Hy-Nomas: โมเดลโลกเชิงโต้ตอบแบบอิสระของ Tencent ทำอะไรได้จริง

สิ่งที่มีประโยชน์ที่สุดที่ควรทำความเข้าใจเกี่ยวกับ Hy-Nomasก็คือ มันไม่ได้สร้างวิดีโอทั้งคลิป แต่สร้างวิดีโอช่วงสี่วินาทีถัดไป แสดงให้คุณดู รอคำสั่งจากคุณ แล้วจึงสร้างสี่วินาทีถัดจากนั้น — โดยเก็บทุกอย่างที่เรนเดอร์ไว้แล้วไว้ในแคช เพื่อให้มุมถนนที่คุณเลี้ยวเมื่อสองนาทีก่อนยังมีร้านเดียวกันอยู่ตรงนั้น Tencent Hunyuan เผยแพร่น้ำหนักโมเดล โค้ดอินเฟอเรนซ์ ไปป์ไลน์สำหรับการปรับแต่งละเอียด ชุดทดสอบมาตรฐาน 280 เคส และเดโมในเบราว์เซอร์ ระหว่างวันที่ 21 ถึง 23 ตุลาคม 2026 ภายใต้ Apache 2.0 โดยไม่มีโพสต์ประกาศและไม่มีผลการทดสอบมาตรฐาน แกลเลอรีของการ์ดโมเดลเองมีคลิปความยาวหกสิบวินาทีห้ารอบที่ชื่อ clockwork-flight; คลิปนั้นอธิบายผลิตภัณฑ์ได้ดีกว่าทั้งรีโพซิทอรีหรือเปเปอร์ที่ยังไม่ได้เผยแพร่

สิ่งที่ตามมาคือการไล่ดูสิ่งที่เผยแพร่จริง วิธีที่ลูปโต้ตอบถูกสร้างขึ้น และตัวเลขหนึ่งตัวที่รีลีสนี้ไม่มี โดยเขียนขึ้นจากรีโพซิทอรี การ์ดโมเดล และไฟล์คอนฟิกูเรชันที่เผยแพร่ — ไม่ใช่จากการทดลองใช้จริง เพราะ ณ วันที่ 24 ตุลาคม ยังไม่มีการประเมิน Hy-Nomas โดยบุคคลที่สามให้อ้างอิงได้

อาร์ติแฟกต์สี่ชิ้น ซึ่งมีเพียงชิ้นเดียวที่เป็นโมเดล

Tencent เปิดตัวชุดรวมหนึ่ง และตัวชุดรวมเองคือจุดสำคัญของเรื่องนี้ สิ่งแรกคือชุดเช็กพอยต์บน Hugging Face ขนาดประมาณ 196 GB ครอบคลุม DiT แบบ autoregressive ฐาน, DiT แบบกลั่น, บิลด์ INT8, ออโตเอนโคเดอร์วิดีโอ DCAE-V, ตัวถอดรหัส PixelUMM ที่ผ่านการ fine-tune ใน FP32 และ FP8 และตัวเสริมพรอมต์ Nomas-PE อย่างที่สองคือรีโพซิทอรี GitHub: ชุดเครื่องมือ inference, ชุดเครื่องมือ captioning สำหรับสร้างข้อมูล fine-tuning, การแพ็ก sequence แบบออฟไลน์, ตัวฝึก LoRA และสคริปต์ merge อย่างที่สามคือ Hy-Nomas-Bench ชุดประเมิน 280 เคสในสี่แทร็ก พร้อมเส้นทางกล้องอ้างอิงประมาณ 220 เส้น อย่างที่สี่คือเดโมที่ hy-nomas.hy.tencent.com ซึ่งคุณเคลื่อนที่ไปทั่วฉากที่สร้างขึ้นด้วย WASD หรือการลากเมาส์

การผสมผสานเช่นนี้ถือว่าไม่ปกติสำหรับการเปิดตัวเวิลด์โมเดล ส่วนใหญ่จะเผยแพร่บทความวิชาการและแกลเลอรีตัวอย่าง แต่ Tencent กลับเผยแพร่กลไกการทำงานออกมา และปล่อยส่วนการประเมินผลให้ว่างเปล่า หากคุณอยากรู้ว่า Hy-Nomas ดีหรือไม่ ตอนนี้คุณก็สามารถหาคำตอบด้วยตัวเองได้แล้ว แต่คุณยังไม่สามารถอ่านคำตอบนั้นได้

ลูป: ทีละเซกเมนต์ โดยเก็บอดีตไว้ในแคช

Hy-Nomas เป็น diffusion transformer แบบ segment-autoregressive มันเรนเดอร์วิดีโอช่วงสั้น ๆ ต่อท้ายเข้ากับเซสชัน และกำหนดเงื่อนไขให้ช่วงถัดไปด้วย KV cache แบบ lifelong ที่เก็บ latent ก่อนหน้าไว้พร้อมกับคีย์และแวลูของ latent เหล่านั้น นั่นคือเหตุผลที่โมเดลสามารถรักษาความสอดคล้องของฉากข้ามเทิร์นได้โดยไม่ต้องมีโมดูลความจำแยกต่างหากหรือขั้นตอน retrieval: ประวัติอยู่ใน attention context และมันเติบโตขึ้น

สถาปัตยกรรมที่อยู่เบื้องหลังคือ MMDiT แบบสองสตรีมจำนวน 54 บล็อก ที่มีขนาดซ่อน 2,048, หัวความสนใจ 16 หัว และการฝังตำแหน่งแบบโรตารี 3 มิติ ข้อความถูกเข้ารหัสโดย Qwen2.5-VL-7B-Instruct ค่าภายนอกของกล้องเข้าผ่าน cross-attention แทนที่จะถูกฝังลงในพรอมต์ข้อความ ซึ่งสำคัญต่อเรื่องราวการควบคุมด้านล่าง Tencent ไม่ได้ระบุจำนวนพารามิเตอร์; เช็กพอยต์ FP32 มีขนาด 34.2 GB ซึ่งบ่งบอกถึงพารามิเตอร์ประมาณ 8.5 พันล้านตัว หากสมมติว่าจัดเก็บแบบ 32 บิตและไม่มีสถานะของออปติไมเซอร์ — เป็นการคำนวณทางคณิตศาสตร์ ไม่ใช่คำกล่าวอ้างของผู้จำหน่าย และควรถือเป็นค่าประมาณมากกว่าข้อกำหนดจำเพาะ

• เอาต์พุต — 720 × 1280 ที่ 24 FPS โดยตัวเลข 24 FPS อธิบายถึงการเล่นกลับ ไม่ใช่ความเร็วในการสร้าง

• การลด-noise — 8 ขั้นตอนในการกำหนดค่าแบบกลั่น; โค้ดรองรับ 4, 6 หรือ 8

• Latents — DCAE-V 32 แชนเนล ถอดรหัสด้วยตัวถอดรหัส PixelUMM ที่ผ่านการปรับแต่งอย่างละเอียด; มีตัวถอดรหัส FP8 ให้ใช้งาน

• บริบท — KV cache ตลอดอายุการใช้งานที่ถูกพาข้ามเซกเมนต์ ไม่ใช่หน้าต่างคงที่ที่รีเซ็ตใหม่

พวงมาลัยสองวง และมีเพียงวงเดียวเท่านั้นที่เป็นพรอมต์

ช่องข้อความเป็นแบบอิสระและหลายรอบ คุณสามารถเพิ่มวัตถุ เปลี่ยนสภาพอากาศ ปรับสไตล์ฉาก หรืออธิบายการกระทำได้ และคำสั่งจะมีผลตั้งแต่เซกเมนต์ถัดไปแทนที่จะเรนเดอร์สิ่งที่มาก่อนหน้าใหม่ กรอบแนวคิดของรีโพซิทอรีเองคือ "การควบคุมด้วยพรอมป์ต์ข้อความแบบอิสระหลายรอบ" โดยประเด็นคือพรอมป์ต์ไม่ใช่คำบรรยายแบบครั้งเดียวสำหรับคลิป แต่เป็นรอบหนึ่งในการสนทนากับโลก

ช่องทางกล้องเป็นช่องทางที่น่าสนใจกว่า เพราะมันไม่ใช่ภาษา คุณป้อนเส้นทางการเคลื่อนที่ของค่าภายนอกของกล้อง (camera extrinsics) และโมเดลจะเรนเดอร์โลกจากเส้นทางนั้น ในขณะที่พรอมป์ข้อความยังคงอธิบายว่ามีอะไรอยู่ในนั้น ข้อความและกล้องสามารถใช้ร่วมกันได้: พรอมป์ที่บอกว่า "ตลาดกำลังปิด" และเส้นทางการเคลื่อนที่ที่เดินลงไปตามทางเดินเป็นอินพุตแยกกันสองอย่างที่ประกอบกัน นี่คือความแตกต่างที่เป็นรูปธรรมระหว่าง Hy-Nomas และโมเดล text-to-video โมเดล text-to-video จะอนุมานการเคลื่อนกล้องจากข้อความร้อยแก้วและหวังเอา; ส่วน Hy-Nomas นั้นถูกบอกว่ากล้องไปที่ไหน

ยังมีกลไกควบคุมที่สามซึ่งเงียบกว่า นั่นคือ Nomas-PE ตัวเสริมพรอมต์ออนไลน์ที่เขียนคำสั่งแบบกระชับใหม่ให้กลายเป็นสิ่งที่โมเดลใช้เป็นเงื่อนไขได้อย่างมีประสิทธิภาพมากขึ้น มันเป็นทางเลือก และเป็นองค์ประกอบ tipo ที่บอกคุณว่าโหมดความล้มเหลวอยู่ตรงไหน — ถ้าโมเดลฐานจัดการพรอมต์ห้าคำได้ดี ตัวเสริมนี้ก็คงไม่มีอยู่

ฟีเจอร์ที่ไม่มีใครพูดถึง: LoRA เฉพาะโดเมนใน 2,000 สเต็ป

มีอะแดปเตอร์สองตัวมาพร้อมกับรีลีสนี้ Cinematic LoRA จะถูกรวมเข้ากับ DiT ที่กลั่นแล้วเพื่อปรับปรุงคุณภาพภาพ Robotics LoRA ถูกฝึกบนชุดข้อมูลแขนกล RealSource-World และรวมเข้ากับเช็กพอยต์ที่กลั่นแล้วตัวเดียวกันเพื่อปรับปรุงฉากการหยิบจับและจัดการ Tencent ระบุสูตรไว้ในเอกสารดังนี้: แรงก์และอัลฟา 256, ดรอปเอาต์เป็นศูนย์, Muon ด้วยอัตราการเรียนรู้คงที่ 1e-4 เป็นเวลา 2,000 สเต็ป, ฝึกเฉพาะพารามิเตอร์ LoRA, ใช้เทคนิคที่เรียกว่า segment forcing จากนั้นรวมอะแดปเตอร์เข้ากับน้ำหนักที่กลั่นแล้วสำหรับการอนุมาน

นี่คือส่วนที่มีครึ่งชีวิตยาวนานที่สุด การปรับให้เข้ากับโดเมนเดียวด้วย 2,000 สเต็ปนั้นถูกพอที่สตูดิโอที่มีลุคเฉพาะของตัวเอง แล็บหุ่นยนต์ที่มีแขนกลของตัวเอง หรือทีมเกมที่มีทิศทางศิลปะเฉพาะ จะสามารถปรับโมเดลให้เชี่ยวชาญได้โดยไม่ต้องแตะน้ำหนักฐาน มันยังมอบเส้นทางการเติบโตของชุมชนที่เป็นไปได้ให้กับการเปิดตัว ซึ่งโมเดลแบบปิดไม่สามารถมีได้: คาดว่าผลลัพธ์ Hy-Nomas ที่น่าสนใจในเดือนหน้าจะมาจากการเมิร์จ LoRA ไม่ใช่จากเช็กพอยต์ฐาน

ค่าใช้จ่ายในการรัน: GPU แปดตัว หรือ 4090 หนึ่งตัวโดยต้องแลกมาบางอย่าง

เส้นทางค่าเริ่มต้นคือ GPU แปดตัวพร้อมการขนานลำดับแบบแปดทาง ส่วนเส้นทางที่ใช้หน่วยความจำต่ำคือเส้นทางที่กลายเป็นข่าวใหญ่: RTX 4090 เพียงตัวเดียว โดยใช้ค่าน้ำหนัก DiT แบบ INT8 และ KV cache แบบ INT8 การจำกัดประวัติด้วยหน้าต่างเลื่อน การออฟโหลดไปยัง CPU การใช้ FlexAttention สำหรับ DiT และ CUTLASS FP8 สำหรับการถอดรหัส โดยปิดการขนานลำดับไว้ Tencent เตือนว่าการออฟโหลดไปยัง CPU ต้องมี RAM ของระบบเพียงพอและเพิ่มภาระจากการถ่ายโอนข้อมูล ซึ่งเป็นวิธีพูดอย่างสุภาพว่าการทำงานแบบ GPU ตัวเดียวนั้นมีจริงแต่ไม่ได้ไม่มีต้นทุน

ขนาดพื้นที่ดาวน์โหลดก็แตกต่างกันตามเส้นทางเช่นกัน เส้นทางเดโมที่ระบุไว้ในเอกสารต้องดาวน์โหลดประมาณ 86 GB ส่วนเส้นทางหน่วยความจำต่ำต้องใช้ประมาณ 38 GB บวกกับ text encoder ทั้งสองแบบไม่ใช่การดาวน์โหลดสำหรับแล็ปท็อป และทั้งสองแบบไม่ได้มาพร้อมกับ endpoint ที่โฮสต์ไว้ ไม่มี API ไม่มีราคาคิดตามวินาที และไม่มีบริการแบบ managed จาก Tencent สำหรับ Hy-Nomas — คุณต้องรันมันเอง หรือไม่ก็ไม่ใช้มัน

• การให้บริการค่าเริ่มต้น — GPU 8 ตัว, sequence parallelism แบบ 8 ทาง; ตัวอย่างการฝึกใช้ GPU 128 ตัวเป็นสำเนา data-parallel 16 ชุด × sequence-parallel 8

• การให้บริการด้วย GPU เดียว — RTX 4090 พร้อม INT8 DiT, INT8 KV cache, FP8 decoder, ประวัติแบบ sliding-window และ CPU offload

• พื้นที่จัดเก็บ — ประมาณ 196 GB สำหรับชุดเช็กพอยต์ทั้งหมด, 86 GB สำหรับเส้นทางเดโมที่มีเอกสารกำกับ, 38 GB บวก text encoder สำหรับหน่วยความจำต่ำ

• ต้นทุน — ยังไม่มีราคาจากผู้ขาย; ต้นทุนคือชั่วโมง GPU ของคุณ

หากคุณกำลังสร้างระบบโดยรอบโมเดลแบบ open-weights เช่นนี้ ส่วนประกอบที่ไม่ใช่ตัวโมเดลก็ยังต้องมีสแต็ก ไม่ว่าจะเป็นการสร้างคำบรรยายภาพ การปรับปรุงพรอมต์ ฮาร์เนสสำหรับประเมินผล และ LLM ตัวใดก็ตามที่อยู่ในลูปเอเจนต์ซึ่งตัดสินใจคำสั่งถัดไป ชั้นนี้เองคือจุดที่ API เดียวคุ้มค่าที่จะมี — OrcaRouter วางโมเดลที่โฮสต์มากกว่า 200 โมเดลไว้เบื้องหลังคีย์เดียว โดยคิดมาร์กอัป 0% ส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่เปลี่ยนแปลง และสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อผู้ให้บริการรายหนึ่งมีประสิทธิภาพลดลง ดังนั้นการประสานงานโดยรอบเวิลด์โมเดลที่โฮสต์เองจึงไม่จำเป็นต้องมีสัญญาที่สองสำหรับการเรียกเสริมทุกครั้ง Hy-Nomas เองไม่ได้อยู่ในแคตตาล็อกของเรา น้ำหนักเป็นของผู้จำหน่าย และเราจะไม่แสร้งทำเป็นอย่างอื่น

ตัวเลขที่หายไป

Hy-Nomas-Bench มีอยู่จริง โดยมี 280 เคสครอบคลุมสี่แทร็ก ได้แก่ การควบคุมข้อความแบบหลายรอบ การนำทางด้วยกล้อง การควบคุมข้อความและกล้องแบบสลับกัน และความจำเชิงพื้นที่ พร้อมเส้นทางการเคลื่อนที่ของกล้องอ้างอิงประมาณ 220 เส้นทาง สิ่งที่มันไม่มีคือตารางผลลัพธ์ รีโพซิทอรีลิงก์ไปยังชุดข้อมูล หน้าเพจชุดข้อมูลไม่มีคะแนน ลิงก์รายงานทางเทคนิคเปิดไปไม่พบเนื้อหา และ README ระบุว่า "Coming Soon" การ์ดโมเดลของ Tencent อธิบายสถาปัตยกรรมและค่าเริ่มต้นในการสุ่มตัวอย่าง ซึ่งเป็นรายละเอียดการกำหนดค่า ไม่ใช่ผลลัพธ์ของเบนช์มาร์ก

การไม่มีข้อมูลนั้นไม่ใช่เรื่องอื้อฉาว แต่ оно เปลี่ยนสิ่งที่ประโยคที่เป็นธรรมเกี่ยวกับโมเดลนี้จะพูดได้ “Hy-Nomas สร้างวิดีโอ 720 × 1280 ที่ 24 FPS ด้วยขั้นตอนการขจัดสัญญาณรบกวนแปดขั้น” เป็นข้อกำหนดที่ตรวจสอบได้จากคอนฟิก “Hy-Nomas รักษาความสอดคล้องระยะยาว” เป็นข้ออ้างเชิงการออกแบบที่ได้รับการสนับสนุนจากคลิปสาธิต ไม่ใช่ผลลัพธ์ที่วัดได้ “Hy-Nomas เอาชนะโมเดล X” ไม่ใช่ข้ออ้างที่ใครจะกล่าวได้ในขณะนี้ เพราะไม่มีฝ่ายใดของการเปรียบเทียบนั้นมีตัวเลขที่เผยแพร่บนการทดสอบเดียวกัน

จุดยืนที่ซื่อตรง ณ สามวันหลังจากน้ำหนักโมเดลเปิดตัว คือ Hy-Nomas เป็นการเปิดตัวความสามารถที่มีเอกสารประกอบครบถ้วน พร้อมข้อกล่าวอ้างเรื่องคุณภาพที่ยังไม่ได้รับการประเมิน เอกสารประกอบดีพอที่จะทำซ้ำได้ การประเมินดีพอที่จะรันด้วยตัวเองได้ คำตัดสินยังขาดหาย และมันขาดหายโดยเจตนาหรือเพราะความเร่งรีบ — ไม่ทางใดก็ทางหนึ่ง เราไม่ควรคิดค้นมันขึ้นมาเอง

สิ่งที่ควรจับตา และสิ่งที่ควรทำตอนนี้

สามสิ่งจะเปลี่ยนภาพรวมนี้ รายงานทางเทคนิคที่มีตัวเลขจริงจะเปลี่ยน Hy-Nomas จากการเป็นเพียงคำกล่าวอ้างให้กลายเป็นฐานอ้างอิงมาตรฐาน กระแส LoRA จากชุมชนจะบอกคุณได้ว่าสูตรการปรับตัวแบบ 2,000 สเต็ปใช้งานได้ผลนอกเหนือจากตัวอย่างของ Tencent เองหรือไม่ และการทำซ้ำบน 4090 เพียงตัวเดียว — ไม่ใช่เดโม แต่เป็นการรันที่วัดผลได้ — จะบอกคุณได้ว่าเส้นทางหน่วยความจำต่ำนั้นใช้งานได้จริงหรือเป็นเพียงแค่ทำได้เท่านั้น

จนถึงตอนนั้น วิธีที่สมเหตุสมผลในการอ่านรีลีสนี้คือดูจากอาร์ติแฟกต์ ไม่ใช่พาดหัวข่าว เวตนั้นเปิด โค้ดรันได้ เบนช์มาร์กเป็นเพียงเปลือก และเดโมคือบทสนท้าห้าผลัดกับโลกที่จดจำได้ นั่นมากกว่าที่ห้องแล็บส่วนใหญ่เปิดตัวในเดือนนี้ และน้อยกว่าสิ่งที่ตารางเบนช์มาร์กจะพิสูจน์ได้ ถ้าคุณมี GPU และโดเมนที่ต้องการการตรวจสอบของตัวเอง สูตร LoRA คือเหตุผลที่ควรดาวน์โหลดวันนี้ ถ้าคุณต้องการตัวเลขก่อนตัดสินใจ ตัวเลขนั้นยังไม่มีอยู่