Hy-Nomas: что на самом деле делает интерактивная модель мира свободной формы от Tencent

Самое полезное, что стоит понимать о Hy-Nomas, — это то, что она не создаёт видео. Она создаёт следующие четыре секунды видео, показывает их вам, ждёт вашей команды, а затем создаёт следующие четыре секунды — сохраняя всё уже отрендеренное в кэше, чтобы на том углу улицы, где вы повернули две минуты назад, по-прежнему стоял тот же магазин. Tencent Hunyuan опубликовала веса, код инференса, пайплайн дообучения, бенчмарк из 280 кейсов и браузерную демо-версию в период с 21 по 23 октября 2026 года, под лицензией Apache 2.0, без анонсирующего поста и без результатов бенчмарка. В собственной галерее карточки модели есть шестидесятисекундный клип из пяти итераций под названием clockwork-flight; этот клип объясняет продукт лучше, чем и репозиторий, и ещё не опубликованная статья.

Далее следует разбор того, что фактически было выпущено, как устроен интерактивный цикл и одного числа, которого в релизе нет. Он основан на репозитории, карточке модели и опубликованных конфигурационных файлах — а не на собственном практическом запуске, поскольку по состоянию на 24 октября не существует сторонней оценки Hy-Nomas, на которую можно сослаться.

Четыре артефакта, лишь один из которых — модель

Tencent выпустила пакет, и главное здесь — сам пакет. Первый артефакт — набор чекпоинтов на Hugging Face объёмом примерно 196 ГБ, включающий базовый авторегрессионный DiT, дистиллированный DiT, сборку INT8, видеоавтоэнкодер DCAE-V, дообученный декодер PixelUMM в FP32 и FP8, а также усилитель промптов Nomas-PE. Второй — репозиторий на GitHub: инструмент для инференса, инструмент для создания подписей при подготовке данных для дообучения, офлайн-упаковка последовательностей, инструмент обучения LoRA и скрипт слияния. Третий — Hy-Nomas-Bench, набор для оценки из 280 кейсов в четырёх треках с примерно 220 эталонными траекториями камеры. Четвёртый — демо по адресу hy-nomas.hy.tencent.com, где можно перемещаться по сгенерированной сцене с помощью WASD или перетаскивания мышью.

Такое сочетание необычно для релиза модели мира. Большинство публикуют статью и галерею. Tencent опубликовала механизмы, а оценку оставила пустой. Если вы хотите узнать, хороша ли Hy-Nomas, теперь вы можете выяснить это сами; но прочитать ответ пока нельзя.

Цикл: по одному сегменту за раз, а прошлое хранится в кэше

Hy-Nomas — это сегментно-авторегрессионный диффузионный трансформер. Он рендерит короткий фрагмент видео, добавляет его в сессию и обусловливает следующий фрагмент долговременным KV-кэшем, который хранит более ранние латентные представления, а также их ключи и значения. Именно поэтому модель может сохранять согласованность сцены от шага к шагу без отдельного модуля памяти или этапа извлечения: история находится внутри контекста внимания и растёт.

Архитектурная основа — это 54-блочный двухпотоковый MMDiT со скрытой размерностью 2 048, 16 головами внимания и 3D-ротационными позиционными эмбеддингами. Текст кодируется с помощью Qwen2.5-VL-7B-Instruct. Внешние параметры камеры поступают через кросс-внимание, а не зашиваются в текстовый промпт, что важно для описанного ниже сценария управления. Tencent не указывает число параметров; чекпойнт FP32 занимает 34,2 ГБ, что подразумевает примерно 8,5 млрд параметров, если предположить 32-битное хранение и отсутствие состояния оптимизатора, — это арифметика, а не заявление производителя, и к ней стоит относиться как к оценке, а не к спецификации.

• Выход — 720 × 1280 при 24 FPS, причём значение 24 FPS описывает воспроизведение, а не скорость генерации

• Шумоподавление — 8 шагов в дистиллированной конфигурации; код принимает 4, 6 или 8

• Латенты — 32-канальный DCAE-V, декодируемые с помощью дообученного декодера PixelUMM; предоставляется FP8-декодер

• Контекст — это KV-кэш, сохраняемый на протяжении всей жизни и переносимый между сегментами, а не фиксированное окно, которое сбрасывается

Два руля, и только один из них — промпт

Текстовый канал — свободной формы и многоходовой. Можно добавить объект, изменить погоду, изменить стиль сцены или описать действие — и инструкция применяется начиная со следующего сегмента, а не перерисовывает то, что было раньше. Сам репозиторий формулирует это как «свободное по форме многоходовое управление текстовыми промптами» — суть в том, что промпт — это не одноразовая подпись к клипу, а ход в разговоре с миром.

Канал камеры — более интересный, потому что это не язык. Вы задаёте траекторию внешних параметров камеры, и модель рендерит мир вдоль этого пути, пока текстовый промпт продолжает описывать то, что в нём находится. Текст и камеру можно использовать вместе: промпт, в котором сказано «рынок закрывается», и траектория, проходящая по проходу, — это два отдельных входных сигнала, которые сочетаются. В этом заключается конкретное отличие Hy-Nomas от модели текст-в-видео. Модель текст-в-видео выводит движение камеры из текста и надеется; Hy-Nomas же получает указание, куда движется камера.

Есть третье, более незаметное средство управления: Nomas-PE — онлайн-улучшитель промптов, который переписывает краткую инструкцию в нечто такое, на что модель опирается эффективнее. Он необязателен и относится к компонентам, которые подсказывают, где находятся точки отказа: если бы базовая модель хорошо справлялась с промптом из пяти слов, этого улучшителя бы не существовало.

Возможность, которую никто не обсуждает: доменный LoRA за 2000 шагов

В релиз входят два адаптера. Cinematic LoRA объединяется с дистиллированным DiT для повышения визуального качества. Robotics LoRA обучен на наборе данных RealSource-World для роботизированной руки и объединяется с тем же дистиллированным чекпойнтом для улучшения сцен манипуляции. Tencent документирует рецепт: rank и alpha 256, нулевой dropout, Muon с постоянной скоростью обучения 1e-4 в течение 2 000 шагов, обучение только параметров LoRA, использование техники под названием segment forcing, затем объединение адаптера с дистиллированными весами для инференса.

Это часть с самым длинным периодом полураспада. Адаптация на 2000 шагов для одного домена достаточно дешева, чтобы студия с фирменным стилем, лаборатория робототехники со своим манипулятором или игровая команда с определённым художественным направлением могли специализировать модель, не трогая базовые веса. Это также придаёт релизу правдоподобную траекторию развития сообщества, которой не может быть у закрытой модели: ожидайте, что интересные результаты Hy-Nomas в течение следующего месяца будут появляться из слияний LoRA, а не из базового чекпоинта.

Во сколько обходится запуск: восемь GPU или одна 4090 с компромиссами

Путь по умолчанию — это восемь GPU с восьмикратным параллелизмом по последовательности. Путь с низким потреблением памяти — тот, что наделал шума: одна RTX 4090, INT8-веса DiT и INT8-KV-кэш, ограничение истории скользящим окном, выгрузка на CPU, FlexAttention для DiT и CUTLASS FP8 для декодирования, при отключённом параллелизме по последовательности. Tencent предупреждает, что для выгрузки на CPU требуется достаточно системной ОЗУ и что она добавляет накладные расходы на передачу, — это вежливый способ сказать, что режим с одной GPU существует, но не бесплатен.

Объём загрузки тоже зависит от выбранного пути. Демонстрационный маршрут, описанный в документации, требует около 86 ГБ; маршруту с низким потреблением памяти нужно примерно 38 ГБ плюс текстовый энкодер. Ни то, ни другое не рассчитано на загрузку на ноутбук, и ни один из вариантов не поставляется с хостинговой конечной точкой. Для Hy-Nomas нет ни API, ни цены за секунду, ни управляемого сервиса от Tencent — либо вы запускаете её самостоятельно, либо не используете.

• Обслуживание по умолчанию — 8 GPU, 8-кратный параллелизм по последовательностям; в примере обучения используются 128 GPU в виде 16 реплик с параллелизмом по данным × 8 с параллелизмом по последовательностям

• Обслуживание на одном GPU — RTX 4090 с INT8 DiT, INT8 KV-кэшем, FP8-декодером, историей со скользящим окном и выгрузкой на CPU

• Размер — около 196 ГБ для полного набора контрольных точек, 86 ГБ для документированного демонстрационного пути, 38 ГБ плюс текстовый энкодер для режима с низким объёмом памяти

• Стоимость — у поставщика нет готовых тарифов; затраты — это ваши GPU-часы

Если вы строите систему вокруг такой модели с открытыми весами, то части, которые не являются самой моделью, всё равно требуют стека: подписи к изображениям, улучшение промптов, средства оценки и та LLM, что сидит в цикле агента и решает, какой будет следующая инструкция. Именно на этом слое единственный API оправдывает себя — OrcaRouter размещает более 200 моделей с хостингом за одним ключом с наценкой 0%, передаёт прейскурантную цену провайдера без изменений и автоматически переключается при деградации провайдера, так что оркестрация вокруг самостоятельно размещённой мировой модели не нуждается во втором договоре для каждого вспомогательного вызова. Сама Hy-Nomas в нашем каталоге отсутствует; веса принадлежат вендору, и мы не собираемся делать вид, что это не так.

Пропущенное число

Hy-Nomas-Bench — реальный бенчмарк. В нём 280 кейсов по четырём трекам — многоходовое управление текстом, навигация камеры, чередующееся управление текстом и камерой и пространственная память — и около 220 эталонных траекторий камеры. Чего в нём нет, так это таблицы результатов. В репозитории есть ссылка на набор данных; на странице набора данных нет оценок; ссылка на технический отчёт никуда не ведёт, а в README написано «Coming Soon». Карточка модели Tencent описывает архитектуру и параметры сэмплирования по умолчанию, но это детали конфигурации, а не результаты бенчмарка.

Это отсутствие — не скандал, но оно меняет то, что может сказать справедливая формулировка об этой модели. «Hy-Nomas генерирует видео 720 × 1280 при 24 FPS с восемью шагами денойзинга» — это спецификация, которую можно проверить по конфигурации. «Hy-Nomas сохраняет долгосрочную согласованность» — это утверждение о дизайне, подкреплённое демонстрационным клипом, а не измеренным результатом. «Hy-Nomas превосходит модель X» — это утверждение, которое сейчас никто не может сделать, поскольку ни у одной из сторон этого сравнения нет опубликованного показателя по одному и тому же тесту.

Честная позиция спустя три дня после появления весов такова: Hy-Nomas — это хорошо задокументированный релиз возможностей с неоценённым заявлением о качестве. Документация достаточно хороша, чтобы воспроизвести его. Оценка достаточно хороша, чтобы провести её самостоятельно. Вердикт отсутствует, и отсутствует он намеренно или из-за спешки — в любом случае не нам его выдумывать.

За чем следить и что делать сейчас

Три вещи изменили бы картину. Технический отчёт с реальными цифрами превратил бы Hy-Nomas из заявления в базовую точку отсчёта. Волна LoRA от сообщества показала бы, работает ли рецепт адаптации за 2 000 шагов за пределами собственных примеров Tencent. А воспроизведение на одной 4090 — не демонстрация, а измеренный запуск — показало бы, пригоден ли путь с низким потреблением памяти или он лишь возможен.

До тех пор разумный способ читать этот релиз — по артефактам, а не по заголовкам. Веса открыты, код работает, бенчмарк — пустая оболочка, а демо — это разговор из пяти ходов с миром, который помнит. Это больше, чем большинство лабораторий выпустили за этот месяц, и меньше, чем доказала бы таблица бенчмарков. Если у вас есть GPU и область, которой нужен собственный взгляд, рецепт LoRA — причина скачать это сегодня. Если вам нужна цифра, прежде чем решиться, такой цифры пока не существует.