれている。Tencentのモデルカードはアーキテクチャとサンプリングのデフォルト設定について説明しているが、それらはベンチマーク結果ではなく設定の詳細である。

その不在はスキャンダルではないが、このモデルについて公正な一文が何を言えるかを変える。「Hy-Nomasは8回のデノイズステップで24 FPSの720 × 1280動画を生成する」は設定から検証できる仕様だ。「Hy-Nomasは長期的な一貫性を維持する」は設計上の主張であり、デモクリップに支えられているだけで、測定された結果ではない。「Hy-NomasはモデルXを上回る」は、現在誰も言えない主張だ。なぜなら、その比較のどちら側にも、同じテストでの公開された数値がないからだ。

モデルの重みが公開されてから3日経った時点での正直な見解は、Hy-Nomasが十分に文書化された能力の公開であり、品質に関する主張は未評価だというものだ。文書はそれを再現するのに十分なほど整っている。評価は自分で実行するのに十分なほど整っている。判定は欠けている。それが意図的なのか急ぎによるのか——いずれにせよ、それをでっち上げるのは我々の役目ではない。

今、注目すべきことと、取るべき行動

三つのことが状況を変えるだろう。実際の数値を伴う技術レポートは、Hy-Nomasを単なる主張からベースラインへと変えるだろう。コミュニティによるLoRAの波は、2,000ステップの適応レシピがTencent自身の例の外でも機能するかどうかを教えてくれるだろう。そして、単一の4090上での再現——デモではなく、測定された実行——は、低メモリ経路が実用的なのか、それとも単に可能なだけなのかを教えてくれるだろう。

それまでは、このリリースを読む賢明な方法は、見出しではなく成果物ごとに見ていくことだ。重みは公開され、コードは動き、ベンチマークはシェルであり、デモは世界を記憶する5ターンの会話である。これは今月多くのラボが出荷したものより多く、ベンチマーク表が証明するものより少ない。GPUがあり、自ら見極める必要のあるドメインがあるなら、今日ダウンロードする理由はLoRAレシピだ。コミットする前に数値が必要なら、その数値はまだ存在しない。