Hy-Nomas: Tencent выпустила интерактивную модель мира с открытым исходным кодом и ничего об этом не сказала

Tencent выложил набор для оценки и веса Hy-Nomas сегодня утром, но к концу дня так и не опубликовал ни одного результата ни для одного из них. Вот как выглядит этот релиз. Hy-Nomas — это модель мира для видео, которой управляют с помощью текстовых инструкций и движений камеры, сегмент за сегментом, и её веса появились на Hugging Face сегодня, 23 октября 2026 года, в 11:18 UTC: один коммит с 196 ГБ контрольных точек под лицензией Apache-2.0, а также репозиторий с кодом, запушенный в 09:01 тем же утром, и демо, которое можно запустить. Двумя днями ранее оба репозитория существовали и были пусты. Нет ни поста в блоге, ни записи на arXiv, а значок «Технический отчёт (скоро)» на карточке модели ведёт на файл, который возвращает 404. Спустя часы после загрузки страница модели показывает ноль лайков и ноль скачиваний, а единственный признак того, что кто-то это заметил, — репозиторий на GitHub: восемь звёзд, один коммит, без описания.

Итак, честная формулировка звучит не так: «Tencent запустила модель мира». Она такая: Tencent опубликовала веса, код обучения и инференса, бенчмарк и демо-сайт, но пока не проронила ни слова о том, сколько набирает что-либо из этого. Всё ниже — это либо метка времени или размер файла, которые вы можете проверить сами, либо число, которое Tencent вписала в собственную карточку, либо место, где карточка подозрительно молчит. Эти три категории намеренно разделены, потому что в таком релизе молчание несёт столько же информации, сколько и спецификации.

Что на самом деле приземлилось — с точностью до часа

Артефакты легко датировать, потому что их очень мало и ни один из них почти не редактировался.

• Репозиторий модели tencent/Hy-Nomas был создан на Hugging Face 2026-10-21 в 02:17:37 UTC и оставался пустым, пока его единственный коммит не появился 2026-10-23 в 11:18:04 UTC. Этот коммит занимает 196.4 GB и распределён по 46 файлам: два чекпоинта DiT в fp32 по 34.2 GB, один INT8 DiT на 9.06 GB, два адаптера LoRA, декодер PixelUMM на 31.55 GB, его FP8-двойник на 9.13 GB, автоэнкодер DCAE-V на 4.28 GB, модель улучшения промптов из 18 шардов общим объёмом 55.6 GB, а также обычный токенизатор и сопутствующая конфигурационная обвязка.

• Репозиторий кода Tencent-Hunyuan/Hy-Nomas был создан на 47 минут позже, в 03:04:54 UTC, при этом поле описания не заполнено. Его единственный коммит был создан 21 октября, но отправлен в репозиторий только сегодня, в 09:01:42 UTC. Репозиторий по-прежнему показывает один коммит и не имеет релизов, и в нём содержатся код обучения, скрипты инференса, Docker-образ и руководство по развёртыванию веб-демо.

• Эталонный набор данных tencent/Hy-Nomas-Bench был создан 2026-10-22 в 05:18:20 UTC и получил свой единственный коммит сегодня в 09:10:51 UTC.

• Демо на hy-nomas.hy.tencent.com отвечает кодом HTTP 200 и заголовком страницы. Это единственная часть данного релиза, предназначенная для тех, кто находится за пределами исследовательской группы.

Тишина характерна именно для этой модели, а не для Tencent. Собственная организация компании на Hugging Face активна: tencent/Hy4-preview с конца августа имеет 513 лайков и примерно 18 400 загрузок, а tencent/Hy-Memory-30B-A3B от 15 октября имеет 297 лайков и около 3 300 загрузок за восемь дней. У Hy-Nomas, загруженной в тот же период и значительно более крупной, ничего этого нет. Какими бы ни были внутренние причины, это не запуск, который показал слабые результаты. Это запуск, который даже не пытались осуществить.

Что Hy-Nomas делает такого, чего не делает модель генерации видео по тексту

Это различие важнее количества параметров, потому что именно оно — причина вообще обращать внимание на релиз. Обычная модель текст-в-видео принимает один запрос и возвращает один клип; если нужно что-то другое, вы начинаете заново и получаете несвязанный клип. Hy-Nomas генерирует мир как цепочку сегментов и хранит собственную историю.

Конкретно, карточка описывает четыре вещи, происходящие одновременно. Каждый сегмент получает собственный промпт, поэтому вы можете ввести объект, изменить стиль, поменять обстановку или описать действие по ходу генерации, а не заранее. Постоянный кэш ключей/значений переносит сгенерированную историю вперёд, так что более поздний сегмент обусловлен уже созданным, а не придумывается с нуля. Движение камеры — это отдельный путь обусловливания, а не то, что вы описываете прозой: вы подаёте матрицы перехода от камеры к миру и внутренние параметры, и модель учитывает их в каждом блоке. А поскольку сегменты генерируются авторегрессионно, мир может продолжать расширяться, пока вы продолжаете подавать ему инструкции.

Формат промпта показывает, насколько это буквально. Офлайн-инференс принимает JSON-список, где каждая запись содержит стиль, перспективу, список субъектов, а затем сегменты со временем — время начала и конца, длинное визуальное описание и вложенные действия с собственными временными метками. Первый сегмент задаёт мир; последующие сегменты используют поле description_change, чтобы указать, как он должен развиваться. В прилагаемом примере вокруг маленького оранжевого лиса создаётся светящийся лес, а затем на двухсекундной отметке рядом с его тропой раскрываются светящиеся синие цветы.

Одно число в карточке легко понять неправильно, и сама карточка обращает на это внимание: показатель 24 FPS — это частота воспроизведения выходного видео, а не скорость генерации. То, насколько быстро модель работает в действительности, зависит от оборудования, разрешения, длины сегмента и того, сколько истории находится в кэше. Tencent прямо об этом говорит. В релизе, где не опубликованы ни задержка, ни оценки, это единственное честное прочтение этого числа.

Технический лист карта всё же предоставляет

Tencent необычайно точен в вопросах архитектуры — именно поэтому отсутствующие результаты кажутся такими многозначительными.

• Backbone — 54 двухпоточных блока MMDiT и ноль однопоточных блоков, согласно конфигурации инференса.

• Ширина — скрытый размер 2 048, с 16 головками внимания по 128 измерений каждая и 4-кратным расширением прямой связи до 8 192.

• Позиционное кодирование — 3D RoPE с размерностями [16, 56, 56] и theta 256.

• Текстовый путь — компонент языковой модели Qwen2.5-VL-7B-Instruct, скрытые состояния которого размерностью 3584 проходят через двухслойный уточнитель токенов и проецируются в 2048-мерное пространство DiT.

• Траектория камеры — нормализованные внешние параметры 4×4, сгруппированные по четырём кадрам и развёрнутые до 64 измерений, применяемые через кросс-внимание в каждом блоке.

• Латентные представления — DCAE-V f32t4c32: 32 канала, 32-кратное пространственное сжатие, 4-кратное временное сжатие.

• Декодер — дообученный PixelUMM с 36 слоями, размером скрытого состояния 4096, 32 головами запросов и 8 головами KV, выполняющий один шаг декодирования по окнам из 10 латентных кадров с перекрытием в 5 кадров.

• Выходные данные — 720 × 1280 при 24 FPS, с 8 шагами удаления шума в дистиллированной конфигурации; в репозитории кода указано, что дистиллированные контрольные точки поддерживают 4, 6 или 8 шагов.

• Лицензия — Apache 2.0, при этом текстовый энкодер Qwen остаётся на своих собственных условиях.

Единственная цифра, которую Tencent никогда не называет, — это общее количество параметров. Ближе всего к ней — цифра, полученная расчётом, а не опубликованная: контрольная точка DiT в fp32 размером 34,2 ГБ соответствует примерно 8,5 млрд параметров при четырёх байтах на параметр, и сборка INT8 размером 9,06 ГБ с этим согласуется. Считайте это арифметикой по размеру файла, а не заявлением из спецификации — производитель нигде этого не подтверждал.

Сколько стоит эксплуатация — вот что на самом деле является барьером.

В этом выпуске нет ничего недружелюбного по отношению к внешним пользователям, но конфигурация развертывания по умолчанию предполагает наличие узла, а не ноутбука. Стандартная конфигурация инференса использует 8-путевой параллелизм по последовательности, поэтому запуск по умолчанию требует восемь GPU в одной группе инференса. README прямо об этом сообщает, а не скрывает это.

Есть реальный путь с одним GPU, и это самая интересная инженерная часть релиза. Он работает на одной RTX 4090, сочетая четыре приёма: веса DiT и кэшированные ключи и значения хранятся в INT8, тогда как вычисления остаются в BF16; декодер работает в FP8 через CUTLASS; текстовый энкодер и обе сети перемещаются между CPU и GPU для своих этапов; а активная история на GPU ограничена 18 латентными кадрами, при этом более старая история архивируется в системной RAM. Именно этот последний компромисс нужно понять, прежде чем планировать с его учётом: архив продолжает расти, лимит в 18 кадров ограничивает только то, что находится на GPU, а память текущего сегмента им вообще не ограничивается. Tencent прямо говорит, что передачи между CPU и GPU добавляют задержку и что пиковый объём памяти GPU зависит от разрешения и длины сегмента.

Расчёт объёма загрузки следует из размеров файлов. Описанный в документации демонстрационный путь требует дистиллированного DiT (34,2 ГБ), соответствующего декодера PixelUMM (31,55 ГБ), DCAE-V (4,28 ГБ) и ещё примерно 16 ГБ для энкодера Qwen — около 86 ГБ, прежде чем вы что-либо сгенерируете. Путь для одной GPU использует вместо них INT8 DiT и FP8-декодер, что даёт гораздо меньший объём — около 38 ГБ плюс энкодер. Два LoRA-адаптера отдельно занимают место на диске: кинематографический адаптер на 6,12 ГБ и робототехнический адаптер на 12,24 ГБ, обученный на наборе данных RealSource-World для двурукого манипулятора; оба предназначены для слияния с DiT в формате с плавающей запятой. Загрузчик INT8 не может использовать отдельный LoRA во время вывода, поэтому эти два пути не сочетаются.

Требования к окружению столь же конкретны: Linux, Python 3.12 или новее, CUDA 13.0 Toolkit, PyTorch 2.10.0 и сборки FlashAttention 2, FlashAttention 3 и MagiAttention. Готовый образ, hynomasoss/hynomasoss:cu130, рекомендуется вместо ручного пути — причина в компиляции ядер внимания. Конфигурация обучения в репозитории кода идёт дальше: DP16 × SP8, 128 графических процессоров, последовательности, упакованные до 360 000 токенов. Что бы вы ни делали с весами, вы не переобучите это дома.

Бенчмарк, который Tencent выпустила без оценок

Hy-Nomas-Bench — не запоздалая мысль. Это настоящий набор данных: четыре оценочных набора, охватывающих многоходовое свободное текстовое взаимодействие, навигацию камеры, чередующееся текстовое управление и управление камерой, а также пространственную память, с 280 тестовыми примерами, 220 эталонными траекториями камеры, структурированными подсказками, последовательностями взаимодействия и временными шкалами клавиатуры, выпущенный в формате JSON под лицензией Apache 2.0 и организованный в разбиения только для оценки. Он появился примерно за два часа до весов.

Чего в ней нет, так это таблицы результатов. Нет ни лидерборда, ни оценки по отдельным наборам тестов, ни сравнения с какой-либо другой моделью, и нет никаких указаний на то, что это появится. И карточка осторожна так, что это выглядит намеренно: перечислив архитектуру и настройки сэмплирования по умолчанию, она добавляет одну строку — «Архитектура и настройки сэмплирования по умолчанию — это детали конфигурации, а не результаты бенчмарков».

Эта фраза несёт реальную смысловую нагрузку. Она означает, что восемь шагов шумоподавления, разрешение 720 × 1280 и масштаб управления камерой 1.0 не являются доказательством качества, и Tencent не позволяет воспринимать их как таковые. Для любого, кто оценивает модель, практическое следствие простое: вы можете провести оценку сами, а до тех пор не можете ставить Hy-Nomas рядом с чем-либо ещё по числовому показателю. Набор — вот что стоит скачать, если вам нужен вердикт, потому что никто вам его не вручает.

Какое место она занимает среди других моделей открытого мира

Область развивалась быстро в 2026 году, и значение имеет не количество параметров, а то, какие доказательства принёс с собой каждый релиз.

Веса и лицензия — Hy-Nomas распространяется под Apache 2.0 без каких-либо ограничений доступа. LingBot-World от Ant Group выпустила открытые веса в конце января 2026 года и позиционировалась как первая открытая модель, сопоставимая с закрытой Genie 3 от Google.

• Схема управления — Hy-Nomas ориентирован в первую очередь на текст, с траекториями камеры, сегмент за сегментом. LingBot-World и линейка Genie 3 делают ставку на управление персонажем или камерой в реальном времени с помощью клавиатуры и мыши, что представляет собой иную модель взаимодействия: непрерывная игра против направленного конструирования.

• Аппаратный минимум — Hy-Nomas по умолчанию требует восемь GPU или одну RTX 4090 с ограниченной историей. Astronex-World 1.0, опубликованная в сентябре 2026 года, сообщала о потоковой передаче в реальном времени на одной L20 с 48 ГБ при разрешении 832 × 480, что является заметно более низкой планкой.

• Доказательства — здесь Hy-Nomas оказывается один в неправильной колонке. LingBot-World вышел с заявленными показателями пропускной способности и задержки; Astronex-World вышел со статьёй на arXiv и числами бенчмарков. У Hy-Nomas технический отчёт отдаёт 404, и никаких оценок вообще нет.

• Происхождение — предыдущая открытая интерактивная разработка Tencent, HY-WorldPlay, работала на основе исходного изображения, а также ввода позы и действий при 720p и 24 FPS. Hy-Nomas — не та же модель под новым именем: цикл многоходового текстового взаимодействия и посегментная структура промптов являются новыми, и в карточке не утверждается, что модель происходит от неё.

Ничто из этого не решает вопрос качества. Модель может быть превосходной и недокументированной, и молчание Tencent не является доказательством ни в ту, ни в другую сторону — оно лишь означает, что бремя доказательства перешло к тому, кто её скачает.

Кому сейчас трогать это, а кому ждать?

Если у вас есть узел с восемью GPU, а ваша задача — состояние мира, которое человек редактирует в середине генерации: сцена, в которой на четвёртой секунде появляется объект, камера, которая поворачивается, потому что вы ей так сказали, мир, который сохраняет свою геометрию, пока вы меняете погоду, — это наиболее прямая открытая реализация этой идеи, доступная для скачивания на данный момент, а условия Apache 2.0 означают, что вы можете строить на её основе без переговоров. LoRA для робототехники — это сигнал о том, где Tencent ожидает её применения: миры симуляции для обучения воплощённых систем, а не социальное видео.

Если вам нужно число, прежде чем принять решение, подождите. Не потому, что модель подозрительна, а потому, что ссылаться не на что. Бенчмарк, который вам придётся запускать самостоятельно, — это неделя инженерной работы, а технический отчёт, когда он появится, вероятно, изменит то, что вы бы измерили.

Есть менее масштабный операционный вопрос по модели, который стоит обозначить, потому что он бьёт по любому, кто пытается воспроизвести демо. Веб-демо пропускает каждую инструкцию через Nomas-PE — отдельный сервис на 55,6 ГБ, который преобразует свободные формулировки пользователя в структурированный JSON сегментов, ожидаемый DiT, и Tencent заявляет, что для демо он необходим. Офлайн-инференс пропускает этот шаг и требует самостоятельно писать структурированные промпты. Если вы создаёте собственный фронтенд, этот слой построения промптов — обычный вызов языковой модели, и эта часть, в отличие от видеостека, является типовой инфраструктурой. OrcaRouter не обслуживает Hy-Nomas — self-hosted diffusion-стек на 196 ГБ не для этого нужен API-маршрут. Он маршрутизирует текстовую часть вокруг него — один ключ для более чем 200 моделей с 0% наценки к прейскурантной цене провайдера и автоматическим переключением при сбоях, — поэтому этап переписывания промптов или создания подписей к выходным данным перед self-hosted видеомоделью не требует отдельного договора с поставщиком.

Открытые вопросы и что изменило бы эту статью

Четыре вещи действительно неизвестны, и у каждой есть конкретный артефакт, который мог бы это разрешить.

Первое — качество. Hy-Nomas-Bench существует, поэтому опубликованная таблица результатов — очевидный следующий шаг, а её отсутствие — самый крупный разрыв между этим выпуском и версией, пригодной для цитирования.

Второй момент — скорость. В карточке нигде не указан показатель задержки — только скорость воспроизведения. Кому-то придётся измерить время до первого сегмента на реальном оборудовании, а разница между дистиллированной конфигурацией с восемью шагами и базовой авторегрессионной моделью заслуживает количественной оценки, а не предположений.

Третье — поддержка экосистемы. В репозитории есть diffusers-тег, но документированный путь — это собственный hymm-пакет от Tencent и специально созданный Docker-образ; ни одна сторонняя среда выполнения не указана как поддерживаемая. Получит ли это класс пайплайна в популярной библиотеке — как в итоге происходит с большинством открытых видеомоделей, — решает, останется ли это исследовательским артефактом или станет инструментом.

Четвёртый вопрос — скажет ли Tencent вообще что-либо. Технический отчёт помечен как «скоро», и сейчас он выдаёт 404; препринта на arXiv нет, а по состоянию на 23 октября публикаций в прессе не существует. Вполне возможно, что компания ждёт статью или хостинговый продукт, прежде чем продвигать что-либо из этого. Также возможно, что релиз — ровно то, чем выглядит: веса опубликованы для официальной фиксации, а анонс отложен.

Так или иначе, загрузка уже доступна, лицензия разрешительная, а демо уже сегодня принимает инструкции. Для модели, которую никто не анонсировал, это больше, чем предлагает большинство тихих релизов, — и значительно меньше, чем запуск.