Hy-Nomas: Tencent udostępnił jako open source interaktywny model świata i nie powiedział o tym ani słowa

Tencent udostępnił dziś rano zestaw ewaluacyjny i wagi Hy-Nomas, a pod koniec dnia wciąż nie opublikował ani jednego wyniku z żadnego z nich. Taki jest kształt tego wydania. Hy-Nomas to model świata wideo, którym sterujesz instrukcjami tekstowymi i ruchami kamery, segment po segmencie, a jego wagi trafiły na Hugging Face o 11:18 UTC dzisiaj, 23 października 2026: jeden commit zawierający 196 GB checkpointów na licencji Apache-2.0, wraz z repozytorium kodu wypchniętym o 09:01 tego samego ranka i grywalnym demem. Dwa dni wcześniej oba repozytoria istniały i były puste. Nie ma wpisu na blogu, nie ma wpisu na arXiv, a plakietka „Technical Report (Coming Soon)” na karcie modelu prowadzi do pliku, który zwraca 404. Godziny po przesłaniu strona modelu pokazuje zero polubień i zero pobrań, a jedynym znakiem, że ktokolwiek to zauważył, jest repozytorium na GitHubie: osiem gwiazdek, jeden commit, brak opisu.

Uczciwe ujęcie nie brzmi więc: „Tencent uruchomił model świata”. Brzmi: Tencent opublikował wagi, kod trenowania i wnioskowania, benchmark oraz stronę demonstracyjną, ale nie powiedział jeszcze ani słowa o tym, jakie wyniki to osiąga. Wszystko poniżej to albo znacznik czasu lub rozmiar pliku, które możesz sprawdzić samodzielnie, albo liczba wpisana przez Tencent na własną kartę, albo miejsce, w którym karta wymownie milczy. Te trzy kategorie celowo trzyma się osobno, ponieważ w takim wydaniu milczenie niesie tyle samo informacji co specyfikacje.

Co faktycznie zostało dostarczone, z dokładnością do godziny

Artefakty łatwo jest datować, ponieważ jest ich tak niewiele i żaden nie został mocno zmieniony.

• Repozytorium modelu tencent/Hy-Nomas zostało utworzone na Hugging Face 2026-10-21 o 02:17:37 UTC i pozostawało puste aż do przesłania jego jedynego commita 2026-10-23 o 11:18:04 UTC. Ten commit obejmuje 196,4 GB w 46 plikach: dwa checkpointy DiT fp32 po 34,2 GB, jeden DiT INT8 o rozmiarze 9,06 GB, dwa adaptery LoRA, dekoder PixelUMM o rozmiarze 31,55 GB, jego bliźniaczy odpowiednik FP8 o rozmiarze 9,13 GB, autoenkoder DCAE-V o rozmiarze 4,28 GB, model do rozszerzania promptów składający się z 18 shardów o łącznym rozmiarze 55,6 GB oraz zwykłe elementy towarzyszące, takie jak tokenizer i konfiguracja.

• Repozytorium kodu Tencent-Hunyuan/Hy-Nomas zostało utworzone 47 minut później, o 03:04:54 UTC, bez wypełnionego pola opisu. Jego jedyny commit został utworzony 21 października, ale wypchnięto go dopiero dziś, o 09:01:42 UTC. Repozytorium nadal pokazuje jeden commit i nie ma żadnych wydań, a zawiera kod treningowy, skrypty wnioskowania, obraz Dockera i przewodnik wdrażania demonstracji internetowej.

• Zbiór danych referencyjnych tencent/Hy-Nomas-Bench został utworzony 2026-10-22 o 05:18:20 UTC i otrzymał swój jedyny commit dzisiaj o 09:10:51 UTC.

• Demo pod adresem hy-nomas.hy.tencent.com odpowiada kodem HTTP 200 i tytułem strony. To jedyna część tego wydania skierowana do kogoś spoza grupy badawczej.

Ta cisza jest charakterystyczna dla tego konkretnego modelu, a nie dla Tencentu. Własna organizacja firmy na Hugging Face jest aktywna: tencent/Hy4-previewz końca sierpnia ma 513 polubień i około 18 400 pobrań, a tencent/Hy-Memory-30B-A3Bz 15 października ma 297 polubień i około 3 300 pobrań w ciągu ośmiu dni. Hy-Nomas, opublikowany w tym samym okresie i znacznie większy, nie ma nic z tego. Niezależnie od wewnętrznych powodów, to nie jest premiera, która wypadła słabo. To premiera, której w ogóle nie podjęto.

Co Hy-Nomas robi, czego nie robi model tekst-na-wideo

To rozróżnienie ma większe znaczenie niż liczba parametrów, ponieważ to właśnie ono jest powodem, by w ogóle interesować się tym wydaniem. Zwykły model text-to-video przyjmuje jeden prompt i zwraca jeden klip; jeśli chcesz czegoś innego, zaczynasz od nowa i otrzymujesz niepowiązany klip. Hy-Nomas generuje świat jako łańcuch segmentów i zachowuje własną historię.

Konkretnie, karta opisuje cztery rzeczy dziejące się jednocześnie. Każdy segment otrzymuje własne polecenie, dzięki czemu możesz wprowadzić obiekt, zmienić styl, zmienić scenerię lub opisać akcję w trakcie generowania, a nie z góry. Trwały cache kluczy/wartości przenosi wygenerowaną historię dalej, dzięki czemu późniejszy segment jest uwarunkowany tym, co już zostało wytworzone, zamiast być wymyślany od zera. Ruch kamery to osobna ścieżka warunkowania, a nie coś, co opisujesz prozą: podajesz macierze camera-to-world i parametry wewnętrzne, a model uwzględnia je w każdym bloku. A ponieważ segmenty są generowane autoregresyjnie, świat może się stale rozszerzać, dopóki tylko podajesz mu instrukcje.

Format promptu pokazuje, jak dosłowne to jest. Wnioskowanie offline przyjmuje listę JSON, w której każdy wpis ma styl, perspektywę, listę podmiotów, a następnie segmenty czasowe — czas początkowy i końcowy, długi opis wizualny oraz zawarte w nim akcje z własnymi znacznikami czasu. Pierwszy segment ustanawia świat; późniejsze segmenty używają pola description_change, aby określić, jak powinien się rozwijać. Dołączony przykład buduje świetlisty las wokół małego pomarańczowego lisa, a następnie w drugiej sekundzie otwiera świecące niebieskie kwiaty obok jego ścieżki.

Jedną liczbę na karcie łatwo odczytać błędnie, a sama karta na to wskazuje: wartość 24 FPS to szybkość odtwarzania wynikowego wideo, a nie szybkość generowania. To, jak szybko model faktycznie działa, zależy od sprzętu, rozdzielczości, długości segmentu i tego, ile historii znajduje się w pamięci podręcznej. Tencent mówi to wprost. W wydaniu bez opublikowanego opóźnienia i bez opublikowanych wyników to jedyny uczciwy sposób odczytania tej liczby.

Karta jednak podaje specyfikację.

Tencent jest niezwykle precyzyjny w kwestii architektury, co sprawia, że brakujące wyniki wydają się wymowne.

• Szkielet — 54 bloki MMDiT dwustrumieniowe i zero bloków jednostrumieniowych, zgodnie z konfiguracją inferencji.

• Szerokość — rozmiar ukryty 2048, z 16 głowicami uwagi po 128 wymiarów każda oraz 4× rozwinięciem warstwy feed-forward do 8192.

• Kodowanie pozycji — 3D RoPE o wymiarach [16, 56, 56] i theta 256.

Ścieżka tekstowa — komponent modelu językowego Qwen2.5-VL-7B-Instruct, którego 3,584-wymiarowe stany ukryte przechodzą przez dwuwarstwowy moduł dopracowywania tokenów i są rzutowane do 2,048-wymiarowej przestrzeni DiT.

• Ścieżka kamery — znormalizowane parametry zewnętrzne 4×4 grupowane na przestrzeni czterech klatek i spłaszczane do 64 wymiarów, stosowane za pomocą cross-attention w każdym bloku.

• Latenty — DCAE-V f32t4c32: 32 kanały, 32× kompresja przestrzenna, 4× kompresja czasowa.

• Dekoder — dostrojony PixelUMM z 36 warstwami, rozmiarem ukrytym 4,096, 32 głowicami zapytań i 8 głowicami KV, wykonujący jeden krok dekodowania w oknach 10 ramek utajonych z nakładaniem się 5 ramek.

• Wyjście — 720 × 1280 przy 24 FPS, z 8 krokami odszumiania w konfiguracji destylowanej; repozytorium kodu podaje, że destylowane checkpointy obsługują 4, 6 lub 8 kroków.

• Licencja — Apache 2.0, przy czym enkoder tekstu Qwen pozostaje objęty własnymi warunkami.

Jedyną wartością, której Tencent nigdy nie podaje, jest łączna liczba parametrów. Liczba, która jest najbliższa, jest wyliczona, a nie opublikowana: checkpoint DiT fp32 o rozmiarze 34,2 GB daje w przeliczeniu około 8,5 miliarda parametrów przy czterech bajtach na parametr, a wersja INT8 o rozmiarze 9,06 GB jest z tym spójna. Traktuj to jako arytmetykę na rozmiarze pliku, a nie jako twierdzenie z karty specyfikacji — dostawca nigdzie tego nie potwierdził.

Ile kosztuje eksploatacja — to jest prawdziwa bariera.

Nic w tym wydaniu nie jest wrogie wobec osób z zewnątrz, ale domyślne wdrożenie zakłada, że masz węzeł, a nie laptopa. Standardowa konfiguracja wnioskowania wykorzystuje 8-kierunkowy paralelizm sekwencji, więc jej domyślne uruchomienie wymaga ośmiu GPU w jednej grupie wnioskowania. README mówi o tym wprost, zamiast to ukrywać.

Istnieje prawdziwa ścieżka dla pojedynczego GPU i to ona jest najciekawszym rozwiązaniem inżynierskim w tym wydaniu. Działa na jednym RTX 4090 dzięki połączeniu czterech sztuczek: wagi DiT oraz buforowane klucze i wartości są przechowywane w INT8, podczas gdy obliczenia pozostają w BF16; dekoder działa w FP8 za pośrednictwem CUTLASS; enkoder tekstu i obie sieci przełączają się między CPU a GPU na potrzeby własnych etapów; a aktywna historia GPU jest ograniczona do 18 klatek utajonych, przy czym starsza historia jest archiwizowana w pamięci RAM systemu. Ten ostatni kompromis trzeba zrozumieć, zanim zacznie się wokół niego planować: archiwum stale rośnie, budżet 18 klatek ogranicza wyłącznie to, co znajduje się na GPU, a pamięć bieżącego segmentu wcale nie jest przez niego ograniczana. Tencent mówi wprost, że transfery między CPU a GPU zwiększają opóźnienie oraz że szczytowe zużycie pamięci GPU zależy od rozdzielczości i długości segmentu.

Matematyka pobierania wynika z rozmiarów plików. Udokumentowana ścieżka demonstracyjna wymaga destylowanego DiT (34,2 GB), pasującego dekodera PixelUMM (31,55 GB), DCAE-V (4,28 GB) oraz około 16 GB więcej na enkoder Qwen — około 86 GB, zanim cokolwiek wygenerujesz. Ścieżka z pojedynczym GPU zamienia je na DiT INT8 i dekoder FP8, co daje znacznie mniejszy rozmiar — około 38 GB plus enkoder. Dwa adaptery LoRA to osobne zakupy miejsca na dysku: adapter kinowy o rozmiarze 6,12 GB i adapter robotyczny o rozmiarze 12,24 GB wytrenowany na zbiorze danych RealSource-World dotyczącym dwuramiennego robota; oba mają zostać scalone z DiT w formacie zmiennoprzecinkowym. Loader INT8 nie może przyjąć osobnego adaptera LoRA w czasie wnioskowania, więc tych dwóch ścieżek nie można łączyć.

Wymagania środowiskowe są równie konkretne: Linux, Python 3.12 lub nowszy, CUDA 13.0 Toolkit, PyTorch 2.10.0 oraz kompilacje FlashAttention 2, FlashAttention 3 i MagiAttention. Gotowy obraz, hynomasoss/hynomasoss:cu130, jest zalecany zamiast ścieżki ręcznej — powodem jest kompilacja jąder attention. Konfiguracja treningu w repozytorium kodu idzie dalej: DP16 × SP8, 128 GPU, sekwencje upakowane do 360 000 tokenów. Niezależnie od tego, co zrobisz z wagami, nie wytrenujesz tego ponownie w domu.

Benchmark, który Tencent udostępnił bez wyników

Hy-Nomas-Bench nie jest dodatkiem po fakcie. To prawdziwy zbiór danych: cztery zestawy ewaluacyjne obejmujące wieloturowe interakcje swobodnym tekstem, nawigację kamerą, przeplatane sterowanie tekstem i kamerą oraz pamięć przestrzenną, z 280 przypadkami testowymi, 220 referencyjnymi trajektoriami kamery, ustrukturyzowanymi promptami, sekwencjami interakcji i osiami czasu klawiatury, udostępniony w formacie JSON na licencji Apache 2.0 i zorganizowany w podziały wyłącznie ewaluacyjne. Pojawił się około dwie godziny przed wagami modelu.

Czego jednak nie zawiera, to tabela wyników. Nie ma żadnego rankingu, żadnego wyniku dla poszczególnych zestawów testów, żadnego porównania z jakimkolwiek innym modelem ani żadnej wzmianki, że takowe się pojawi. A karta modelu jest ostrożna w sposób, który wydaje się celowy: po wymienieniu architektury i domyślnych ustawień próbkowania dodaje jedną linię — „Architektura i domyślne ustawienia próbkowania to szczegóły konfiguracji, a nie wyniki testów porównawczych”.

To zdanie odgrywa istotną rolę. Oznacza ono, że osiem kroków odszumiania, rozdzielczość 720 × 1280 i skala guidance kamery wynosząca 1.0 nie są dowodem jakości, a Tencent nie pozwala odczytywać ich jako takiego dowodu. Dla każdego, kto ocenia model, praktyczna konsekwencja jest prosta: możesz samodzielnie przeprowadzić ocenę, a do tego czasu nie możesz zestawiać Hy-Nomas z czymkolwiek innym na podstawie liczby. Zestaw testów to rzecz, którą warto pobrać, jeśli chcesz werdyktu, ponieważ nikt nie wręcza ci go gotowego.

Gdzie plasuje się wśród pozostałych modeli otwartego świata

Dziedzina rozwijała się w 2026 roku bardzo szybko, a porównanie, które naprawdę ma znaczenie, nie dotyczy liczby parametrów, lecz tego, jakie dowody przyniosło ze sobą każde wydanie.

• Wagi i licencja — Hy-Nomas jest na licencji Apache 2.0 bez ograniczeń dostępu. LingBot-World od Ant Group udostępnił otwarte wagi pod koniec stycznia 2026 r. i był przedstawiany jako pierwszy otwarty model porównywalny z zamkniętym Genie 3 Google.

• Schemat sterowania — Hy-Nomas jest w pierwszej kolejności tekstowy, z trajektoriami kamery, segment po segmencie. LingBot-World i linia Genie 3 stawiają na sterowanie postacią lub kamerą w czasie rzeczywistym za pomocą klawiatury i myszy, co stanowi inny model interakcji: ciągła rozgrywka kontra ukierunkowane konstruowanie.

• Minimalne wymagania sprzętowe — {{1}}Hy-Nomas domyślnie wymaga ośmiu GPU lub jednego RTX 4090 z ograniczoną historią{{/1}}. {{2}}Astronex-World 1.0, opublikowany we wrześniu 2026 r., odnotował strumieniowanie w czasie rzeczywistym na pojedynczym 48 GB L20 przy 832 × 480, co jest znacznie niższym progiem.{{/2}}

• Dowody — to tu Hy-Nomas jako jedyny trafia do niewłaściwej kolumny. LingBot-World ukazał się z podanymi wartościami przepustowości i opóźnień; Astronex-World ukazał się z artykułem arXiv i liczbami benchmarków. Hy-Nomas ma 404 przy swoim raporcie technicznym i w ogóle żadnych wyników.

• Pochodzenie — poprzednia otwarta inicjatywa interaktywna Tencenta, HY-WorldPlay, działała na podstawie obrazu początkowego oraz danych wejściowych dotyczących pozy i akcji w rozdzielczości 720p i 24 FPS. Hy-Nomas nie jest tym samym modelem pod nową nazwą; pętla wieloturowej obsługi tekstu i struktura promptów dla poszczególnych segmentów są nowe, a karta nie twierdzi, że wywodzi się z niego.

Żadne z tego nie rozstrzyga o jakości. Model może być doskonały i nieudokumentowany, a milczenie ze strony Tencent nie jest dowodem w żadną stronę — oznacza po prostu, że ciężar dowodu przesunął się na tego, kto go pobierze.

Kto powinien się tym teraz zająć, a kto powinien poczekać

Jeśli masz węzeł z ośmioma GPU, a twoim problemem jest stan świata, który człowiek edytuje w trakcie generowania — scena, w której w czwartej sekundzie pojawia się obiekt, kamera, która obraca się, bo jej kazałeś, świat, który zachowuje geometrię, gdy zmieniasz pogodę — to najbardziej bezpośrednia dostępna obecnie do pobrania otwarta implementacja tego pomysłu, a warunki Apache 2.0 oznaczają, że możesz na niej budować bez negocjacji. LoRA do robotyki jest sygnałem, gdzie Tencent spodziewa się jej użycia: światy symulacyjne do treningu ucieleśnionego, a nie wideo społecznościowe.

Jeśli potrzebujesz liczby, zanim się zobowiążesz, poczekaj. Nie dlatego, że model budzi wątpliwości, ale dlatego, że nie ma czego cytować. Uruchomienie benchmarku na własną rękę to tydzień pracy inżynierskiej, a raport techniczny, gdy się pojawi, prawdopodobnie zmieni to, co byś zmierzył.

Istnieje mniejsza kwestia operacyjna związana z modelem, którą warto nazwać, ponieważ dotyka każdego, kto próbuje odtworzyć demo. Demo webowe przepuszcza każdą instrukcję przez Nomas-PE, osobny usługę o rozmiarze 55,6 GB, która przekształca swobodne sformułowania użytkownika w strukturalny JSON segmentów oczekiwany przez DiT, a Tencent stwierdza, że demo go wymaga. Wnioskowanie offline pomija ten krok i wymaga samodzielnego napisania strukturalnych promptów. Jeśli budujesz własny front end, ta warstwa konstruowania promptów to zwykłe wywołanie modelu językowego — i ta część, w przeciwieństwie do stosu wideo, jest infrastrukturą masową. OrcaRouter nie obsługuje Hy-Nomas — samodzielnie hostowany stos dyfuzyjny o rozmiarze 196 GB nie jest tym, do czego służy trasa API. To, co routuje, to strona tekstowa wokół niego — jeden klucz do ponad 200 modeli przy 0% marży na cenie katalogowej dostawcy, z automatycznym przełączaniem awaryjnym — dzięki czemu krok przepisywania promptów lub opisywania wyników przed samodzielnie hostowanym modelem wideo nie potrzebuje własnej umowy z dostawcą.

Otwarte pytania i co zmieniłoby ten artykuł

Cztery rzeczy są naprawdę nieznane, a każda z nich ma konkretny artefakt, który by ją rozstrzygnął.

Pierwsza kwestia to jakość. Hy-Nomas-Bench istnieje, więc opublikowana tabela wyników jest oczywistym następnym krokiem, a jej brak to największa luka między tym wydaniem a wersją, na którą można się powołać.

Druga kwestia to szybkość. W karcie nigdzie nie pojawia się żadna wartość opóźnienia, jedynie szybkość odtwarzania. Ktoś będzie musiał zmierzyć czas do pierwszego segmentu na rzeczywistym sprzęcie, a różnica między ośmiokrokową konfiguracją destylowaną a bazowym modelem autoregresyjnym jest warta skwantyfikowania, a nie założenia.

Trzecim aspektem jest wsparcie ekosystemu. Repozytorium ma tag diffusers, ale udokumentowana ścieżka to własny pakiet Tencentu hymm oraz specjalnie zbudowany obraz Dockera; żadne środowisko uruchomieniowe firm trzecich nie jest wymieniane jako obsługiwane. To, czy trafi jako klasa pipeline do głównej biblioteki — tak jak w końcu dzieje się z większością otwartych modeli wideo — decyduje o tym, czy pozostanie artefaktem badawczym, czy stanie się narzędziem.

Czwarta kwestia dotyczy tego, czy Tencent kiedykolwiek się odezwie. {{1}}Raport techniczny jest oznaczony jako „wkrótce”, a obecnie zwraca błąd 404, nie ma preprintu na arXiv ani żadnych relacji prasowych na dzień 23 października.{{/1}} Jest całkiem możliwe, że firma czeka na artykuł lub hostowany produkt, zanim zacznie to promować. {{2}}Możliwe jest również, że wydanie wygląda dokładnie tak, jak się wydaje: wagi opublikowane dla porządku, a ogłoszenie odroczone.{{/2}}

Tak czy inaczej, plik można już pobrać, licencja jest liberalna, a demo już dziś przyjmuje polecenia. Jak na model, którego nikt nie zapowiedział, to więcej, niż oferuje większość cichych udostępnień — i znacznie mniej niż premiera.