Hy-Nomas: a Tencent disponibilizou como código aberto um modelo de mundo interativo e não disse nada sobre isso

A Tencent publicou hoje pela manhã o conjunto de avaliação e os pesos do Hy-Nomas e, ao fim do dia, ainda não havia divulgado uma única pontuação de nenhum dos dois. Esse é o formato deste lançamento. O Hy-Nomas é um modelo de mundo para vídeo que você controla com instruções de texto e movimentos de câmera, um segmento por vez, e seus pesos foram publicados no Hugging Face às 11:18 UTC de hoje, 23 de outubro de 2026: um commit contendo 196 GB de checkpoints Apache-2.0, ao lado de um repositório de código enviado às 09:01 da mesma manhã e uma demo jogável. Dois dias antes, ambos os repositórios existiam e estavam vazios. Não há post de blog, nem entrada no arXiv, e o selo "Technical Report (Coming Soon)" no model card leva a um arquivo que retorna 404. Horas após o upload, a página do modelo mostra zero curtidas e zero downloads, e o único indício de que alguém percebeu é o repositório no GitHub: oito estrelas, um commit, nenhuma descrição.

Portanto, o enquadramento honesto não é “a Tencent lançou um modelo de mundo”. É: a Tencent publicou os pesos, o código de treinamento e inferência, um benchmark e um site de demonstração, e ainda não disse uma palavra sobre o que qualquer parte disso pontua. Tudo abaixo é ou um carimbo de data/hora ou um tamanho de arquivo que você mesmo pode verificar, um número que a Tencent digitou no próprio cartão, ou um ponto em que o cartão é conspicuamente silencioso. As três categorias são mantidas separadas de propósito, porque em um lançamento como este o silêncio carrega tanta informação quanto as especificações.

O que realmente chegou, na hora exata

Os artefatos são fáceis de datar porque há muito poucos deles e nenhum foi muito editado.

• O repositório do modelo tencent/Hy-Nomas foi criado no Hugging Face em 2026-10-21 às 02:17:37 UTC e permaneceu vazio até seu único commit ser enviado em 2026-10-23 às 11:18:04 UTC. Esse commit tem 196,4 GB distribuídos em 46 arquivos: dois checkpoints DiT fp32 de 34,2 GB, um DiT INT8 de 9,06 GB, dois adaptadores LoRA, um decodificador PixelUMM de 31,55 GB, sua versão gêmea FP8 de 9,13 GB, um autoencoder DCAE-V de 4,28 GB, um modelo de aprimoramento de prompt com 18 shards totalizando 55,6 GB, e os habituais tokenizer e arquivos de configuração.

• O repositório de código Tencent-Hunyuan/Hy-Nomas foi criado 47 minutos depois, às 03:04:54 UTC, sem o campo de descrição preenchido. Seu único commit foi criado em 21 de outubro, mas só foi enviado hoje, às 09:01:42 UTC. O repositório ainda mostra um commit e nenhuma release, e contém o código de treinamento, scripts de inferência, uma imagem Docker e um guia de implantação de demonstração web.

• O conjunto de dados de benchmark tencent/Hy-Nomas-Bench foi criado em 2026-10-22 às 05:18:20 UTC e recebeu seu único e exclusivo commit hoje às 09:10:51 UTC.

• A demonstração em hy-nomas.hy.tencent.com responde com HTTP 200 e um título de página. É a única parte desta versão destinada a qualquer pessoa fora de um grupo de pesquisa.

O silêncio é específico deste modelo, não da Tencent. A própria organização da empresa no Hugging Face está movimentada: tencent/Hy4-preview do final de agosto tem 513 curtidas e cerca de 18.400 downloads, e tencent/Hy-Memory-30B-A3B de 15 de outubro tem 297 curtidas e cerca de 3.300 downloads em oito dias. O Hy-Nomas, enviado na mesma janela e muito maior, não tem nada disso. Quaisquer que sejam as razões internas, este não é um lançamento que teve desempenho abaixo do esperado. É um lançamento que não foi tentado.

O que o Hy-Nomas faz que um modelo de texto para vídeo não faz

A distinção importa mais do que a contagem de parâmetros, porque é o motivo para se importar com o lançamento. Um modelo comum de texto para vídeo recebe um prompt e retorna um clipe; se você quiser algo diferente, começa de novo e obtém um clipe não relacionado. O Hy-Nomas gera um mundo como uma cadeia de segmentos e mantém seu próprio histórico.

Concretamente, o cartão descreve quatro coisas acontecendo ao mesmo tempo. Cada segmento recebe seu próprio prompt, então você pode introduzir um objeto, mudar o estilo, alterar o cenário ou descrever uma ação no meio da geração, em vez de antecipadamente. Um cache persistente de chave/valor leva adiante o histórico gerado, de modo que um segmento posterior é condicionado ao que já foi produzido, em vez de ser inventado do zero. O movimento da câmera é um caminho de condicionamento separado, e não algo que você descreve em prosa: você fornece matrizes câmera-para-mundo e parâmetros intrínsecos, e o modelo presta atenção a eles em cada bloco. E, como os segmentos são gerados de forma autoregressiva, o mundo pode continuar se estendendo contanto que você continue fornecendo instruções a ele.

O formato do prompt mostra o quão literal isso é. A inferência offline recebe uma lista JSON em que cada entrada tem um estilo, uma perspectiva, uma lista de sujeitos e, em seguida, segmentos temporizados — um horário de início e fim, uma longa descrição visual e ações contidas com seus próprios carimbos de data/hora. O primeiro segmento estabelece o mundo; os segmentos posteriores usam um campo description_change para dizer como ele deve evoluir. O exemplo incluído cria uma floresta luminosa ao redor de uma pequena raposa laranja e, então, abre flores azuis brilhantes ao lado de seu caminho na marca dos dois segundos.

Um número no cartão é fácil de ser lido errado, e o próprio cartão sinaliza isso: o valor de 24 FPS é a taxa de reprodução do vídeo de saída, não a velocidade de geração. A rapidez com que o modelo realmente roda depende de hardware, resolução, duração do segmento e de quanto histórico há no cache. A Tencent diz isso diretamente. Em um lançamento sem latência publicada e sem pontuações publicadas, essa é a única leitura honesta do número.

A ficha técnica que o cartão fornece

A Tencent é incomumente precisa quanto à arquitetura, e é isso que faz os resultados ausentes parecerem propositais.

• Backbone — 54 blocos MMDiT de fluxo duplo e zero blocos de fluxo único, conforme a configuração de inferência.

• Largura — tamanho oculto de 2.048, com 16 cabeças de atenção de 128 dimensões cada e uma expansão feed-forward de 4× para 8.192.

• Codificação de posição — RoPE 3D com dimensões [16, 56, 56] e theta 256.

• Caminho de texto — o componente de modelo de linguagem do Qwen2.5-VL-7B-Instruct, cujos estados ocultos de 3.584 dimensões passam por um refinador de tokens de duas camadas e são projetados no espaço DiT de 2.048 dimensões.

• Trajetória da câmera — extrínsecos 4×4 normalizados agrupados em quatro quadros e achatados para 64 dimensões, aplicados por atenção cruzada em cada bloco.

• Latentes — DCAE-V f32t4c32: 32 canais, compressão espacial de 32×, compressão temporal de 4×.

• Decodificador — um PixelUMM com ajuste fino, com 36 camadas, tamanho oculto de 4.096, 32 cabeças de consulta e 8 cabeças KV, executando uma etapa de decodificação sobre janelas de 10 quadros latentes com sobreposição de 5 quadros.

• Saída — 720 × 1280 a 24 FPS, com 8 etapas de denoising na configuração destilada; o repositório de código informa que os checkpoints destilados suportam 4, 6 ou 8 etapas.

• Licença — Apache 2.0, com o codificador de texto Qwen mantendo-se sob os seus próprios termos.

O único número que a Tencent nunca informa é a contagem total de parâmetros. O número que mais se aproxima é derivado, não publicado: um checkpoint DiT fp32 de 34,2 GB resulta em aproximadamente 8,5 bilhões de parâmetros a quatro bytes cada, e a versão INT8 de 9,06 GB é consistente com isso. Trate isso como aritmética sobre o tamanho de um arquivo, não como uma alegação de ficha técnica — o fabricante não confirmou isso em lugar nenhum.

Quanto custa operar, que é o verdadeiro obstáculo

Nada nesta versão é hostil a pessoas de fora, mas a implantação padrão pressupõe que você tenha um nó, não um laptop. A configuração padrão de inferência usa paralelismo de sequência de 8 vias, então sua inicialização padrão exige oito GPUs em um único grupo de inferência. O README é transparente quanto a isso em vez de esconder a informação.

Há um caminho real de GPU única, e ele é a engenharia mais interessante do lançamento. Ele roda em uma única RTX 4090 combinando quatro truques: os pesos do DiT e as chaves e valores em cache são armazenados em INT8, enquanto a computação permanece em BF16; o decodificador roda em FP8 via CUTLASS; o codificador de texto e ambas as redes alternam entre CPU e GPU para suas próprias etapas; e o histórico ativo da GPU é limitado a 18 quadros latentes, com o histórico mais antigo arquivado na RAM do sistema. Essa última troca é a que precisa ser entendida antes de planejar em torno dela: o arquivo continua crescendo, o orçamento de 18 quadros limita apenas o que fica na GPU, e a memória do segmento atual não é limitada por ele de forma alguma. A Tencent diz claramente que as transferências CPU–GPU adicionam latência e que o pico de memória da GPU varia com a resolução e o comprimento do segmento.

A matemática do download decorre dos tamanhos dos arquivos. O caminho de demonstração documentado precisa do DiT destilado (34,2 GB), do decodificador PixelUMM correspondente (31,55 GB), do DCAE-V (4,28 GB) e de cerca de 16 GB adicionais para o codificador Qwen — aproximadamente 86 GB antes de gerar qualquer coisa. O caminho de GPU única substitui o DiT INT8 e o decodificador FP8 por uma pegada bem menor, perto de 38 GB mais o codificador. Os dois adaptadores LoRA são compras separadas de disco: um adaptador cinematográfico de 6,12 GB e um adaptador de robótica de 12,24 GB treinado no conjunto de dados de braço duplo RealSource-World, ambos destinados a serem mesclados em um DiT de ponto flutuante. O carregador INT8 não aceita um LoRA separado no momento da inferência, portanto esses dois caminhos não se combinam.

Os requisitos de ambiente são igualmente específicos: Linux, Python 3.12 ou mais recente, CUDA 13.0 Toolkit, PyTorch 2.10.0 e builds do FlashAttention 2, FlashAttention 3 e MagiAttention. Uma imagem pré-construída, hynomasoss/hynomasoss:cu130, é recomendada em vez do caminho manual — com a compilação de kernels de atenção como motivo. A configuração de treinamento no repositório de código vai além: DP16 × SP8, 128 GPUs, sequências empacotadas em 360.000 tokens. Faça o que fizer com os pesos, você não vai retreinar isso em casa.

O benchmark que a Tencent lançou sem pontuações

Hy-Nomas-Bench não é um pensamento posterior. É um conjunto de dados real: quatro suítes de avaliação que cobrem interação de texto livre em múltiplas rodadas, navegação por câmera, texto intercalado com controle de câmera e memória espacial, com 280 casos de teste, 220 trajetórias de câmera de referência, prompts estruturados, sequências de interação e linhas do tempo de teclado, lançado como JSON sob Apache 2.0 e organizado em divisões apenas para avaliação. Foi disponibilizado aproximadamente duas horas antes dos pesos.

O que ele não traz é uma tabela de resultados. Não há ranking, nem pontuação por suíte, nem comparação com qualquer outro modelo, e nenhuma indicação de que algo assim esteja por vir. E o card é cuidadoso de um modo que parece deliberado: depois de listar a arquitetura e os padrões de amostragem, ele acrescenta uma linha — "Arquitetura e padrões de amostragem são detalhes de configuração, e não resultados de benchmark."

Essa frase tem um peso real. Ela significa que as oito etapas de remoção de ruído, a resolução de 720 × 1280 e a escala de orientação de câmera de 1.0 não são prova de qualidade, e a Tencent está se recusando a deixar que sejam interpretados como tal. Para quem estiver avaliando o modelo, a consequência prática é simples: você pode executar a avaliação por conta própria e, até lá, não pode comparar o Hy-Nomas com nada mais com base em um número. A suíte é o que você deve baixar se quiser um veredito, porque ninguém está entregando um para você.

Onde ele se situa entre os outros modelos de mundo aberto

A área avançou rapidamente em 2026, e a comparação que importa não é a contagem de parâmetros, mas sim que evidências cada lançamento trouxe consigo.

• Pesos e licença — Hy-Nomas é Apache 2.0, sem restrições de acesso. LingBot-World, do Ant Group, lançou pesos abertos no final de janeiro de 2026 e foi apresentado como o primeiro modelo aberto comparável ao Genie 3, fechado, do Google.

• Esquema de controle — Hy-Nomas prioriza texto, com trajetórias de câmera, segmento por segmento. LingBot-World e a linha Genie 3 lideram com controle em tempo real por teclado e mouse de um personagem ou câmera, o que constitui um modelo de interação diferente: jogo contínuo versus construção dirigida.

• Requisito mínimo de hardware — Hy-Nomas quer oito GPUs por padrão ou uma RTX 4090 com histórico limitado. O Astronex-World 1.0, publicado em setembro de 2026, relatou streaming em tempo real em uma única L20 de 48 GB a 832 × 480, o que é um patamar consideravelmente mais baixo.

• Evidências — é aqui que Hy-Nomas fica sozinho na coluna errada. LingBot-World foi lançado com números relatados de throughput e latência; Astronex-World foi lançado com um artigo no arXiv e números de benchmark. Hy-Nomas tem um 404 no seu relatório técnico e nenhuma pontuação.

• Linhagem — o esforço interativo aberto anterior da Tencent, o HY-WorldPlay, partia de uma imagem inicial mais entrada de pose e ação em 720p e 24 FPS. O Hy-Nomas não é o mesmo modelo com um novo nome; o ciclo de texto com múltiplos turnos e a estrutura de prompt por segmento são novos, e o card não reivindica descendência dele.

Nada disso resolve a questão da qualidade. Um modelo pode ser excelente e não documentado, e o silêncio da Tencent não é evidência em nenhum dos sentidos — significa apenas que o ônus da prova passou para quem o baixar.

Quem deve mexer nisso agora, e quem deve esperar

Se você tem um nó de oito GPUs e seu problema é estado do mundo que uma pessoa edita no meio da geração — uma cena que ganha um objeto no quarto segundo, uma câmera que gira porque você mandou, um mundo que mantém sua geometria enquanto você muda o clima — esta é a implementação aberta mais direta dessa ideia disponível para download atualmente, e os termos da Apache 2.0 significam que você pode construir sobre ela sem negociação. O LoRA de robótica é um sinal de onde a Tencent espera que ele seja usado: mundos de simulação para treinamento corporificado, não vídeo social.

Se você precisa de um número antes de se comprometer, espere. Não porque o modelo seja suspeito, mas porque não há nada a citar. Um benchmark que você mesmo tem de executar é uma semana de engenharia, e o relatório técnico, quando surgir, provavelmente mudará o que você teria medido.

Há uma questão operacional menor em torno do modelo que vale mencionar, porque ela prejudica qualquer um que tente reproduzir a demo. A demo web encaminha cada instrução por meio do Nomas-PE, um serviço separado de 55,6 GB que converte a formulação solta do usuário no JSON de segmentos estruturados que o DiT espera, e a Tencent afirma que a demo exige isso. A inferência offline pula essa etapa e pede que você mesmo escreva os prompts estruturados. Se você está criando seu próprio front end, essa camada de construção de prompt é uma chamada comum de modelo de linguagem — e essa parte, diferentemente da pilha de vídeo, é infraestrutura de commodity. O OrcaRouter não oferece o Hy-Nomas — uma pilha de difusão auto-hospedada de 196 GB não é para isso que serve uma rota de API. O que ele roteia é o lado textual ao redor disso — uma única chave para mais de 200 modelos com 0% de markup sobre o preço de tabela do provedor, com failover automático —, de modo que uma etapa de reescrita de prompt ou de legendagem de saída diante de um modelo de vídeo auto-hospedado não precisa de seu próprio contrato com fornecedor.

As questões em aberto, e o que mudaria este artigo

Quatro coisas são genuinamente desconhecidas, e cada uma tem um artefato específico que a esclareceria.

O primeiro é qualidade. O Hy-Nomas-Bench existe, portanto uma tabela de resultados publicada é o próximo passo óbvio, e sua ausência é a maior lacuna entre esta versão e uma citável.

A segunda é a velocidade. Nenhum valor de latência aparece em lugar algum do card, apenas a taxa de reprodução. Alguém terá de medir o tempo até o primeiro segmento em hardware real, e a configuração destilada de oito etapas versus o modelo autorregressivo base é uma diferença que vale a pena quantificar em vez de presumir.

O terceiro é o suporte ao ecossistema. O repositório carrega uma tag diffusers, mas o caminho documentado é o pacote hymm da própria Tencent e uma imagem Docker criada especificamente; nenhum runtime de terceiros é indicado como compatível. Se isso receberá uma classe de pipeline em uma biblioteca de grande adoção, como a maioria dos modelos de vídeo abertos acaba recebendo, é o que decide se ele permanece um artefato de pesquisa ou se torna uma ferramenta.

O quarto ponto é se a Tencent algum dia se pronunciará. O relatório técnico está rotulado como “em breve” e atualmente retorna erro 404, não há preprint no arXiv e não existe cobertura de imprensa até 23 de outubro. É inteiramente possível que a empresa esteja esperando um artigo ou um produto hospedado antes de promover qualquer uma dessas coisas. Também é possível que o lançamento seja exatamente o que parece: pesos publicados para registro, com o anúncio adiado.

De qualquer forma, o download está disponível, a licença é permissiva, e a demo aceita instruções hoje. Para um modelo que ninguém anunciou, isso é mais do que a maioria dos lançamentos discretos oferece — e consideravelmente menos do que um lançamento.