Hy-Nomas: Tencent เปิดซอร์สโมเดลโลกแบบโต้ตอบ และไม่ได้กล่าวถึงเรื่องนี้เลย

Tencent เปิดให้ใช้งานชุดประเมินและน้ำหนักของ Hy-Nomas เมื่อเช้านี้ และจนถึงสิ้นวันก็ยังไม่ได้เผยแพร่คะแนนแม้แต่รายการเดียวจากทั้งสองอย่าง นี่คือลักษณะของการเปิดตัวครั้งนี้ Hy-Nomas เป็นโมเดลโลกแบบวิดีโอที่คุณควบคุมได้ด้วยคำสั่งข้อความและการเคลื่อนกล้อง ทีละช่วง และน้ำหนักของมันถูกอัปโหลดขึ้น Hugging Face เมื่อ 11:18 UTC วันนี้ 23 ตุลาคม 2026: คอมมิตเดียวที่บรรจุเช็กพอยต์ Apache-2.0 ขนาด 196 GB พร้อมกับที่เก็บโค้ดที่ถูกพุชเมื่อ 09:01 เช้าวันเดียวกัน และเดโมที่เล่นได้ สองวันก่อนหน้านั้น ที่เก็บทั้งสองมีอยู่และว่างเปล่า ไม่มีโพสต์บล็อก ไม่มีรายการบน arXiv และป้าย “Technical Report (Coming Soon)” บนการ์ดโมเดลลิงก์ไปยังไฟล์ที่ตอบกลับ 404 หลายชั่วโมงหลังจากอัปโหลด หน้ารุ่นโมเดลแสดงศูนย์ไลก์และศูนย์ดาวน์โหลด และสัญญาณเดียวที่บอกว่ามีคนสังเกตเห็นคือที่เก็บ GitHub: แปดดาว หนึ่งคอมมิต ไม่มีคำอธิบาย

ดังนั้นกรอบที่ซื่อตรงจึงไม่ใช่ “Tencent เปิดตัว world model” แต่คือ: Tencent เผยแพร่ weights, โค้ดสำหรับ training และ inference, benchmark และเว็บไซต์ demo แล้ว และยังไม่ได้พูดสักคำว่าสิ่งใดสิ่งหนึ่งในนั้นทำคะแนนได้เท่าไร ทุกอย่างด้านล่างนี้ไม่ใช่ timestamp หรือขนาดไฟล์ที่คุณตรวจสอบได้ด้วยตัวเอง ก็เป็นตัวเลขที่ Tencent พิมพ์ลงบนการ์ดของตัวเอง หรือเป็นจุดที่การ์ดนั้นเงียบอย่างน่าสังเกต สามหมวดหมู่นี้ถูกแยกออกจากกันโดยเจตนา เพราะในการเปิดตัวแบบนี้ ความเงียบให้ข้อมูลพอ ๆ กับสเปก

สิ่งที่เกิดขึ้นจริง เมื่อนับเป็นรายชั่วโมง

โบราณวัตถุเหล่านี้ระบุอายุได้ง่าย เพราะมีอยู่ไม่กี่ชิ้นและไม่มีชิ้นใดถูกแก้ไขมากนัก

• รีโพซิทอรีโมเดล tencent/Hy-Nomasถูกสร้างขึ้นบน Hugging Face เมื่อ 2026-10-21 เวลา 02:17:37 UTC และว่างเปล่าจนกระทั่งคอมมิตเดียวของมันถูกส่งขึ้นเมื่อ 2026-10-23 เวลา 11:18:04 UTC คอมมิตดังกล่าวมีขนาด 196.4 GB กระจายใน 46 ไฟล์: เช็กพอยต์ DiT fp32 ขนาด 34.2 GB สองรายการ, DiT INT8 ขนาด 9.06 GB, อะแดปเตอร์ LoRA สองตัว, ตัวถอดรหัส PixelUMM ขนาด 31.55 GB, คู่แฝด FP8 ขนาด 9.13 GB ของมัน, ออโตเอนโคเดอร์ DCAE-V ขนาด 4.28 GB, โมเดลเสริมพรอมต์แบบ 18 ชาร์ดรวม 55.6 GB และโทเคไนเซอร์กับไฟล์คอนฟิกตามปกติ

• ที่เก็บโค้ด Tencent-Hunyuan/Hy-Nomas ถูกสร้างขึ้นในอีก 47 นาทีต่อมา เมื่อเวลา 03:04:54 UTC โดยไม่ได้กรอกช่องคำอธิบายไว้ คอมมิตเพียงรายการเดียวของมันถูกเขียนขึ้นเมื่อวันที่ 21 ตุลาคม แต่เพิ่งถูกพุชในวันนี้ เมื่อเวลา 09:01:42 UTC ที่เก็บยังคงแสดงคอมมิตหนึ่งรายการและไม่มีรีลีส และมีโค้ดสำหรับฝึก สคริปต์สำหรับการอนุมาน อิมเมจ Docker และคู่มือการดีพลอยเว็บเดโม

• ชุดข้อมูลสำหรับการทดสอบมาตรฐาน tencent/Hy-Nomas-Bench ถูกสร้างขึ้นเมื่อวันที่ 2026-10-22 เวลา 05:18:20 UTC และได้รับการคอมมิตเพียงครั้งเดียวในวันนี้ เวลา 09:10:51 UTC

• เดโมที่ hy-nomas.hy.tencent.com ตอบกลับด้วย HTTP 200 พร้อมชื่อหน้าเว็บ เป็นส่วนเดียวของการเปิดตัวนี้ที่มุ่งเป้าไปยังทุกคนนอกกลุ่มวิจัย

ความเงียบนี้เป็นเรื่องเฉพาะของโมเดลนี้ ไม่ใช่ของ Tencent องค์กร Hugging Face ของบริษัทเองก็มีความเคลื่อนไหวคึกคัก: tencent/Hy4-previewตั้งแต่ปลายเดือนสิงหาคมมี 513 ไลก์และยอดดาวน์โหลดราว 18,400 ครั้ง และtencent/Hy-Memory-30B-A3Bซึ่งตั้งแต่ 15 ตุลาคมมี 297 ไลก์และยอดดาวน์โหลดราว 3,300 ครั้งภายในแปดวัน Hy-Nomas ซึ่งอัปโหลดในช่วงเวลาเดียวกันและมีขนาดใหญ่กว่ามาก กลับไม่มีสิ่งใดเหล่านั้นเลย ไม่ว่าเหตุผลภายในจะเป็นอย่างไร นี่ไม่ใช่การเปิดตัวที่ผลลัพธ์ต่ำกว่าที่ควร แต่เป็นการเปิดตัวที่ไม่ได้ลงมือทำเลย

สิ่งที่ Hy-Nomas ทำได้ซึ่งโมเดลแปลงข้อความเป็นวิดีโอทำไม่ได้

ความแตกต่างนี้สำคัญกว่าจำนวนพารามิเตอร์ เพราะมันคือเหตุผลที่ควรให้ความสนใจกับการเปิดตัวนี้ตั้งแต่แรก โมเดลข้อความเป็นวิดีโอทั่วไปจะรับพรอมต์หนึ่งครั้งแล้วคืนคลิปหนึ่งคลิป หากต้องการสิ่งที่แตกต่างออกไป คุณต้องเริ่มใหม่และจะได้คลิปที่ไม่เกี่ยวข้องกัน ส่วน Hy-Nomas สร้างโลกในรูปแบบห่วงโซ่ของเซกเมนต์และเก็บประวัติของตัวเองไว้

พูดให้ชัดเจน การ์ดนี้อธิบายสี่สิ่งที่เกิดขึ้นพร้อมกัน แต่ละเซกเมนต์มีพรอมป์ของตัวเอง คุณจึงสามารถเพิ่มวัตถุ เปลี่ยนสไตล์ เปลี่ยนฉาก หรืออธิบายการกระทำระหว่างการสร้างได้ แทนที่จะต้องระบุตั้งแต่ต้น แคช key/value แบบคงอยู่จะส่งต่อประวัติที่สร้างขึ้นไปข้างหน้า เซกเมนต์ later จึงถูกกำหนดเงื่อนไขจากสิ่งที่สร้างไว้แล้ว แทนที่จะถูกสร้างขึ้นใหม่ตั้งแต่ต้น การเคลื่อนกล้องเป็นเส้นทางการกำหนดเงื่อนไขแยกต่างหาก ไม่ใช่สิ่งที่คุณอธิบายเป็นข้อความร้อยแก้ว คุณป้อนเมทริกซ์ camera-to-world และ intrinsics แล้วโมเดลจะให้ความสนใจกับสิ่งเหล่านี้ในทุกบล็อก และเนื่องจากเซกเมนต์ถูกสร้างแบบ autoregressive โลกจึงสามารถขยายต่อไปได้ตราบเท่าที่คุณป้อนคำสั่งให้มันต่อไป

รูปแบบพรอมต์แสดงให้เห็นว่าสิ่งนี้ตรงตัวเพียงใด การอนุมานแบบออฟไลน์รับรายการ JSON โดยแต่ละรายการมีสไตล์ มุมมอง รายการหัวเรื่อง และจากนั้นเป็นช่วงที่กำหนดเวลา — เวลาเริ่มต้นและสิ้นสุด คำอธิบายภาพแบบยาว และการกระทำที่อยู่ภายในซึ่งมีเวลาของตัวเอง ช่วงแรกสร้างโลกขึ้นมา ช่วงหลังๆ ใช้ฟิลด์ description_change เพื่อบอกว่าควรพัฒนาไปอย่างไร ตัวอย่างที่มาพร้อมกันสร้างป่าที่เปล่งประกายรอบสุนัขจิ้งจอกสีส้มตัวเล็ก แล้วเปิดดอกไม้สีฟ้าเรืองแสงข้างเส้นทางของมัน ณ เครื่องหมายสองวินาที

ตัวเลขหนึ่งตัวบนการ์ดนั้นอ่านผิดได้ง่าย และตัวการ์ดเองก็ชี้จุดนี้ไว้: ตัวเลข 24 FPS คืออัตราการเล่นของวิดีโอเอาต์พุต ไม่ใช่ความเร็วในการสร้าง โมเดลจะทำงานได้เร็วแค่ไหนจริง ๆ ขึ้นอยู่กับฮาร์ดแวร์ ความละเอียด ความยาวของเซกเมนต์ และปริมาณประวัติที่อยู่ในแคช Tencent ระบุตรง ๆ เช่นนี้ ในรีลีสที่ไม่มีการเผยแพร่เวลาแฝงและไม่มีคะแนนเผยแพร่ นี่คือการตีความตัวเลขนั้นอย่างซื่อตรงเพียงหนึ่งเดียว

สเปกชีตที่การ์ดให้มานั้น

Tencent มีความแม่นยำเรื่องสถาปัตยกรรมอย่างผิดปกติ ซึ่งนั่นเองทำให้ผลลัพธ์ที่หายไปดูมีนัยจงใจ

• โครงข่ายหลัก — บล็อก MMDiT แบบสองสตรีมจำนวน 54 บล็อก และบล็อกแบบสตรีมเดียวเป็นศูนย์ ตามการกำหนดค่าการอนุมาน

• ความกว้าง — ขนาด hidden 2,048 โดยมี attention head 16 หัว หัวละ 128 มิติ และขยาย feed-forward 4× เป็น 8,192

• การเข้ารหัสตำแหน่ง — 3D RoPE ที่มีมิติ [16, 56, 56] และ theta 256

• เส้นทางข้อความ — องค์ประกอบแบบจำลองภาษาของ Qwen2.5-VL-7B-Instruct ซึ่งสถานะซ่อนขนาด 3,584 มิติ ผ่านตัวปรับแต่งโทเค็นสองชั้น และถูกฉายเข้าสู่ปริภูมิ DiT ขนาด 2,048 มิติ

• เส้นทางกล้อง — extrinsics ขนาด 4×4 ที่ปรับให้เป็นค่าปกติ จัดกลุ่มรวมกันในสี่เฟรมและ flatten เป็น 64 มิติ นำไปใช้ผ่าน cross-attention ในทุกบล็อก

• ค่าลีเทนต์ — DCAE-V f32t4c32: 32 ช่อง, การบีบอัดเชิงพื้นที่ 32×, การบีบอัดเชิงเวลา 4×

• Decoder — PixelUMM ที่ผ่านการ fine-tuned จำนวน 36 เลเยอร์ ขนาดฮิดเดน 4,096 หัว query 32 หัว และหัว KV 8 หัว โดยรันหนึ่งขั้นตอนการถอดรหัสบนหน้าต่างเฟรมแฝงขนาด 10 เฟรมที่มีส่วนทับซ้อน 5 เฟรม

• เอาต์พุต — 720 × 1280 ที่ 24 FPS โดยใช้ 8 ขั้นตอนการลดสัญญาณรบกวนในคอนฟิกแบบกลั่น; โค้ดรีโพซิทอรีระบุว่าเช็กพอยต์แบบกลั่นรองรับ 4, 6 หรือ 8 ขั้นตอน

• ใบอนุญาต — Apache 2.0 โดยตัวเข้ารหัสข้อความ Qwen ยังคงอยู่ภายใต้ข้อกำหนดของตนเอง

ตัวเลขหนึ่งที่ Tencent ไม่เคยระบุคือจำนวนพารามิเตอร์ทั้งหมด ตัวเลขที่ใกล้เคียงที่สุดนั้นได้มาจากการคำนวณมากกว่าการประกาศเผยแพร่: checkpoint ของ DiT แบบ fp32 ขนาด 34.2 GB คำนวณออกมาได้ราว 8.5 พันล้านพารามิเตอร์ที่ 4 ไบต์ต่อพารามิเตอร์ และบิลด์ INT8 ขนาด 9.06 GB ก็สอดคล้องกับตัวเลขนี้ ควรถือว่าเป็นการคำนวณทางคณิตศาสตร์จากขนาดไฟล์ ไม่ใช่ข้อกล่าวอ้างจากเอกสารสเปก — ผู้จำหน่ายไม่ได้ยืนยันเรื่องนี้ที่ใดเลย

ค่าใช้จ่ายในการดำเนินการคือเท่าไร ซึ่งเป็นด่านตัดสินที่แท้จริง

ไม่มีส่วนใดของรีลีสนี้ที่เป็นปฏิปักษ์ต่อคนภายนอก แต่การติดตั้งใช้งานตามค่าเริ่มต้นถือว่าคุณมีโหนด ไม่ใช่แล็ปท็อป การกำหนดค่าการอนุมานมาตรฐานใช้การทำขนานลำดับแบบ 8 ทาง ดังนั้นการเปิดใช้งานตามค่าเริ่มต้นจึงต้องใช้ GPU แปดตัวในกลุ่มการอนุมานเดียว README ระบุเรื่องนี้อย่างตรงไปตรงมาแทนที่จะซุกซ่อนไว้

มีเส้นทางการใช้งาน GPU เดียวอย่างแท้จริง และนี่คือวิศวกรรมที่น่าสนใจที่สุดในรีลีสนี้ มันทำงานบน RTX 4090 ตัวเดียวโดยผสมผสานสี่เทคนิคเข้าด้วยกัน: น้ำหนักของ DiT รวมถึงคีย์และแวลูที่แคชไว้ถูกเก็บในรูปแบบ INT8 ขณะที่การคำนวณยังคงเป็น BF16, ตัวถอดรหัสทำงานใน FP8 ผ่าน CUTLASS, ตัวเข้ารหัสข้อความและเครือข่ายทั้งสองสลับไปมาระหว่าง CPU และ GPU สำหรับแต่ละสเตจของตัวเอง และประวัติการใช้งานบน GPU ที่แอ็กทีฟถูกจำกัดไว้ที่ 18 latent frame โดยประวัติที่เก่ากว่าจะถูกเก็บถาวรไว้ใน RAM ของระบบ ข้อแลกเปลี่ยนสุดท้ายนี้คือสิ่งที่ต้องทำความเข้าใจก่อนจะวางแผนโดยอิงกับมัน: คลังเก็บข้อมูลยังคงเติบโตต่อไป งบประมาณ 18 เฟรมเป็นเพียงขอบเขตของสิ่งที่อยู่บน GPU เท่านั้น และหน่วยความจำของเซกเมนต์ปัจจุบันไม่ได้ถูกจำกัดด้วยจำนวนนี้เลย Tencent ระบุตรงๆ ว่าการถ่ายโอนข้อมูลระหว่าง CPU–GPU เพิ่มความหน่วง และหน่วยความจำ GPU สูงสุดจะแปรผันตามความละเอียดและความยาวของเซกเมนต์

การคำนวณปริมาณดาวน์โหลดนั้นมาจากขนาดไฟล์ เส้นทางเดโมตามเอกสารต้องใช้ DiT แบบกลั่น (34.2 GB), ตัวถอดรหัส PixelUMM ที่เข้ากัน (31.55 GB), DCAE-V (4.28 GB) และอีกประมาณ 16 GB สำหรับตัวเข้ารหัส Qwen — รวมประมาณ 86 GB ก่อนที่คุณจะสร้างอะไรเลย เส้นทาง GPU เดียวจะสลับไปใช้ DiT แบบ INT8 และตัวถอดรหัส FP8 เพื่อลดพื้นที่ใช้งานลงอย่างมาก เหลือใกล้ ๆ 38 GB บวกตัวเข้ารหัส อะแดปเตอร์ LoRA สองตัวเป็นการซื้อพื้นที่ดิสก์แยกต่างหาก: อะแดปเตอร์แนวภาพยนตร์ขนาด 6.12 GB และอะแดปเตอร์หุ่นยนต์ขนาด 12.24 GB ที่เทรนบนชุดข้อมูลแขนคู่ RealSource-World ทั้งคู่ตั้งใจให้รวมเข้ากับ DiT แบบจำนวนจุดลอยตัว ตัวโหลด INT8 ไม่สามารถรับ LoRA แยกต่างหากได้ในเวลาอินเฟอเรนซ์ ดังนั้นสองเส้นทางนี้จึงใช้ร่วมกันไม่ได้

ข้อกำหนดด้านสภาพแวดล้อมก็เฉพาะเจาะจงไม่แพ้กัน: Linux, Python 3.12 หรือใหม่กว่า, CUDA 13.0 Toolkit, PyTorch 2.10.0 และบิลด์ของ FlashAttention 2, FlashAttention 3 และ MagiAttention อิมเมจที่สร้างไว้ล่วงหน้า hynomasoss/hynomasoss:cu130ได้รับการแนะนำให้ใช้แทนแนวทางติดตั้งด้วยตนเอง — โดยมีเหตุผลคือการคอมไพล์เคอร์เนล attention การกำหนดค่าการฝึกในรีพอซิทอรีโค้ดนั้นไปไกลกว่านั้น: DP16 × SP8, 128 GPUs, ลำดับที่แพ็กไว้ถึง 360,000 โทเคน ไม่ว่าคุณจะทำอะไรกับเวทต์ คุณก็ไม่สามารถฝึกโมเดลนี้ใหม่ที่บ้านได้

เบนช์มาร์กที่ Tencent เปิดตัวโดยไม่มีคะแนน

Hy-Nomas-Bench ไม่ใช่สิ่งที่เพิ่มเข้ามาทีหลัง แต่เป็นชุดข้อมูลจริง: ชุดการประเมินสี่ชุดที่ครอบคลุมการโต้ตอบข้อความแบบอิสระหลายรอบ การนำทางด้วยกล้อง การควบคุมข้อความและกล้องแบบสลับกัน และความจำเชิงพื้นที่ พร้อมกรณีทดสอบ 280 กรณี วิถีกล้องอ้างอิง 220 วิถี พรอมต์แบบมีโครงสร้าง ลำดับการโต้ตอบ และไทม์ไลน์แป้นพิมพ์ เผยแพร่เป็น JSON ภายใต้ Apache 2.0 และจัดแบ่งเป็นสปลิตสำหรับการประเมินเท่านั้น โดยเปิดตัวราวสองชั่วโมงก่อนที่น้ำหนักโมเดลจะเปิดตัว

สิ่งที่ไม่ได้มาพร้อมกับมันคือตารางผลลัพธ์ ไม่มีตารางอันดับ ไม่มีคะแนนแยกตามชุดทดสอบ ไม่มีการเปรียบเทียบกับโมเดลอื่นใด และไม่มีสัญญาณใด ๆ ว่าจะมีสิ่งเหล่านี้ตามมา และการ์ดนี้ก็ระมัดระวังในลักษณะที่อ่านได้ว่าจงใจ: หลังจากระบุสถาปัตยกรรมและค่าเริ่มต้นการสุ่มแล้ว ก็เพิ่มอีกหนึ่งบรรทัด — "สถาปัตยกรรมและค่าเริ่มต้นการสุ่มเป็นรายละเอียดการกำหนดค่า ไม่ใช่ผลการทดสอบมาตรฐาน"

ประโยคนั้นทำหน้าที่สำคัญจริง ๆ มันหมายความว่าขั้นตอนการลดนอยซ์แปดขั้น ความละเอียด 720 × 1280 และสเกลการชี้นำกล้องที่ 1.0 ไม่ใช่หลักฐานของคุณภาพ และ Tencent กำลังปฏิเสธที่จะให้สิ่งเหล่านี้ถูกตีความเช่นนั้น สำหรับใครก็ตามที่ประเมินโมเดล ผลในทางปฏิบัติตรงไปตรงมา: คุณสามารถรันการประเมินด้วยตัวเองได้ และจนกว่าจะถึงตอนนั้น คุณก็ไม่สามารถวาง Hy-Nomas เทียบกับสิ่งอื่นใดในแง่ตัวเลขได้ ชุดทดสอบนี้คือสิ่งที่ควรดาวน์โหลดหากคุณต้องการคำตัดสิน เพราะไม่มีใครยื่นคำตัดสินนั้นให้คุณ

ตำแหน่งของมันเมื่อเทียบกับโมเดลโลกเปิดอื่น ๆ

วงการนี้เคลื่อนไปอย่างรวดเร็วในปี 2026 และการเปรียบเทียบที่สำคัญไม่ใช่จำนวนพารามิเตอร์ แต่เป็นหลักฐานที่แต่ละรุ่นนำมาด้วย

• น้ำหนักโมเดลและสัญญาอนุญาต — Hy-Nomas ใช้ Apache 2.0 โดยไม่มีข้อจำกัดการเข้าถึง LingBot-World จาก Ant Group เปิดตัวน้ำหนักโมเดลแบบเปิดในปลายเดือนมกราคม 2026 และถูกนำเสนอว่าเป็นโมเดลเปิดตัวแรกที่เทียบได้กับ Genie 3 แบบปิดของ Google

• รูปแบบการควบคุม — Hy-Nomas ให้ความสำคัญกับข้อความเป็นหลัก พร้อมด้วยวิถีกล้องทีละส่วน ส่วน LingBot-World และตระกูล Genie 3 เน้นการควบคุมตัวละครหรือกล้องด้วยคีย์บอร์ดและเมาส์แบบเรียลไทม์ ซึ่งเป็นรูปแบบการปฏิสัมพันธ์ที่แตกต่างออกไป: การเล่นอย่างต่อเนื่องเทียบกับการสร้างแบบกำหนดทิศทาง

• ข้อกำหนดขั้นต่ำด้านฮาร์ดแวร์ — Hy-Nomas ต้องการ GPU แปดตัวเป็นค่าเริ่มต้น หรือ RTX 4090 หนึ่งตัวพร้อมประวัติที่จำกัดขนาด Astronex-World 1.0 ซึ่งเผยแพร่ในเดือนกันยายน 2026 รายงานว่าสามารถสตรีมแบบเรียลไทม์บน L20 ขนาด 48 GB เพียงตัวเดียวที่ 832 × 480 ซึ่งเป็นเกณฑ์ที่ต่ำกว่าอย่างเห็นได้ชัด

• หลักฐาน — นี่คือจุดที่ Hy-Nomas ยืนอยู่อย่างโดดเดี่ยวในคอลัมน์ที่ผิด LingBot-World เปิดตัวพร้อมตัวเลขปริมาณงานและความหน่วงที่รายงานไว้ ส่วน Astronex-World เปิดตัวพร้อมบทความ arXiv และตัวเลขผลการทดสอบมาตรฐาน ขณะที่ Hy-Nomas มีรายงานทางเทคนิคที่ขึ้น 404 และไม่มีคะแนนใด ๆ เลย

• {{1}}Lineage{{/1}} — ความพยายามเชิงโต้ตอบแบบเปิดครั้งก่อนของ Tencent อย่าง HY-WorldPlay ทำงานจากภาพเริ่มต้นพร้อมข้อมูลท่าทางและการกระทำที่ 720p และ 24 FPS Hy-Nomas ไม่ใช่โมเดลเดียวกันที่เปลี่ยนชื่อใหม่ ลูปข้อความแบบหลายรอบและโครงสร้างพรอมป์แบบแยกตามเซกเมนต์เป็นของใหม่ และการ์ดไม่ได้อ้างว่าสืบทอดมาจากโมเดลนั้น

ไม่มีสิ่งใดในนั้นที่ชี้ขาดเรื่องคุณภาพได้ โมเดลหนึ่งอาจยอดเยี่ยมและไม่มีเอกสารกำกับ และความเงียบของ Tencent ก็ไม่ใช่หลักฐานไม่ว่าทางใด — มันเพียงหมายความว่าภาระการพิสูจน์ได้ย้ายไปอยู่กับใครก็ตามที่ดาวน์โหลดมัน

ตอนนี้ใครควรแตะต้องมัน และใครควรรอ

หากคุณมีโหนดแปด GPU และปัญหาของคุณคือสถานะโลกที่มนุษย์แก้ไขระหว่างการสร้าง เช่น ฉากที่เพิ่มวัตถุเข้ามาที่วินาทีที่สี่ กล้องที่หมุนเพราะคุณสั่งให้หมุน หรือโลกที่คงรูปทรงเรขาคณิตไว้ขณะที่คุณเปลี่ยนสภาพอากาศ นี่คือ implementation แบบเปิดที่ตรงที่สุดของแนวคิดนั้นที่ดาวน์โหลดได้ในปัจจุบัน และเงื่อนไข Apache 2.0 หมายความว่าคุณสามารถต่อยอดจากมันได้โดยไม่ต้องเจรจา LoRA สำหรับ robotics เป็นสัญญาณว่า Tencent คาดหวังให้มันถูกใช้ที่ไหน: โลกจำลองสำหรับการฝึกแบบ embodied ไม่ใช่วิดีโอโซเชียล

ถ้าคุณต้องการตัวเลขก่อนตัดสินใจ ก็รอไปก่อน ไม่ใช่เพราะโมเดลน่าสงสัย แต่เพราะยังไม่มีอะไรให้อ้างอิง การทำ benchmark ที่คุณต้องรันเองต้องใช้เวลางานวิศวกรรมหนึ่งสัปดาห์ และรายงานทางเทคนิคเมื่อออกมา ก็อาจเปลี่ยนสิ่งที่คุณจะวัดไปก็ได้

มีคำถามเชิงปฏิบัติที่เล็กลงเกี่ยวกับโมเดลนี้ที่ควรเอ่ยถึง เพราะมันสร้างปัญหาให้ใครก็ตามที่พยายามทำเดโมซ้ำ เว็บเดโมส่งทุกคำสั่งผ่าน Nomas-PE ซึ่งเป็นบริการแยกต่างหากขนาด 55.6 GB ที่แปลงถ้อยคำผู้ใช้แบบหลวม ๆ ให้เป็น JSON เซกเมนต์แบบมีโครงสร้างที่ DiT คาดหวัง และ Tencent ระบุว่าเดโมต้องใช้มัน การอนุมานแบบออฟไลน์ข้ามขั้นตอนนั้นและให้คุณเขียนพรอมป์แบบมีโครงสร้างด้วยตัวเอง หากคุณกำลังสร้างฟรอนต์เอนด์ของคุณเอง ชั้นการสร้างพรอมป์นั้นคือการเรียกโมเดลภาษาธรรมดา ๆ — และส่วนนั้น ต่างจากสแต็กวิดีโอ เป้นโครงสร้างพื้นฐานแบบสินค้าโภคภัณฑ์ OrcaRouter ไม่ให้บริการ Hy-Nomas — สแต็ก diffusion แบบโฮสต์เองขนาด 196 GB ไม่ใช่สิ่งที่เส้นทาง API มีไว้สำหรับ สิ่งที่มันจัดเส้นทางคือฝั่งข้อความรอบ ๆ — คีย์เดียวสำหรับโมเดล 200 กว่าตัวโดยบวกเพิ่ม 0% จากราคาลิสต์ของผู้ให้บริการ พร้อมการสลับอัตโนมัติเมื่อล้มเหลว — ดังนั้นขั้นตอนการเขียนพรอมป์ใหม่หรือการสร้างคำบรรยายเอาต์พุตที่อยู่หน้าโมเดลวิดีโอแบบโฮสต์เอง จึงไม่จำเป็นต้องมีสัญญากับผู้ขายของตัวเอง

คำถามที่ยังเปิดอยู่ และสิ่งที่อาจทำให้บทความนี้เปลี่ยนแปลง

มีสี่เรื่องที่ยังไม่เป็นที่ทราบกันจริง ๆ และแต่ละเรื่องมีหลักฐานวัตถุเฉพาะที่จะไขข้อสงสัยนั้นได้

ข้อแรกคือคุณภาพ Hy-Nomas-Bench มีอยู่แล้ว ดังนั้นตารางผลลัพธ์ที่เผยแพร่จึงเป็นขั้นตอนถัดไปที่ชัดเจน และการที่ยังไม่มีตารางดังกล่าวคือช่องว่างที่ใหญ่ที่สุดระหว่างรีลีสนี้กับรีลีสที่สามารถอ้างอิงได้

ประการที่สองคือความเร็ว ไม่มีตัวเลขเวลาแฝงปรากฏอยู่ที่ใดเลยในการ์ด มีเพียงอัตราการเล่นเท่านั้น จะต้องมีคนวัด time-to-first-segment บนฮาร์ดแวร์จริง และคอนฟิกูเรชันแบบกลั่นตัวแปดขั้นเมื่อเทียบกับโมเดล autoregressive ฐานนั้นเป็นความแตกต่างที่ควรค่าแก่การวัดเป็นปริมาณมากกว่าการสันนิษฐาน

ประการที่สามคือการสนับสนุนด้านระบบนิเวศ รีโพซิทอรีมีแท็ก diffusers แต่เส้นทางที่เอกสารระบุคือแพ็กเกจ hymm ของ Tencent เอง และอิมเมจ Docker ที่สร้างขึ้นโดยเฉพาะ; ไม่มีการระบุรันไทม์ของบุคคลที่สามว่าได้รับการสนับสนุน การที่สิ่งนี้จะได้รับคลาสไปป์ไลน์ในไลบรารีกระแสหลัก เช่นเดียวกับที่โมเดลวิดีโอโอเพนซอร์สส่วนใหญ่ทำในที่สุดหรือไม่ เป็นตัวตัดสินว่ามันจะยังคงเป็นชิ้นงานวิจัยหรือกลายเป็นเครื่องมือ

ข้อที่สี่คือ Tencent จะออกมาพูดอะไรหรือไม่ รายงานทางเทคนิคมีป้ายว่า “เร็ว ๆ นี้” และปัจจุบันขึ้น 404 ไม่มี preprint บน arXiv และไม่มีความครอบคลุมจากสื่อใด ๆ ณ วันที่ 23 ตุลาคม เป็นไปได้อย่างยิ่งที่บริษัทกำลังรอเอกสารหรือผลิตภัณฑ์ที่โฮสต์ไว้ก่อนจะโปรโมตสิ่งใด ๆ เหล่านี้ และเป็นไปได้เช่นกันว่าการเปิดตัวเป็นไปตามที่เห็น: เผยแพร่เวตเพื่อเป็นบันทึกไว้ โดยเลื่อนการประกาศออกไป

ไม่ว่าจะทางไหน การดาวน์โหลดก็เปิดให้ใช้แล้ว สัญญาอนุญาตก็เป็นแบบผ่อนปรน และเดโมก็รับคำสั่งได้แล้ววันนี้ สำหรับโมเดลที่ไม่มีใครประกาศ นั่นมากกว่าที่การเปิดตัวแบบเงียบ ๆ ส่วนใหญ่มีให้ — และน้อยกว่าการเปิดตัวเต็มรูปแบบอย่างมาก