Hy-Nomas: Tencent öppnade källkoden för en interaktiv världsmodell och sade ingenting om det

Tencent lade ut utvärderingssviten och vikterna för Hy-Nomas i morse och hade vid dagens slut fortfarande inte publicerat ett enda resultat från någon av dem. Det är så det här släppet ser ut. Hy-Nomas är en videovärldsmodell som man styr med textinstruktioner och kamerarörelser, ett segment i taget, och dess vikter lades upp på Hugging Face kl. 11:18 UTC i dag, den 23 oktober 2026: en commit med 196 GB Apache-2.0-checkpoints, tillsammans med ett kodförråd som pushades kl. 09:01 samma morgon och en spelbar demo. Två dagar tidigare fanns båda förråden och var tomma. Det finns inget blogginlägg, ingen arXiv-post, och märket ”Teknisk rapport (kommer snart)” på modellkortet länkar till en fil som returnerar 404. Timmar efter uppladdningen visar modellsidan noll gilla-markeringar och noll nedladdningar, och det enda tecknet på att någon har lagt märke till det är GitHub-förrådet: åtta stjärnor, en commit, ingen beskrivning.

Så den ärliga beskrivningen är inte "Tencent har lanserat en världsmodell". Den är: Tencent publicerade vikterna, tränings- och inferenskoden, ett benchmark och en demowebbplats, och har ännu inte sagt ett ord om vad något av det får för resultat. Allt nedan är antingen en tidsstämpel eller filstorlek som du själv kan verifiera, en siffra som Tencent har skrivit in i sitt eget modellkort, eller en plats där modellkortet är påfallande tyst. De tre kategorierna hålls medvetet åtskilda, eftersom tystnaden i en lansering som denna bär lika mycket information som specifikationerna.

Vad som faktiskt landade, på timmen

Artefakterna är lätta att datera eftersom de är så få och ingen av dem har redigerats särskilt mycket.

• Modellrepositoryt tencent/Hy-Nomas skapades på Hugging Face den 2026-10-21 kl. 02:17:37 UTC och låg tomt tills dess enda commit lades upp den 2026-10-23 kl. 11:18:04 UTC. Den commiten omfattar 196,4 GB fördelat på 46 filer: två 34,2 GB fp32 DiT-checkpoints, en 9,06 GB INT8 DiT, två LoRA-adaptrar, en 31,55 GB PixelUMM-dekoder, dess 9,13 GB FP8-tvilling, en 4,28 GB DCAE-V-autoencoder, en promptförbättringsmodell i 18 shards på totalt 55,6 GB samt de vanliga tokenizer- och konfigtillbehören.

• Kodförrådet Tencent-Hunyuan/Hy-Nomas skapades 47 minuter senare, kl. 03:04:54 UTC, utan att något beskrivningsfält hade fyllts i. Dess enda commit skapades den 21 oktober men pushades först i dag, kl. 09:01:42 UTC. Repot visar fortfarande en commit och inga utgåvor, och det innehåller träningskoden, inferensskript, en Docker-avbild och en guide för driftsättning av webbdemon.

• Benchmarkdatamängden tencent/Hy-Nomas-Bench skapades 2026-10-22 kl. 05:18:20 UTC och fick sin enda commit idag kl. 09:10:51 UTC.

• Demon på hy-nomas.hy.tencent.com svarar med HTTP 200 och en sidtitel. Det är den enda delen av den här utgåvan som riktar sig till någon utanför en forskargrupp.

Tystnaden är specifik för den här modellen, inte för Tencent. Företagets egen Hugging Face-organisation har fullt upp: tencent/Hy4-previewfrån slutet av augusti har 513 gillamarkeringar och ungefär 18 400 nedladdningar, och tencent/Hy-Memory-30B-A3Bfrån den 15 oktober har 297 gillamarkeringar och omkring 3 300 nedladdningar inom åtta dagar. Hy-Nomas, som laddades upp under samma period och är betydligt större, har inget av det. Oavsett de interna skälen är detta inte en lansering som underpresterade. Det är en lansering som inte försöktes.

Vad Hy-Nomas gör som en text-till-video-modell inte gör

Skillnaden spelar större roll än parameterantalen, eftersom det är anledningen till att bry sig om lanseringen överhuvudtaget. En vanlig text-till-video-modell tar en prompt och returnerar ett klipp; om du vill ha något annat börjar du om och får ett orelaterat klipp. Hy-Nomas genererar en värld som en kedja av segment och behåller sin egen historia.

Konkret beskriver kortet fyra saker som sker samtidigt. Varje segment får sin egen prompt, så du kan introducera ett objekt, ändra stilen, ändra miljön eller beskriva en handling mitt i genereringen i stället för i förväg. En beständig nyckel/värde-cache för den genererade historiken vidare, så ett senare segment betingas av det som redan har producerats i stället för att hittas på från grunden. Kamerarörelse är en separat betingningsväg i stället för något du beskriver i prosa: du anger kamera-till-värld-matriser och intrinsiska parametrar, och modellen tar hänsyn till dem i varje block. Och eftersom segmenten genereras autoregressivt kan världen fortsätta att utvidgas så länge du fortsätter att mata den med instruktioner.

Promptformatet visar hur bokstavligt detta är. Offline-inferens tar en JSON-lista där varje post har en stil, ett perspektiv, en ämneslista och sedan tidsangivna segment – en start- och sluttid, en lång visuell beskrivning och handlingar som ingår med egna tidsstämplar. Det första segmentet etablerar världen; senare segment använder ett fält av typen description_change för att ange hur den ska utvecklas. Det medföljande exemplet bygger en lysande skog kring en liten orange räv och öppnar sedan glödande blå blommor vid sidan av dess stig vid tvåsekundersmarkeringen.

Ett nummer på kortet är lätt att misstolka, och kortet självt påpekar det: siffran 24 FPS är uppspelningshastigheten för den utgående videon, inte genereringshastigheten. Hur snabbt modellen faktiskt körs beror på hårdvara, upplösning, segmentlängd och hur mycket historik som finns i cachen. Tencent säger det rakt ut. I ett släpp utan publicerad latens och utan publicerade resultat är det den enda ärliga tolkningen av siffran.

Databladet som kortet faktiskt ger

Tencent är ovanligt precis när det gäller arkitektur, vilket är det som gör att de saknade resultaten känns så riktade.

• Stomme – 54 MMDiT-block med dubbla strömmar och noll block med enkel ström, enligt inferenskonfigurationen.

• Bredd — dold storlek 2 048, med 16 uppmärksamhetshuvuden på 128 dimensioner vardera och en 4× feed-forward-expansion till 8 192.

• Positionskodning — 3D RoPE med dimensionerna [16, 56, 56] och theta 256.

• Textväg — språkmodellskomponenten i Qwen2.5-VL-7B-Instruct, vars 3 584-dimensionella dolda tillstånd passerar genom en tvålagers tokenförfinare och projiceras in i DiT-rymden med 2 048 dimensioner.

• Kamerabana — normaliserade 4×4-extrinsics grupperade över fyra bildrutor och tillplattade till 64 dimensioner, applicerade med cross-attention i varje block.

• Latenter – DCAE-V f32t4c32: 32 kanaler, 32× spatial komprimering, 4× temporal komprimering.

• Avkodare – en finjusterad PixelUMM med 36 lager, dold storlek 4 096, 32 query-huvuden och 8 KV-huvuden, som kör ett avkodningssteg över fönster med 10 latenta frames och 5 frames överlapp.

• Utdata – 720 × 1280 vid 24 FPS, med 8 avbrusningssteg i den destillerade konfigurationen; kodförrådet säger att de destillerade kontrollpunkterna har stöd för 4, 6 eller 8 steg.

• Licens — Apache 2.0, med Qwen-textkodaren som kvarstår under sina egna villkor.

Den enda siffra som Tencent aldrig anger är det totala antalet parametrar. Den siffra som kommer närmast är härledd snarare än publicerad: en fp32 DiT-checkpoint på 34,2 GB motsvarar ungefär 8,5 miljarder parametrar vid fyra byte vardera, och INT8-versionen på 9,06 GB stämmer med det. Behandla det som aritmetik på en filstorlek, inte som ett påstående i ett specifikationsblad – leverantören har inte bekräftat det någonstans.

Vad det kostar att driva, vilket är den verkliga grinden

Inget med den här utgåvan är fientligt mot utomstående, men standardutplaceringen förutsätter att du har en nod, inte en bärbar dator. Standardkonfigurationen för inferens använder 8-vägs sekvensparallelism, så dess standardstart kräver åtta GPU:er i en och samma inferensgrupp. README-filen är öppen med det i stället för att gömma undan det.

Det finns en genuin single-GPU-väg, och det är det mest intressanta ingenjörsarbetet i släppet. Den körs på ett RTX 4090 genom att kombinera fyra knep: DiT-vikter och cachade nycklar och värden lagras i INT8 medan beräkningen stannar i BF16, avkodaren körs i FP8 via CUTLASS, textkodaren och båda nätverken växlar mellan CPU och GPU för sina egna steg, och aktiv GPU-historik begränsas till 18 latenta bildrutor med den äldre historiken arkiverad i system-RAM. Den sista avvägningen är den man måste förstå innan man planerar utifrån den: arkivet fortsätter att växa, budgeten på 18 bildrutor begränsar bara det som ligger på GPU:n, och det aktuella segmentets minne begränsas inte alls av den. Tencent säger rakt ut att CPU–GPU-överföringar lägger till latens och att högsta GPU-minne varierar med upplösning och segmentlängd.

Nedladdningsmatematiken följer av filstorlekarna. Den dokumenterade demovägen kräver den destillerade DiT:n (34,2 GB), den matchande PixelUMM-dekodern (31,55 GB), DCAE-V (4,28 GB) och ungefär 16 GB till för Qwen-kodaren — cirka 86 GB innan du genererar något. Enkel-GPU-vägen byter in INT8-DiT:n och FP8-dekodern för ett mycket mindre fotavtryck, nära 38 GB plus kodaren. De två LoRA-adaptrarna är separata köp av diskutrymme: en cinematisk adapter på 6,12 GB och en robotikadapter på 12,24 GB tränad på RealSource-Worlds tvåarmade dataset, båda avsedda att slås samman till en flyttals-DiT. INT8-laddaren kan inte ta en separat LoRA vid inferens, så de två vägarna kan inte kombineras.

Miljökraven är lika specifika: Linux, Python 3.12 eller nyare, CUDA 13.0 Toolkit, PyTorch 2.10.0 och byggen av FlashAttention 2, FlashAttention 3 och MagiAttention. En förbyggd image, hynomasoss/hynomasoss:cu130, rekommenderas framför den manuella vägen – med kompilering av attention-kärnor som skäl. Träningskonfigurationen i kodförrådet går längre: DP16 × SP8, 128 GPU:er, sekvenser packade till 360 000 token. Vad du än gör med vikterna tränar du inte om detta hemma.

Benchmarken som Tencent släppte utan poäng

Hy-Nomas-Bench är inte en eftertanke. Det är en verklig datamängd: fyra utvärderingssviter som täcker interaktion med fritext över flera turer, kameranavigering, sammanflätad text- och kamerastyrning samt rumsligt minne, med 280 testfall, 220 referenskamerabanor, strukturerade prompter, interaktionssekvenser och tangentbordstidslinjer, släppt som JSON under Apache 2.0 och organiserad i delningar endast för utvärdering. Det kom ut ungefär två timmar innan vikterna gjorde det.

Det som inte följer med är en resultattabell. Det finns ingen resultattavla, inga poäng per svit, ingen jämförelse mot någon annan modell och ingen antydan om att en sådan är på väg. Och kortet är försiktigt formulerat på ett sätt som framstår som avsiktligt: efter att ha listat arkitektur och standardvärden för sampling lägger det till en rad – "Arkitektur och standardvärden för sampling är konfigurationsdetaljer, snarare än benchmarkresultat."

Den meningen gör ett riktigt jobb. Det betyder att de åtta avbrusningsstegen, upplösningen 720 × 1280 och kameravägledningsskalan på 1,0 inte är bevis på kvalitet, och Tencent vägrar att låta dem läsas som det. För den som utvärderar modellen är den praktiska konsekvensen enkel: du kan köra utvärderingen själv, och fram till dess kan du inte jämföra Hy-Nomas med något annat utifrån en siffra. Testsuiten är det du ska ladda ner om du vill ha ett omdöme, för ingen ger dig ett.

Var den placerar sig bland de andra open world-modellerna

Området utvecklades snabbt 2026, och den jämförelse som spelar roll handlar inte om parameterantal utan om vilka belägg varje lansering förde med sig.

• Vikter och licens — Hy-Nomas är Apache 2.0 utan gating. LingBot-World, från Ant Group, släppte öppna vikter i slutet av januari 2026 och marknadsfördes som den första öppna modellen jämförbar med Googles slutna Genie 3.

• Styrschema — Hy-Nomas är textförst med kamerabanor, segment för segment. LingBot-World och Genie 3-serien leder med realtidsstyrning via tangentbord och mus av en karaktär eller kamera, vilket är en annan interaktionsmodell: kontinuerligt spelande kontra riktad konstruktion.

• Hårdvarugolv – Hy-Nomas vill ha åtta GPU:er som standard eller en RTX 4090 med begränsad historik. Astronex-World 1.0, som publicerades i september 2026, rapporterade strömning i realtid på en enda 48 GB L20 vid 832 × 480, vilket är en betydligt lägre ribba.

• Evidens — det är här Hy-Nomas står ensam i fel kolumn. LingBot-World levererades med rapporterade siffror för genomströmning och latens; Astronex-World levererades med en arXiv-artikel och benchmarkresultat. Hy-Nomas har en 404 på sin tekniska rapport och inga resultat alls.

• Härkomst — Tencents tidigare öppna interaktiva satsning, HY-WorldPlay, utgick från en startbild plus pose- och actionindata vid 720p och 24 FPS. Hy-Nomas är inte samma modell med ett nytt namn; text-flerrundsloopen och den segmentvisa promptstrukturen är nya, och kortet gör inte anspråk på att härstamma från den.

Inget av detta avgör kvaliteten. En modell kan vara utmärkt och odokumenterad, och Tencents tystnad är inte bevis åt något håll – det betyder bara att bevisbördan har flyttats till den som laddar ner den.

Vem ska röra det nu, och vem ska vänta?

Om du har en nod med åtta GPU:er och ditt problem är världstillstånd som en människa redigerar mitt under genereringen – en scen som får ett objekt vid sekund fyra, en kamera som roterar eftersom du bad den göra det, en värld som behåller sin geometri medan du ändrar vädret – är detta den mest direkta öppna implementeringen av den idén som går att ladda ner just nu, och villkoren i Apache 2.0 innebär att du kan bygga vidare på den utan en förhandling. Robotics-LoRA är en signal om var Tencent förväntar sig att den ska användas: simuleringsvärldar för förkroppsligad träning, inte sociala videor.

Om du behöver en siffra innan du bestämmer dig, vänta. Inte för att modellen är suspekt, utan för att det inte finns något att citera. Ett benchmark som du måste köra själv är en veckas ingenjörsarbete, och den tekniska rapporten, när den väl kommer, kommer förmodligen att ändra vad du skulle ha mätt.

Den mindre operativa frågan kring modellen är värd att nämna, eftersom den drabbar alla som försöker reproducera demon. Webbdemon skickar varje instruktion genom Nomas-PE, en separat tjänst på 55,6 GB som omvandlar lös användarformulering till den strukturerade segment-JSON som DiT förväntar sig, och Tencent uppger att demon kräver den. Offline-inferens hoppar över det steget och kräver att du skriver de strukturerade prompterna själv. Om du bygger din egen frontend är det där promptkonstruktionslagret ett vanligt språkmodellsanrop – och den delen är, till skillnad från videostacken, standardinfrastruktur. OrcaRouter tillhandahåller inte Hy-Nomas – en självhostad diffusionsstack på 196 GB är inte vad en API-rutt är till för. Det den dirigerar är textsidan runt omkring – en enda nyckel för över 200 modeller med 0 % påslag på leverantörens listpris, med automatisk failover – så ett steg för promptomskrivning eller utdatabildtextning framför en självhostad videomodell behöver inte ett eget leverantörsavtal.

De öppna frågorna, och vad som skulle förändra den här artikeln

Fyra saker är genuint okända, och var och en har en specifik artefakt som skulle avgöra det.

Det första är kvalitet. Hy-Nomas-Bench finns, så en publicerad resultattabell är det uppenbara nästa steget, och avsaknaden av en sådan är den enskilt största luckan mellan den här utgåvan och en citerbar sådan.

Den andra är hastighet. Inget latensvärde visas någonstans i kortet, bara uppspelningshastigheten. Någon kommer att behöva mäta tid till första segment på riktig hårdvara, och den destillerade konfigurationen med åtta steg jämfört med den grundläggande autoregressiva modellen är en skillnad som är värd att kvantifiera snarare än att anta.

Det tredje är ekosystemstöd. Repositoriet har en diffusers-tagg, men den dokumenterade vägen är Tencents eget hymm-paket och en specialbyggd Docker-avbild; ingen tredjeparts-körningsmiljö anges som stödd. Huruvida detta får en pipelineklass i ett brett använt bibliotek, på samma sätt som de flesta öppna videomodeller till slut gör, avgör om det förblir en forskningsartefakt eller blir ett verktyg.

Det fjärde är huruvida Tencent någonsin säger något. Den tekniska rapporten är märkt "kommer snart" och ger för närvarande 404, det finns ingen arXiv-förprint, och ingen pressbevakning finns per den 23 oktober. Det är helt möjligt att företaget väntar på en artikel eller en hostad produkt innan det marknadsför något av detta. Det är också möjligt att släppet är precis vad det ser ut som: vikter publicerade för protokollet, med tillkännagivandet uppskjutet.

Hur som helst är nedladdningen live, licensen är tillåtande och demon tar instruktioner redan i dag. För en modell som ingen har tillkännagivit är det mer än vad de flesta tysta lanseringar erbjuder – och betydligt mindre än en lansering.