Hy-Nomas: co właściwie robi Free-Form Interactive World Model Tencenta

Najbardziej przydatną rzeczą do zrozumienia w przypadku Hy-Nomas jest to, że nie tworzy wideo. Tworzy kolejne cztery sekundy wideo, pokazuje je tobie, czeka na twoją instrukcję, a następnie tworzy kolejne cztery sekundy — przechowując w pamięci podręcznej wszystko, co już wyrenderowano, dzięki czemu na rogu ulicy, w który skręciłeś dwie minuty temu, nadal znajduje się ten sam sklep. Tencent Hunyuan opublikował wagi, kod inferencji, potok dostrajania, benchmark obejmujący 280 przypadków i demonstrację w przeglądarce między 21 a 23 października 2026 r., na licencji Apache 2.0, bez wpisu ogłaszającego i bez wyników benchmarku. Galeria samej karty modelu zawiera sześćdziesięciosekundowy klip złożony z pięciu tur o nazwie clockwork-flight; ten klip jest lepszym wyjaśnieniem produktu niż repozytorium czy artykuł, który nie został jeszcze opublikowany.

Poniżej znajduje się omówienie tego, co faktycznie trafiło do wydania, jak zbudowana jest pętla interaktywna oraz tej jednej liczby, której wydanie nie zawiera. Tekst powstał na podstawie repozytorium, karty modelu i udostępnionych plików konfiguracyjnych — nie na podstawie praktycznego uruchomienia, ponieważ na dzień 24 października nie ma żadnej zewnętrznej ewaluacji Hy-Nomas, na którą można by się powołać.

Cztery artefakty, z których tylko jeden jest modelem

Tencent wydał pakiet — i to on jest sednem sprawy. Pierwszym elementem jest zestaw checkpointów na Hugging Face, obejmujący około 196 GB: bazowy autoregresyjny DiT, destylowany DiT, wersję INT8, autoenkoder wideo DCAE-V, dostrojony dekoder PixelUMM w FP32 i FP8 oraz wzmacniacz promptów Nomas-PE. Drugim jest repozytorium GitHub: środowisko inferencji, narzędzie do opisywania służące do tworzenia danych do dostrajania, offline'owe pakowanie sekwencji, trener LoRA i skrypt scalający. Trzecim jest Hy-Nomas-Bench — zestaw ewaluacyjny liczący 280 przypadków w czterech ścieżkach, z około 220 referencyjnymi trajektoriami kamery. Czwartym jest demo pod adresem hy-nomas.hy.tencent.com, w którym poruszasz się po wygenerowanej scenie za pomocą WASD lub przeciągnięcia myszą.

Ta kombinacja jest nietypowa jak na premierę modelu świata. Większość publikuje artykuł i galerię. Tencent opublikował maszynerię, a ocenę pozostawił pustą. Jeśli chcesz wiedzieć, czy Hy-Nomas jest dobry, możesz teraz przekonać się sam; odpowiedzi jeszcze nie możesz przeczytać.

Pętla: jeden segment na raz, z przeszłością trzymaną w pamięci podręcznej

Hy-Nomas to segmentowo-autoregresyjny transformer dyfuzyjny. Renderuje krótki fragment wideo, dołącza go do sesji i uzależnia kolejny fragment od długotrwałej pamięci podręcznej KV, która przechowuje wcześniejsze reprezentacje utajone oraz ich klucze i wartości. Dlatego model może zachować spójność sceny między turami bez osobnego modułu pamięci ani etapu wyszukiwania: historia znajduje się w kontekście uwagi i rośnie.

Architektura bazowa to 54-blokowy dwustrumieniowy MMDiT o wymiarze ukrytym 2048, 16 głowicach uwagi i trójwymiarowych rotary position embeddings. Tekst jest kodowany przez Qwen2.5-VL-7B-Instruct. Parametry zewnętrzne kamery wchodzą przez cross-attention, a nie są wbudowywane w prompt tekstowy, co ma znaczenie dla opisanej poniżej historii sterowania. Tencent nie podaje liczby parametrów; checkpoint FP32 ma 34,2 GB, co implikuje około 8,5 miliarda parametrów, jeśli przyjąć 32-bitowe przechowywanie i brak stanu optymalizatora — to arytmetyka, a nie twierdzenie dostawcy, i warto traktować ją jako szacunek, a nie specyfikację.

• Wyjście — 720 × 1280 przy 24 FPS, gdzie wartość 24 FPS opisuje odtwarzanie, a nie szybkość generowania

• Odszumianie — 8 kroków w konfiguracji destylowanej; kod akceptuje 4, 6 lub 8

• Latenty — 32-kanałowy DCAE-V, dekodowany przez dostrojony dekoder PixelUMM; dostępny jest dekoder FP8

• Kontekst — pamięć podręczna KV działająca przez cały cykl życia i przenoszona między segmentami, a nie stałe okno, które się resetuje

Dwie kierownice, a tylko jedna z nich to prompt

Kanał tekstowy jest swobodny i obejmuje wiele tur. Możesz dodać obiekt, zmienić pogodę, zmienić styl sceny albo opisać akcję, a instrukcja zacznie obowiązywać od następnego segmentu, zamiast ponownie renderować to, co było wcześniej. Samo repozytorium opisuje to jako „swobodne sterowanie tekstowym promptem w wielu turach” — chodzi o to, że prompt nie jest jednorazowym podpisem do klipu, lecz turą w rozmowie ze światem.

Kanał kamery jest ciekawszy, ponieważ nie jest językiem. Podajesz trajektorię parametrów zewnętrznych kamery, a model renderuje świat z tej ścieżki, podczas gdy prompt tekstowy nadal opisuje, co się w nim znajduje. Tekst i kamera mogą być używane razem: prompt mówiący „targ się zamyka” i trajektoria przechodząca alejką to dwa osobne wejścia, które się łączą. To konkretna różnica między Hy-Nomas a modelem tekst-na-wideo. Model tekst-na-wideo wnioskuje ruch kamery z prozy i ma nadzieję; Hy-Nomas jest informowany, dokąd zmierza kamera.

Istnieje trzecia, cichsza kontrola: Nomas-PE, działający online wzmacniacz promptów, który przepisuje zwięzłą instrukcję w coś, na czym model warunkuje się skuteczniej. Jest opcjonalny i jest to ten rodzaj komponentu, który mówi, gdzie leżą tryby awarii — gdyby model bazowy dobrze radził sobie z pięciowyrazowym promptem, wzmacniacz by nie istniał.

Funkcja, o której nikt nie mówi: dziedzinowa LoRA w 2000 krokach

Z wydaniem dostarczane są dwa adaptery. LoRA Cinematic jest scalany z destylowanym DiT, aby poprawić jakość wizualną. LoRA Robotics został wytrenowany na zbiorze danych RealSource-World dotyczącym ramienia robotycznego i jest scalany z tym samym destylowanym checkpointem, aby poprawić sceny manipulacji. Tencent dokumentuje przepis: rank i alpha 256, zerowy dropout, Muon przy stałym współczynniku uczenia 1e-4 przez 2000 kroków, trenowanie wyłącznie parametrów LoRA, z użyciem techniki zwanej segment forcing, a następnie scalenie adaptera z destylowanymi wagami na potrzeby wnioskowania.

To jest część z najdłuższym okresem półtrwania. Adaptacja na pojedynczej domenie w 2000 krokach jest wystarczająco tania, że studio z własnym stylem wizualnym, laboratorium robotyki z własnym ramieniem lub zespół gier o określonym kierunku artystycznym może wyspecjalizować model bez dotykania wag bazowych. Daje to też wydaniu wiarygodną trajektorię społecznościową, której model zamknięty nie może mieć: oczekujcie, że interesujące wyniki Hy-Nomas w ciągu najbliższego miesiąca będą pochodzić z merge’ów LoRA, a nie z bazowego checkpointu.

Ile kosztuje uruchomienie: osiem GPU albo jedna karta 4090 z kompromisami

Domyślna ścieżka to osiem GPU z ośmiokierunkową równoległością sekwencji. Ścieżka niskopamięciowa to ta, która trafiła na nagłówki: pojedynczy RTX 4090, wykorzystujący wagi DiT INT8 i pamięć podręczną KV INT8, ograniczenie historii do okna przesuwnego, odciążenie na CPU, FlexAttention dla DiT i CUTLASS FP8 do dekodowania, z wyłączoną równoległością sekwencji. Tencent ostrzega, że odciążenie na CPU wymaga wystarczającej ilości pamięci RAM systemu i dodaje narzut transferu, co jest uprzejmym sposobem powiedzenia, że tryb pojedynczego GPU jest realny, ale nie jest darmowy.

Rozmiar pobierania również zależy od wybranej ścieżki. Udokumentowana ścieżka demo pobiera około 86 GB; ścieżka niskopamięciowa wymaga około 38 GB plus enkoder tekstu. Ani jedno, ani drugie nie jest do pobrania na laptopa i żadne nie wiąże się z hostowanym punktem końcowym. Dla Hy-Nomas nie ma API, ceny za sekundę ani usługi zarządzanej od Tencent — albo uruchamiasz to sam, albo z tego nie korzystasz.

• Domyślne serwowanie — 8 GPU, 8-kierunkowa równoległość sekwencyjna; przykład trenowania wykorzystuje 128 GPU jako 16 replik równoległości danych × 8 równoległości sekwencyjnej

• Serwowanie na pojedynczym GPU — RTX 4090 z DiT INT8, pamięcią podręczną KV INT8, dekoderem FP8, historią z oknem przesuwnym i odciążeniem CPU

• Zajmowane miejsce — około 196 GB dla pełnego zestawu checkpointów, 86 GB dla udokumentowanej ścieżki demonstracyjnej, 38 GB plus enkoder tekstu dla trybu niskiej pamięci

• Koszt — nie istnieje cennik dostawcy; kosztem są Twoje godziny GPU

Jeśli budujesz wokół modelu o otwartych wagach, takiego jak ten, części, które nie są modelem, nadal wymagają stosu: generowania opisów, ulepszania promptów, narzędzi ewaluacyjnych i dowolnego LLM, który znajduje się w pętli agenta i decyduje o następnej instrukcji. To warstwa, w której pojedyncze API zasługuje na swoje miejsce — OrcaRouter udostępnia ponad 200 hostowanych modeli za jednym kluczem przy 0% narzutu, przekazuje cennik dostawcy bez zmian i automatycznie przełącza się awaryjnie, gdy dostawca zawodzi, więc orkiestracja wokół samodzielnie hostowanego modelu świata nie potrzebuje drugiej umowy dla każdego pomocniczego wywołania. Sam Hy-Nomas nie znajduje się w naszym katalogu; wagi należą do dostawcy i nie zamierzamy udawać, że jest inaczej.

Brakująca liczba

Hy-Nomas-Bench istnieje naprawdę. Ma 280 przypadków w czterech ścieżkach — sterowanie tekstem w wielu turach, nawigacja kamery, przeplatane sterowanie tekstem i kamerą oraz pamięć przestrzenna — a także około 220 referencyjnych trajektorii kamery. Czego jednak nie ma, to tabela wyników. Repozytorium linkuje do zbioru danych; strona zbioru danych nie podaje żadnych wyników; link do raportu technicznego prowadzi donikąd, a README mówi „Wkrótce”. Karta modelu Tencent opisuje architekturę i domyślne ustawienia próbkowania, a są to szczegóły konfiguracji, a nie wyniki benchmarku.

Ten brak nie jest skandalem, ale zmienia to, co uczciwe zdanie o tym modelu może stwierdzić. „Hy-Nomas generuje wideo 720 × 1280 przy 24 FPS w ośmiu krokach odszumiania” to specyfikacja, którą można zweryfikować na podstawie konfiguracji. „Hy-Nomas zachowuje długoterminową spójność” to twierdzenie projektowe poparte klipem demonstracyjnym, a nie zmierzony wynik. „Hy-Nomas przewyższa model X” to twierdzenie, którego obecnie nikt nie może sformułować, ponieważ żadna ze stron tego porównania nie opublikowała wyniku liczbowego z tego samego testu.

Uczciwe stanowisko, trzy dni po tym, jak pojawiły się wagi, jest takie, że Hy-Nomas to dobrze udokumentowane wydanie możliwości z niezweryfikowanym twierdzeniem o jakości. Dokumentacja jest wystarczająco dobra, by go odtworzyć. Ewaluacja jest wystarczająco dobra, by przeprowadzić ją samemu. Werdyktu brak i brakuje go celowo albo z pośpiechu — tak czy inaczej, nie do nas należy jego wymyślanie.

Na co uważać i co teraz zrobić

Trzy rzeczy zmieniłyby obraz sytuacji. Raport techniczny z rzeczywistymi liczbami zamieniłby Hy-Nomas z twierdzenia w punkt odniesienia. Społecznościowa fala LoRA pokazałaby, czy przepis adaptacji na 2 000 kroków działa poza własnymi przykładami Tencentu. A reprodukcja na jednej karcie 4090 — nie demonstracja, lecz zmierzony przebieg — pokazałaby, czy ścieżka niskiej pamięci jest użyteczna, czy tylko możliwa.

Do tego czasu rozsądnym sposobem odczytania tego wydania jest patrzenie na artefakty, a nie na nagłówki. Wagi są otwarte, kod działa, benchmark to wydmuszka, a demo to pięcioturowa rozmowa ze światem, który pamięta. To więcej, niż większość laboratoriów wydała w tym miesiącu, i mniej, niż dowiodłaby tabela benchmarków. Jeśli masz GPU i dziedzinę, która wymaga własnego spojrzenia, przepis LoRA jest powodem, by pobrać to już dziś. Jeśli potrzebujesz liczby, zanim się zaangażujesz, ta liczba jeszcze nie istnieje.