Hy-Nomas: Vad Tencent:s fritt formade interaktiva världsmodell faktiskt gör

Det mest användbara att förstå om Hy-Nomas är att det inte skapar en video. Det skapar de nästa fyra sekunderna av en video, visar dem för dig, väntar på din instruktion och skapar sedan de fyra sekunderna efter det – och bär med sig allt det redan har renderat i en cache så att gathörnet du svängde vid för två minuter sedan fortfarande har samma butik. Tencent Hunyuan publicerade vikterna, inferenskoden, en pipeline för finjustering, ett benchmark med 280 fall och en webbläsardemo mellan 21 och 23 oktober 2026, under Apache 2.0, utan något tillkännagivandeinlägg och utan benchmarkresultat. Modellkortets eget galleri innehåller ett sextiosekunders klipp med fem turer som heter clockwork-flight; det klippet förklarar produkten bättre än både repot och artikeln som ännu inte har publicerats.

Det som följer är en genomgång av vad som faktiskt släpptes, hur den interaktiva loopen är uppbyggd och den enda siffra som släppet inte innehåller. Det är skrivet utifrån repositoriet, modellkortet och de släppta konfigurationsfilerna – inte utifrån en praktisk körning, eftersom det per den 24 oktober inte finns någon tredjepartsutvärdering av Hy-Nomas att hänvisa till.

Fyra artefakter, varav endast en är en modell

Tencent har släppt ett paket, och paketet är själva nyheten. Den första artefakten är checkpoint-uppsättningen på Hugging Face, cirka 196 GB fördelat på den autoregressiva bas-DiT:n, en destillerad DiT, ett INT8-bygge, DCAE-V-videoautoencodern, en finjusterad PixelUMM-dekoder i FP32 och FP8 samt Nomas-PE-promptförstärkaren. Den andra är GitHub-repositoriet: ett inferensramverk, ett captioning-ramverk för att bygga finjusteringsdata, offline-sekvenspackning, en LoRA-tränare och ett sammanslagningsskript. Den tredje är Hy-Nomas-Bench, en utvärderingsuppsättning med 280 fall i fyra spår med cirka 220 referensbanor för kamera. Den fjärde är demon på hy-nomas.hy.tencent.com, där du rör dig genom en genererad scen med WASD eller genom att dra med musen.

Den kombinationen är ovanlig för en lansering av en världsmodell. De flesta publicerar en artikel och ett galleri. Tencent publicerade maskineriet och lämnade utvärderingen tom. Om du vill veta om Hy-Nomas är bra kan du nu ta reda på det själv; du kan ännu inte läsa svaret.

Loopen: ett segment i taget, med det förflutna kvar i cachen

Hy-Nomas är en segment-autoregressiv diffusionstransformator. Den renderar en kort sekvens av video, lägger till den i sessionen och betingar nästa spann på en livslång KV-cache som håller tidigare latenter och deras nycklar och värden. Det är därför modellen kan hålla en scen konsekvent över turer utan en separat minnesmodul eller ett hämtningssteg: historiken finns i uppmärksamhetskontexten, och den växer.

Arkitekturen under huven är en 54-blocks dubbelströms-MMDiT med dold storlek 2 048, 16 attention-huvuden och 3D-roterande positionsinbäddningar. Text kodas av Qwen2.5-VL-7B-Instruct. Kamerans extrinsiska parametrar kommer in via cross-attention i stället för att bakas in i textprompten, vilket spelar roll för kontrollberättelsen nedan. Tencent anger inget parameterantal; FP32-checkpointen är 34,2 GB, vilket antyder ungefär 8,5 miljarder parametrar om man antar 32-bitars lagring och inget optimerartillstånd – aritmetik, inte ett leverantörspåstående, och värt att behandla som en uppskattning snarare än en specifikation.

• Utdata — 720 × 1280 vid 24 FPS, där siffran 24 FPS beskriver uppspelning, inte genereringshastighet

• Avbrusning — 8 steg i den destillerade konfigurationen; koden accepterar 4, 6 eller 8

• Latenter – 32-kanalig DCAE-V, avkodad av en finjusterad PixelUMM-avkodare; en FP8-avkodare tillhandahålls

• Kontext — en livslång KV-cache som följer med över segment, inte ett fast fönster som återställs

Två rattar, och bara en av dem är en prompt

Textkanalen är fri till formen och pågår över flera turer. Du kan lägga till ett objekt, ändra vädret, göra om scenens stil eller beskriva en handling, och instruktionen tillämpas från nästa segment i stället för att rendera om det som kom tidigare. Repots egen formulering är "fri fleromgångs textpromptstyrning" – poängen är att prompten inte är en engångsbildtext för ett klipp utan en tur i en konversation med världen.

Kamerakanalen är den mer intressanta, eftersom den inte är språk. Du anger en bana av kamerans extrinsiska parametrar, och modellen renderar världen från den banan medan textprompten fortsätter att beskriva vad som finns i den. Text och kamera kan användas tillsammans: en prompt som säger "marknaden stänger" och en bana som går längs gången är två separata indata som kombineras. Detta är den konkreta skillnaden mellan Hy-Nomas och en text-till-video-modell. En text-till-video-modell sluter sig till en kamerarörelse utifrån prosatext och hoppas på det bästa; Hy-Nomas får veta vart kameran går.

Det finns en tredje, mer diskret kontroll: Nomas-PE, en online-promptförstärkare som skriver om en kortfattad instruktion till något som modellen betingar sig på mer effektivt. Den är valfri, och det är den typen av komponent som berättar var fellägena finns – om basmodellen hanterade en prompt på fem ord väl skulle förstärkaren inte existera.

Funktionen som ingen diskuterar: en domän-LoRA på 2 000 steg

Två adaptrar levereras med utgåvan. Cinematic LoRA sammanfogas med den destillerade DiT:n för att förbättra den visuella kvaliteten. Robotics LoRA tränades på RealSource-World-datauppsättningen för robotarmar och sammanfogas med samma destillerade checkpoint för att förbättra manipulationsscener. Tencent dokumenterar receptet: rank och alpha 256, noll dropout, Muon med en konstant inlärningshastighet på 1e-4 under 2 000 steg, där endast LoRA-parametrarna tränas, med en teknik som kallas segment forcing, och därefter sammanfogas adaptern med de destillerade vikterna för inferens.

Det här är delen med den längsta halveringstiden. En anpassning på 2 000 steg inom en enda domän är billig nog att en studio med ett eget visuellt uttryck, ett robotiklabb med sin egen arm eller ett spelteam med en specifik konstnärlig inriktning kan specialisera modellen utan att röra basvikterna. Det ger också släppet en trovärdig gemenskapsbana som en sluten modell inte kan ha: räkna med att de intressanta Hy-Nomas-resultaten under den kommande månaden kommer från LoRA-sammanslagningar, inte från bascheckpointen.

Vad det kostar att köra: åtta GPU:er, eller ett 4090 med kompromisser

Standardvägen är åtta GPU:er med åttavägs sekvensparallellism. Lågminnesvägen är den som gjorde rubrikerna: en enda RTX 4090, med INT8 DiT-vikter och en INT8 KV-cache, en glidande fönsterbegränsning för historiken, CPU-offload, FlexAttention för DiT och CUTLASS FP8 för avkodning, med sekvensparallellism inaktiverad. Tencent varnar för att CPU-offload kräver tillräckligt med system-RAM och lägger till overhead för dataöverföring, vilket är ett artigt sätt att säga att läget med en enda GPU är verkligt men inte gratis.

Nedladdningsstorleken skiljer sig också beroende på väg. Den dokumenterade demovägen drar cirka 86 GB; lågminnesvägen behöver ungefär 38 GB plus textkodaren. Ingen av dem är någon nedladdning för en bärbar dator, och ingen av dem levereras med någon hostad slutpunkt. Det finns inget API, inget pris per sekund och ingen hanterad tjänst från Tencent för Hy-Nomas – du kör det själv, eller så använder du det inte.

• Standardservering – 8 GPU:er, 8-vägs sekvensparallelism; träningsexemplet använder 128 GPU:er som 16 dataparallella repliker × 8 sekvensparallella

• Servering på en enda GPU – RTX 4090 med INT8 DiT, INT8 KV-cache, FP8-avkodare, glidande fönsterhistorik och CPU-offload

• Utrymmesbehov — cirka 196 GB för den kompletta checkpointuppsättningen, 86 GB för den dokumenterade demosökvägen, 38 GB plus textkodare för minnessnålt läge

• Kostnad – det finns inga leverantörspriser; kostnaden är dina GPU-timmar

Om du bygger kring en modell med öppna vikter som den här behöver delarna som inte är själva modellen fortfarande en stack: bildbeskrivning, promptförbättring, utvärderingsramverk och vilken LLM som helst som sitter i agentloopen och bestämmer nästa instruktion. Det är i det lagret som ett enda API gör sig förtjänt av sin plats – OrcaRouter placerar 200+ hostade modeller bakom en enda nyckel till 0 % påslag, skickar vidare leverantörens listpris oförändrat och växlar automatiskt över när en leverantör försämras, så orkestreringen kring en självhostad världsmodell inte behöver ett andra avtal för varje kompletterande anrop. Hy-Nomas självt finns inte i vår katalog; vikterna tillhör leverantören, och vi tänker inte låtsas något annat.

Det saknade talet

Hy-Nomas-Bench existerar på riktigt. Det har 280 fall över fyra spår — textstyrning över flera turer, kameranavigering, varvat text- och kamerastyrning samt rumsligt minne — och cirka 220 referenskamerabanor. Det som saknas är en resultattabell. Repositoriet länkar till datamängden; datamängdens sida innehåller inga poäng; länken till den tekniska rapporten leder ingenstans och README säger {{1}}"Kommer snart"{{/1}}. Tencents modellkort beskriver arkitektur och standardvärden för sampling, och det är konfigurationsdetaljer snarare än benchmarkresultat.

Den avsaknaden är ingen skandal, men den förändrar vad en rättvis mening om den här modellen kan säga. ”Hy-Nomas genererar 720 × 1280-video vid 24 FPS med åtta avbrusningssteg” är en specifikation som du kan verifiera utifrån konfigurationen. ”Hy-Nomas upprätthåller konsistens över långa tidshorisonter” är ett designpåstående som stöds av ett demoklipp, inte ett uppmätt resultat. ”Hy-Nomas slår modell X” är inget påstående som någon för närvarande kan göra, eftersom ingen av sidorna i den jämförelsen har ett publicerat nummer på samma test.

Den ärliga hållningen, tre dagar efter att vikterna dök upp, är att Hy-Nomas är en väl dokumenterad kapacitetslansering med ett icke utvärderat kvalitetspåstående. Dokumentationen är tillräckligt bra för att reproducera den. Utvärderingen är tillräckligt bra för att köra själv. Omdömet saknas, och det saknas med avsikt eller på grund av hastverk – hur som helst är det inte vår uppgift att hitta på det.

Vad du ska hålla koll på – och vad du ska göra nu

Tre saker skulle förändra bilden. En teknisk rapport med faktiska siffror skulle förvandla Hy-Nomas från ett påstående till en baslinje. En community-LoRA-våg skulle visa om receptet för anpassning i 2 000 steg fungerar utanför Tencents egna exempel. Och en reproduktion på ett enda 4090 – inte en demo, en uppmätt körning – skulle visa om den minnessnåla vägen är användbar eller bara möjlig.

Fram till dess är det rimliga sättet att läsa den här utgåvan utifrån artefakt, inte utifrån rubrik. Vikterna är öppna, koden körs, benchmarken är ett skal och demon är en konversation på fem turer med en värld som minns. Det är mer än vad de flesta labb har släppt den här månaden, och mindre än vad en benchmarktabell skulle bevisa. Om du har GPU:erna och en domän som behöver en egen titt är LoRA-receptet anledningen att ladda ner det i dag. Om du behöver en siffra innan du bestämmer dig finns siffran inte än.