Hy-Nomas：Tencentはインタラクティブなワールドモデルをオープンソース化したが、それについて何も語らなかった

テンセントは今朝、Hy-Nomasの評価スイートと重みを公開し、その日の終わりになってもどちらからもスコアを1つも公表していなかった。これがこのリリースの実態だ。Hy-Nomasは、テキスト指示とカメラ移動で、一度に1セグメントずつ操作する動画ワールドモデルであり、その重みは2026年10月23日11:18 UTCにHugging Faceへアップロードされた。196 GBのApache-2.0チェックポイントを含む1つのコミットで、同日午前9:01にプッシュされたコードリポジトリとプレイ可能なデモも伴っている。2日前には両リポジトリは存在していたが、空だった。ブログ記事もarXivの登録もなく、モデルカード上の「Technical Report (Coming Soon)」バッジは404を返すファイルにリンクしている。アップロードから数時間後、モデルページはいいね0、ダウンロード0を示し、誰かが気づいた唯一の兆候はGitHubリポジトリだ。スター8、コミット1、説明なし。

正直なところ、正しい捉え方は「Tencentが世界モデルを発表した」ではない。そうではなく、Tencentは重み、学習および推論コード、ベンチマーク、デモサイトを公開したものの、それがどんなスコアを出すのかについてはまだ一言も述べていない、ということだ。以下はすべて、自分で検証できるタイムスタンプかファイルサイズ、Tencentが自社のカードに打ち込んだ数字、あるいはカードが明らかに沈黙している箇所のいずれかである。この3つのカテゴリーは意図的に分けている。このようなリリースでは、沈黙が仕様と同じくらい多くの情報を持っているからだ。

実際に何が実現したのか、時間単位で正確に

これらの遺物は数がごく少なく、どれもあまり改変されていないため、年代を特定するのは容易だ。

• モデルリポジトリ tencent/Hy-Nomasは、2026-10-21 02:17:37 UTC に Hugging Face 上で作成され、2026-10-23 11:18:04 UTC に唯一のコミットが適用されるまで空のままでした。そのコミットは46ファイルにわたる合計196.4 GBです。内訳は、34.2 GBのfp32 DiTチェックポイント2つ、9.06 GBのINT8 DiT、LoRAアダプター2つ、31.55 GBのPixelUMMデコーダー、その9.13 GBのFP8版、4.28 GBのDCAE-Vオートエンコーダー、合計55.6 GBの18シャード構成のプロンプト拡張モデル、そしてお決まりのトークナイザーと設定関連の付属ファイルです。

• コードリポジトリ Tencent-Hunyuan/Hy-Nomas は47分後のUTC 03:04:54に作成され、説明欄は入力されていませんでした。その唯一のコミットは10月21日に作成されましたが、今日のUTC 09:01:42にプッシュされたばかりです。リポジトリは依然としてコミットが1件のみでリリースはなく、トレーニングコード、推論スクリプト、Dockerイメージ、Webデモのデプロイガイドを含んでいます。

• ベンチマークデータセット tencent/Hy-Nomas-Benchは、2026-10-22 05:18:20 UTC に作成され、本日 09:10:51 UTC に最初で唯一のコミットを受信しました。

hy-nomas.hy.tencent.com のデモは、HTTP 200 とページタイトルを返します。これは今回のリリースの中で、研究グループ外の誰もを対象とした唯一の部分です。

この静けさはTencentではなく、このモデルに固有のものだ。同社自身のHugging Face組織は活発だ：tencent/Hy4-previewは8月下旬から513件のいいねと約18,400件のダウンロードを獲得しており、tencent/Hy-Memory-30B-A3Bは10月15日から8日間で297件のいいねと約3,300件のダウンロードを獲得している。同じ時期にアップロードされ、はるかに大規模なHy-Nomasには、そうしたものは一切ない。内部的な理由が何であれ、これは低調に終わったローンチではない。試みられなかったローンチなのだ。

テキスト動画生成モデルにはできない、Hy-Nomasが行うこと

その違いはパラメータ数よりも重要で、まさにこのリリースに注目すべき理由でもある。一般的なテキスト・トゥ・ビデオモデルは1つのプロンプトを受け取って1本のクリップを返すだけであり、違うものが欲しければ最初からやり直すことになり、無関係なクリップが得られる。Hy-Nomasは世界をセグメントの連鎖として生成し、自らの履歴を保持する。

具体的には、このカードは同時に起こる4つの事柄を説明している。各セグメントには独自のプロンプトが与えられるため、生成の途中でオブジェクトを導入したり、スタイルを変更したり、設定を変えたり、アクションを記述したりできる。永続的なキー/バリューキャッシュが生成履歴を引き継ぐので、後のセグメントはゼロから作り出されるのではなく、すでに生成された内容に条件付けられる。カメラの動きは文章で記述するものではなく、別個の条件付けパスである。カメラからワールドへの行列と内部パラメータを指定すると、モデルは各ブロックでそれらにアテンションを向ける。また、セグメントは自己回帰的に生成されるため、指示を与え続ける限り、ワールドは拡張され続けることができる。

プロンプト形式は、これがどれほど文字通りであるかを示しています。オフライン推論では、各エントリにスタイル、視点、被写体リストがあり、その後に時間指定されたセグメント—開始時間と終了時間、長い視覚的説明、およびそれぞれのタイムスタンプを持つ内包されたアクション—が続くJSONリストを受け取ります。最初のセグメントが世界を確立し、後のセグメントはdescription_changeフィールドを使って、それがどのように進化すべきかを示します。同梱の例では、小さなオレンジ色のキツネの周りに光る森を構築し、2秒の時点でその小道のそばに光る青い花を開きます。

カード内の1つの数字は誤読しやすく、カード自体がその点に注意を促している。24 FPSという数値は出力動画の再生レートであり、生成速度ではない。モデルが実際にどれだけ速く動作するかは、ハードウェア、解像度、セグメント長、キャッシュに保持されている履歴の量によって決まる。Tencentもその旨を直接述べている。公開されたレイテンシも公開されたスコアもない発表において、それがこの数値に対する唯一の誠実な読み方だ。

カードが確かに示す仕様書

テンセントはアーキテクチャについて異例なほど厳密で、だからこそ欠けている結果がことさらに意味深く感じられる。

• バックボーン — 推論設定によると、54個のデュアルストリームMMDiTブロックと、シングルストリームブロックはゼロです。

• 幅 — 隠れサイズ2,048、各128次元の16個のアテンションヘッド、4×のフィードフォワード拡張で8,192。

• 位置エンコーディング — 次元 [16, 56, 56]、theta 256 の 3D RoPE。

• テキストパス — Qwen2.5-VL-7B-Instruct の言語モデルコンポーネント。その 3,584 次元の隠れ状態は 2 層のトークンリファイナを通過し、2,048 次元の DiT 空間に射影されます。

• カメラパス — 正規化された4×4外部パラメータを4フレームにわたってグループ化して64次元に平坦化し、各ブロックでクロスアテンションにより適用。

• 潜在表現 — DCAE-V f32t4c32：32チャンネル、空間圧縮32×、時間圧縮4×。

• デコーダー — 36 層、隠れサイズ 4,096、32 個のクエリヘッドと 8 個の KV ヘッドを備えたファインチューニング済み PixelUMM。5 フレームのオーバーラップを持つ 10 潜在フレームのウィンドウ上で 1 回のデコードステップを実行します。

• 出力 — 720 × 1280（24 FPS）、蒸留設定で8ステップのノイズ除去。コードリポジトリによると、蒸留チェックポイントは4、6、8ステップをサポートしています。

• ライセンス — Apache 2.0、Qwenテキストエンコーダーは独自の条件の下で提供されます。

Tencentが決して明言しない唯一の数字は、総パラメータ数だ。最も近い数字は公表されたものではなく、導出されたものだ。34.2 GBのfp32 DiTチェックポイントは、各パラメータ4バイトとして計算するとおよそ85億パラメータになり、9.06 GBのINT8ビルドもそれと整合する。これはスペックシートの主張ではなく、ファイルサイズに対する算術として扱うべきだ。ベンダーはどこでもそれを確認していない。

実行にかかるコスト、それが本当の関門だ。

このリリースには外部者に対して敵対的なところは何もないが、デフォルトのデプロイはラップトップではなくノードを前提としている。標準の推論構成では8-wayシーケンス並列を使用するため、デフォルトの起動には1つの推論グループに8基のGPUが必要になる。READMEはそれを曖昧にせず、きちんと明記している。

単一GPUで実行する確かな道筋が存在し、それが今回のリリースで最も興味深いエンジニアリングです。これは1枚のRTX 4090上で、4つの工夫を組み合わせて動作します。DiTの重みとキャッシュされたキーおよびバリューはINT8で保存しつつ計算はBF16のまま行い、デコーダはCUTLASS経由でFP8で実行し、テキストエンコーダと両方のネットワークはそれぞれのステージでCPUとGPUの間を行き来し、GPU上のアクティブな履歴は18潜在フレームに制限し、それより古い履歴はシステムRAMにアーカイブします。それを前提に計画する前に理解すべきは、この最後のトレードオフです。アーカイブは増え続け、18フレームの予算はGPU上に置かれるものを制限するだけであり、現在のセグメントのメモリはそれによってまったく制限されません。Tencentは、CPU–GPU間の転送がレイテンシを増やし、ピークGPUメモリは解像度とセグメント長によって変動すると明言しています。

ダウンロード容量の計算はファイルサイズから導かれます。ドキュメント記載のデモ経路では、蒸留されたDiT（34.2 GB）、対応するPixelUMMデコーダー（31.55 GB）、DCAE-V（4.28 GB）、さらにQwenエンコーダー用に約16 GBが必要で、何も生成する前に約86 GBになります。単一GPU経路ではINT8 DiTとFP8デコーダーに切り替えることで、はるかに小さなフットプリントになり、約38 GBにエンコーダーを加えた程度になります。2つのLoRAアダプターは別途ディスク容量を必要とします。6.12 GBのシネマティックアダプターと、RealSource-Worldデュアルアームデータセットでトレーニングされた12.24 GBのロボティクスアダプターで、どちらも浮動小数点のDiTにマージされることを想定しています。INT8ローダーは推論時に別個のLoRAを受け入れられないため、これら2つの経路は組み合わせられません。

環境要件も同様に具体的だ。Linux、Python 3.12以上、CUDA 13.0 Toolkit、PyTorch 2.10.0、そしてFlashAttention 2、FlashAttention 3、MagiAttentionのビルドが必要となる。手動での構築よりも、ビルド済みイメージhynomasoss/hynomasoss:cu130の使用を推奨する。その理由はアテンションカーネルのコンパイルにある。コードリポジトリのトレーニング設定はさらに踏み込んでいる。DP16 × SP8、128基のGPU、シーケンスは36万トークンにパックされる。ウェイトをどう扱おうと、これを自宅で再トレーニングすることはない。

Tencentがスコアなしで出荷したベンチマーク

Hy-Nomas-Benchは後付けではありません。実際のデータセットです。マルチターンの自由形式テキストインタラクション、カメラナビゲーション、テキストとカメラ制御の交互操作、空間記憶をカバーする4つの評価スイートを備え、280件のテストケース、220件の参照カメラ軌跡、構造化プロンプト、インタラクションシーケンス、キーボードタイムラインを含み、Apache 2.0の下でJSONとして公開され、評価専用スプリットに整理されています。公開は、モデルの重みが公開される約2時間前でした。

それが備えていないのは結果表だ。リーダーボードも、スイートごとのスコアも、他のどのモデルとの比較もなく、それが今後出るという示唆もない。そして、このカードは意図的だと読めるほど慎重で、アーキテクチャとサンプリングのデフォルトを列挙した後に、一行こう付け加えている——「アーキテクチャとサンプリングのデフォルトは設定の詳細であり、ベンチマーク結果ではない」。

あの一文は実際に重要な役割を果たしている。つまり、8つのノイズ除去ステップ、720 × 1280 の解像度、カメラガイダンススケール 1.0 は品質の証拠ではなく、Tencent はそれらがそのように読まれることを拒んでいる。モデルを評価する人にとって、実用的な帰結は単純だ。自分で評価を実行できるし、それまでは Hy-Nomas を他の何かと数値で並べることはできない。判定が欲しいならダウンロードすべきなのはこのスイートだ。誰も判定を渡してくれないのだから。

他のオープンワールドモデルの中でどのような位置づけにあるか

この分野は2026年に急速に進展しており、重要な比較ポイントはパラメータ数ではなく、各リリースが持ち込んだ証拠だ。

• 重みとライセンス — Hy-Nomas は Apache 2.0 で、ゲーティングはありません。Ant Group の LingBot-World は 2026年1月下旬にオープンウェイトを公開し、Google のクローズドな Genie 3 に匹敵する初のオープンモデルとして打ち出されました。

• 操作方式 — Hy-Nomasはテキスト優先で、カメラ軌道をセグメントごとに扱います。LingBot-WorldとGenie 3系は、キャラクターまたはカメラをリアルタイムのキーボードとマウスで操作することを前面に出しており、これは異なるインタラクションモデルです。すなわち、連続的なプレイか、指示に基づく構築かという違いです。

• ハードウェアの最低要件 — Hy-Nomas はデフォルトで 8 基の GPU、または履歴に上限を設けた 1 基の RTX 4090 を求めている。2026年9月に公開された Astronex-World 1.0 は、48 GB の L20 1 基で 832 × 480 のリアルタイムストリーミングを報告しており、これは明らかに低いハードルである。

• 証拠 — ここが、Hy-Nomas が間違った欄でひとり取り残されている点です。LingBot-World は報告済みのスループットとレイテンシの数値を伴って出荷され、Astronex-World は arXiv 論文とベンチマーク数値を伴って出荷されました。Hy-Nomas は技術レポートが 404 で、スコアは一切ありません。

• 系譜 — Tencentの以前のオープンなインタラクティブの取り組みであるHY-WorldPlayは、開始画像にポーズとアクション入力を加えたものから、720p、24 FPSで動作しました。Hy-Nomasは新しい名前を付けた同じモデルではありません。テキストのマルチターンループとセグメントごとのプロンプト構造は新しく、このカードはそこからの派生を主張していません。

だが、そのどれも品質を決着させるものではない。モデルは優れていながら文書化されていないこともあり得るし、Tencentの沈黙はどちらとも証拠にならない——それはただ、証明の責任がダウンロードする者に移ったというだけだ。

今、誰がそれに手を付けるべきで、誰が待つべきなのか

8-GPUノードを持っていて、あなたの課題が、生成の途中で人間が編集する世界状態——4秒目にオブジェクトが加わるシーン、指示したから回るカメラ、天気を変えてもジオメトリを保つ世界——だというなら、これは現在ダウンロードできる中で、そのアイデアを最も直接的に実装したオープンなものです。Apache 2.0 の条件により、交渉なしでその上に構築できます。ロボティクスLoRAは、Tencentがどこでの利用を想定しているかを示すシグナルです。すなわち、身体性トレーニング用のシミュレーション世界であり、ソーシャルビデオではありません。

コミットする前に数字が必要なら、待ったほうがいい。モデルが疑わしいからではなく、引用できるものがないからだ。自分で実行しなければならないベンチマークは1週間のエンジニアリング作業であり、技術レポートが登場する頃には、おそらくあなたが測定していたはずの内容を変えてしまっているだろう。

モデルに関する、名前を付けておく価値のある、より小規模な運用上の論点がある。デモを再現しようとする誰もがつまずくからだ。Webデモはすべての指示をNomas-PE経由でルーティングする。これは別個の55.6 GBサービスで、曖昧なユーザーの言い回しをDiTが期待する構造化セグメントJSONに変換するものであり、Tencentはデモにこれが必要だと述べている。オフライン推論ではそのステップを省略し、構造化プロンプトを自分で書くよう求める。独自のフロントエンドを構築しているなら、そのプロンプト構築レイヤーは通常の言語モデル呼び出しにすぎない。そしてその部分は、ビデオスタックとは異なり、コモディティなインフラだ。OrcaRouterはHy-Nomasを提供しない。196 GBのセルフホスト型拡散スタックはAPIルートの用途ではない。それがルーティングするのは、その周辺のテキスト側だ。プロバイダー定価に対して0%のマークアップで、200以上のモデルに1つのキーでアクセスでき、自動フェイルオーバー付き。そのため、セルフホスト型ビデオモデルの前段にあるプロンプト書き換えや出力キャプション生成のステップに、独自のベンダー契約は必要ない。

未解決の疑問と、この記事を変えるもの

本当に不明な点が4つあり、それぞれに決着をつける具体的な資料が存在する。

第一は品質です。Hy-Nomas-Bench は存在するので、公表された結果表が明白な次のステップであり、それが欠けていることが、このリリースと引用可能なリリースとの間の唯一最大のギャップです。

2つ目は速度です。カードのどこにもレイテンシの数値はなく、再生レートしか記載されていません。実機で最初のセグメントまでの時間を誰かが測定する必要があり、8ステップの蒸留構成とベースの自己回帰モデルの差は、仮定せず定量化する価値があります。

三つ目はエコシステムのサポートです。リポジトリにはdiffusersタグが付いていますが、ドキュメントに記載されている経路はTencent自身のhymmパッケージと専用のDockerイメージであり、サードパーティ製ランタイムはサポート対象として明記されていません。これが主流ライブラリでパイプラインクラスを獲得できるかどうか——ほとんどのオープンな動画モデルが最終的にそうなるように——が、研究用の成果物のまま留まるか、ツールになるかを決めます。

第四点は、Tencentがそもそも何かを公表するのかどうかだ。技術レポートは「coming soon」と表示されていて現在は404エラーになり、arXivのプレプリントもなく、10月23日時点で報道も存在しない。同社がこれを宣伝する前に論文やホストされた製品を待っている可能性は十分にある。また、この公開がその見た目どおりのものである可能性もある。つまり、記録用に重みを公開し、告知は延期されているというケースだ。

どちらにせよ、ダウンロードは公開済みで、ライセンスは寛容で、デモは今日から指示を受け付ける。誰も発表していないモデルにしては、それは多くの静かなリリースが提供するものより多く、ローンチよりはかなり少ない。