Hy-Nomas: O que o Modelo de Mundo Interativo de Forma Livre da Tencent realmente faz

A coisa mais útil para se entender sobre Hy-Nomas é que ele não faz um vídeo. Ele faz os próximos quatro segundos de um vídeo, mostra-os para você, espera pela sua instrução e então faz os quatro segundos seguintes — carregando tudo o que já renderizou em um cache para que a esquina em que você virou dois minutos atrás ainda tenha a mesma loja. A Tencent Hunyuan publicou os pesos, o código de inferência, um pipeline de ajuste fino, um benchmark de 280 casos e uma demonstração no navegador entre 21 e 23 de outubro de 2026, sob Apache 2.0, sem post de anúncio e sem resultados de benchmark. A galeria do próprio model card inclui um clipe de sessenta segundos e cinco turnos chamado clockwork-flight; esse clipe é uma explicação melhor do produto do que o repositório ou o artigo que ainda não foi publicado.

O que segue é uma análise do que realmente foi lançado, de como o loop interativo é construído e do único número que o lançamento não contém. Foi escrito a partir do repositório, do model card e dos arquivos de configuração divulgados — não de uma execução prática, porque, até 24 de outubro, não há avaliação de terceiros do Hy-Nomas para citar.

Quatro artefatos, dos quais apenas um é um modelo

A Tencent lançou um pacote, e o pacote é a história. O primeiro artefato é o conjunto de checkpoints no Hugging Face, com cerca de 196 GB, abrangendo o DiT autorregressivo base, um DiT destilado, uma versão INT8, o autoencoder de vídeo DCAE-V, um decodificador PixelUMM ajustado em FP32 e FP8, e o aprimorador de prompts Nomas-PE. O segundo é o repositório no GitHub: uma infraestrutura de inferência, uma ferramenta de legendagem para construir dados de ajuste fino, empacotamento offline de sequências, um treinador LoRA e um script de mesclagem. O terceiro é o Hy-Nomas-Bench, um conjunto de avaliação de 280 casos em quatro trilhas com cerca de 220 trajetórias de câmera de referência. O quarto é a demonstração em hy-nomas.hy.tencent.com, onde você se move por uma cena gerada com WASD ou arrastando o mouse.

Essa combinação é incomum para o lançamento de um modelo de mundo. A maioria publica um artigo e uma galeria. A Tencent publicou a maquinaria e deixou a avaliação vazia. Se você quer saber se o Hy-Nomas é bom, agora pode descobrir por conta própria; ainda não pode ler a resposta.

O loop: um segmento de cada vez, com o passado mantido em cache

Hy-Nomas é um transformador de difusão autorregressivo por segmentos. Ele renderiza um curto trecho de vídeo, anexa-o à sessão e condiciona o próximo trecho a um cache KV vitalício que armazena os latentes anteriores e suas chaves e valores. É por isso que o modelo consegue manter uma cena consistente entre turnos sem um módulo de memória separado nem uma etapa de recuperação: o histórico está dentro do contexto de atenção e cresce.

A arquitetura subjacente é um MMDiT de fluxo duplo com 54 blocos, tamanho oculto de 2.048, 16 cabeças de atenção e embeddings rotacionais de posição 3D. O texto é codificado pelo Qwen2.5-VL-7B-Instruct. As extrínsecas da câmera entram por atenção cruzada em vez de serem incorporadas ao prompt de texto, o que importa para a narrativa de controle abaixo. A Tencent não informa uma contagem de parâmetros; o checkpoint FP32 tem 34,2 GB, o que implica aproximadamente 8,5 bilhões de parâmetros se você assumir armazenamento de 32 bits e nenhum estado do otimizador — aritmética, não uma afirmação do fornecedor, e vale tratar como estimativa, não como especificação.

• Saída — 720 × 1280 a 24 FPS, com o valor de 24 FPS referindo-se à reprodução, não à velocidade de geração

• Remoção de ruído — 8 etapas na configuração destilada; o código aceita 4, 6 ou 8

• Latentes — DCAE-V de 32 canais, decodificados por um decodificador PixelUMM ajustado; é fornecido um decodificador FP8

• Contexto — um cache KV vitalício mantido entre segmentos, não uma janela fixa que é reiniciada

Dois volantes, e apenas um deles é um prompt

O canal de texto é livre e multiturno. Você pode adicionar um objeto, mudar o clima, reestilizar a cena ou descrever uma ação, e a instrução se aplica a partir do próximo segmento, em vez de renderizar novamente o que veio antes. A própria formulação do repositório é "controle de prompt de texto multiturno em formato livre" — o ponto é que o prompt não é uma legenda de uso único para um clipe, mas um turno em uma conversa com o mundo.

O canal da câmera é o mais interessante, porque não é linguagem. Você fornece uma trajetória de parâmetros extrínsecos da câmera, e o modelo renderiza o mundo a partir desse caminho enquanto o prompt de texto continua a descrever o que há nele. Texto e câmera podem ser usados juntos: um prompt que diz "o mercado está fechando" e uma trajetória que percorre o corredor são duas entradas separadas que se compõem. Esta é a diferença concreta entre Hy-Nomas e um modelo texto-para-vídeo. Um modelo texto-para-vídeo infere um movimento de câmera a partir da prosa e da esperança; Hy-Nomas recebe a informação de para onde a câmera vai.

Há um terceiro controle, mais discreto: o Nomas-PE, um aprimorador de prompt online que reescreve uma instrução sucinta em algo sobre o qual o modelo condiciona de forma mais eficaz. Ele é opcional e é o tipo de componente que revela onde estão os modos de falha — se o modelo base lidasse bem com um prompt de cinco palavras, o aprimorador não existiria.

O recurso sobre o qual ninguém está falando: um LoRA de domínio em 2.000 etapas

Dois adaptadores acompanham o lançamento. O LoRA Cinematic é mesclado ao DiT destilado para melhorar a qualidade visual. O LoRA Robotics foi treinado no conjunto de dados de braço robótico RealSource-World e é mesclado ao mesmo checkpoint destilado para melhorar cenas de manipulação. A Tencent documenta a receita: rank e alpha 256, dropout zero, Muon com uma taxa de aprendizado constante de 1e-4 por 2.000 passos, treinando apenas os parâmetros do LoRA, usando uma técnica chamada segment forcing, e então mesclando o adaptador aos pesos destilados para inferência.

Esta é a parte com a meia-vida mais longa. Uma adaptação de 2.000 passos em um único domínio é barata o suficiente para que um estúdio com uma identidade visual própria, um laboratório de robótica com seu próprio braço ou uma equipe de jogos com uma direção de arte específica possam especializar o modelo sem tocar nos pesos base. Isso também dá ao lançamento uma trajetória comunitária plausível que um modelo fechado não pode ter: espere que os resultados interessantes do Hy-Nomas no próximo mês venham de merges de LoRA, não do checkpoint base.

Quanto custa rodar: oito GPUs, ou uma 4090 com concessões

O caminho padrão é oito GPUs com paralelismo de sequência em oito vias. O caminho de baixa memória é o que virou manchete: uma única RTX 4090, usando pesos DiT INT8 e um cache KV INT8, um limite de histórico com janela deslizante, offload para CPU, FlexAttention para o DiT e CUTLASS FP8 para decodificação, com paralelismo de sequência desativado. A Tencent alerta que o offload para CPU exige RAM de sistema suficiente e adiciona sobrecarga de transferência, o que é uma forma educada de dizer que o modo de GPU única é real, mas não é gratuito.

O volume de download também varia conforme o caminho. A rota de demonstração documentada baixa cerca de 86 GB; a rota de baixa memória precisa de aproximadamente 38 GB, além do codificador de texto. Nenhuma das duas é um download para notebook, e nenhuma delas vem com um endpoint hospedado. Não há API, preço por segundo nem serviço gerenciado da Tencent para o Hy-Nomas — ou você o executa, ou não o usa.

• Serviço padrão — 8 GPUs, paralelismo de sequência de 8 vias; o exemplo de treinamento usa 128 GPUs como 16 réplicas de paralelismo de dados × 8 de paralelismo de sequência

• Serviço em GPU única — RTX 4090 com DiT INT8, cache KV INT8, decodificador FP8, histórico de janela deslizante e offload para CPU

• Pegada — cerca de 196 GB para o conjunto completo de checkpoints, 86 GB para o caminho de demonstração documentado, 38 GB mais o codificador de texto para baixa memória

• Custo — não há preço de fornecedor; o custo são suas horas de GPU

Se você está construindo em torno de um modelo de pesos abertos como este, as partes que não são o modelo ainda precisam de uma stack: legendagem, aprimoramento de prompts, harnesses de avaliação e qualquer LLM que fique no loop do agente decidindo a próxima instrução. É nessa camada que uma única API se justifica — a OrcaRouter coloca mais de 200 modelos hospedados atrás de uma única chave com 0% de markup, repassa o preço de tabela do provedor sem alteração e faz failover automaticamente quando um provedor apresenta degradação, para que a orquestração em torno de um world model auto-hospedado não precise de um segundo contrato para cada chamada auxiliar. O próprio Hy-Nomas não está no nosso catálogo; os pesos são do fornecedor, e não vamos fingir o contrário.

O número que falta

Hy-Nomas-Bench é real. Tem 280 casos em quatro trilhas — controle de texto em múltiplos turnos, navegação por câmera, controle intercalado de texto e câmera, e memória espacial — e cerca de 220 trajetórias de câmera de referência. O que não tem é uma tabela de resultados. O repositório aponta para o conjunto de dados; a página do conjunto de dados não traz pontuações; o link do relatório técnico não leva a nada e o README diz "Em breve". O model card da Tencent descreve a arquitetura e os padrões de amostragem, e esses são detalhes de configuração, não resultados de benchmark.

Essa ausência não é um escândalo, mas muda o que uma frase justa sobre este modelo pode afirmar. “Hy-Nomas gera vídeo em 720 × 1280 a 24 FPS com oito etapas de denoising” é uma especificação que você pode verificar na configuração. “Hy-Nomas mantém consistência de longo horizonte” é uma alegação de projeto, sustentada por um clipe de demonstração, não um resultado medido. “Hy-Nomas supera o modelo X” não é uma alegação que alguém possa fazer atualmente, porque nenhum dos lados dessa comparação tem um número publicado no mesmo teste.

A posição honesta, três dias depois que os pesos surgiram, é que o Hy-Nomas é um lançamento de capacidade bem documentado com uma alegação de qualidade não avaliada. A documentação é boa o suficiente para reproduzi-lo. A avaliação é boa o suficiente para você mesmo executar. O veredicto está ausente, e está ausente por propósito ou por pressa — de qualquer forma, não cabe a nós inventá-lo.

O que observar, e o que fazer agora

Três coisas mudariam o panorama. Um relatório técnico com números reais transformaria o Hy-Nomas de uma alegação em uma linha de base. Uma onda de LoRA da comunidade diria se a receita de adaptação de 2.000 passos funciona fora dos próprios exemplos da Tencent. E uma reprodução em uma única 4090 — não uma demonstração, uma execução medida — diria se o caminho de baixo consumo de memória é utilizável ou apenas possível.

Até lá, a forma sensata de ler este lançamento é por artefato, não por manchete. Os pesos são abertos, o código roda, o benchmark é uma casca, e a demo é uma conversa de cinco turnos com um mundo que se lembra. Isso é mais do que a maioria dos laboratórios lançou este mês, e menos do que uma tabela de benchmark provaria. Se você tem as GPUs e um domínio que precisa de uma análise própria, a receita LoRA é o motivo para baixá-lo hoje. Se você precisa de um número antes de se comprometer, o número ainda não existe.