Hy-Nomas: Mô hình Free-Form Interactive World Model của Tencent thực sự làm được gì

Điều hữu ích nhất cần hiểu về Hy-Nomas là nó không tạo ra một video. Nó tạo ra bốn giây tiếp theo của một video, cho bạn xem, chờ chỉ dẫn của bạn, rồi tạo ra bốn giây sau đó — mang theo mọi thứ nó đã kết xuất trong bộ nhớ đệm để góc phố mà bạn rẽ vào hai phút trước vẫn có đúng cửa hàng đó. Tencent Hunyuan đã công bố trọng số, mã suy luận, quy trình tinh chỉnh, một bộ đánh giá 280 trường hợp và bản demo trên trình duyệt trong khoảng ngày 21 đến 23 tháng 10 năm 2026, theo Apache 2.0, không có bài đăng công bố và không có kết quả đánh giá. Bộ sưu tập của chính thẻ mô hình có một đoạn clip dài sáu mươi giây, năm lượt, tên là clockwork-flight; đoạn clip đó giải thích sản phẩm tốt hơn cả kho lưu trữ lẫn bài báo vẫn chưa được công bố.

Phần sau là một bài đi qua những gì thực sự đã được phát hành, cách vòng lặp tương tác được xây dựng và con số duy nhất mà bản phát hành không chứa. Bài viết được thực hiện dựa trên kho mã, thẻ mô hình và các tệp cấu hình đã phát hành — không dựa trên một lần chạy thử trực tiếp, vì tính đến ngày 24 tháng 10, chưa có đánh giá độc lập nào về Hy-Nomas để trích dẫn.

Bốn hiện vật, chỉ một trong số đó là mô hình

Tencent đã phát hành một gói, và chính gói này là câu chuyện. Hiện vật đầu tiên là bộ checkpoint trên Hugging Face, khoảng 196 GB bao gồm DiT tự hồi quy cơ sở, một DiT chưng cất, bản dựng INT8, bộ tự mã hóa video DCAE-V, bộ giải mã PixelUMM được tinh chỉnh ở FP32 và FP8, và bộ tăng cường lời nhắc Nomas-PE. Thứ hai là kho GitHub: một bộ khung suy luận, một bộ khung tạo chú thích để xây dựng dữ liệu tinh chỉnh, đóng gói chuỗi ngoại tuyến, một trình huấn luyện LoRA và một tập lệnh hợp nhất. Thứ ba là Hy-Nomas-Bench, một bộ đánh giá 280 trường hợp trong bốn hạng mục với khoảng 220 quỹ đạo camera tham chiếu. Thứ tư là bản demo tại hy-nomas.hy.tencent.com, nơi bạn di chuyển qua một cảnh được tạo bằng WASD hoặc kéo chuột.

Sự kết hợp đó thật bất thường đối với một bản phát hành mô hình thế giới. Hầu hết đều công bố một bài báo và một thư viện ảnh. Tencent đã công bố bộ máy và để trống phần đánh giá. Nếu bạn muốn biết Hy-Nomas có tốt hay không, giờ bạn có thể tự tìm hiểu; bạn vẫn chưa thể đọc được câu trả lời.

Vòng lặp: từng phân đoạn một, với quá khứ được giữ trong bộ nhớ đệm

Hy-Nomas là một transformer khuếch tán tự hồi quy theo phân đoạn. Nó kết xuất một đoạn video ngắn, nối đoạn đó vào phiên, rồi đặt điều kiện cho đoạn kế tiếp dựa trên một KV cache trọn đời lưu giữ các latent trước đó cùng khóa và giá trị của chúng. Đó là lý do mô hình có thể giữ một cảnh nhất quán qua các lượt mà không cần một mô-đun bộ nhớ riêng hay một bước truy xuất: lịch sử nằm bên trong ngữ cảnh attention, và nó lớn dần.

Kiến trúc bên dưới là một MMDiT hai luồng gồm 54 khối với kích thước ẩn 2.048, 16 đầu chú ý và embedding vị trí quay 3D. Văn bản được mã hóa bởi Qwen2.5-VL-7B-Instruct. Thông số ngoại tại của camera đi vào qua cross-attention thay vì được nhúng sẵn vào prompt văn bản, điều này có ý nghĩa đối với phần điều khiển được trình bày bên dưới. Tencent không nêu số lượng tham số; checkpoint FP32 có dung lượng 34,2 GB, ngụ ý khoảng 8,5 tỷ tham số nếu giả định lưu trữ 32-bit và không có trạng thái optimizer — đây là phép tính, không phải tuyên bố của nhà cung cấp, và nên được coi là ước lượng chứ không phải thông số kỹ thuật.

• Đầu ra — 720 × 1280 ở 24 FPS, với con số 24 FPS mô tả tốc độ phát lại, không phải tốc độ tạo.

• Khử nhiễu — 8 bước trong cấu hình chưng cất; mã chấp nhận 4, 6 hoặc 8

• Các latent — DCAE-V 32 kênh, được giải mã bởi bộ giải mã PixelUMM đã tinh chỉnh; có cung cấp bộ giải mã FP8

• Ngữ cảnh — một KV cache trọn đời được mang qua các phân đoạn, chứ không phải một cửa sổ cố định bị đặt lại

Hai vô lăng, và chỉ một trong số đó là một câu lệnh.

Kênh văn bản là tự do và đa lượt. Bạn có thể thêm một đối tượng, thay đổi thời tiết, đổi phong cách cho cảnh hoặc mô tả một hành động, và chỉ dẫn sẽ được áp dụng từ phân đoạn tiếp theo thay vì kết xuất lại những gì đã có trước đó. Cách diễn đạt của chính kho lưu trữ là "điều khiển lời nhắc văn bản đa lượt dạng tự do" — điểm mấu chốt là lời nhắc không phải chú thích một lần cho một clip mà là một lượt trong cuộc hội thoại với thế giới.

Kênh camera là kênh thú vị hơn, vì nó không phải là ngôn ngữ. Bạn cung cấp một quỹ đạo các thông số ngoại của camera, và mô hình kết xuất thế giới từ đường đi đó trong khi lời nhắc văn bản tiếp tục mô tả những gì có trong đó. Văn bản và camera có thể được dùng cùng nhau: một lời nhắc nói "khu chợ đang đóng cửa" và một quỹ đạo đi dọc lối đi là hai đầu vào riêng biệt được kết hợp. Đây là khác biệt cụ thể giữa Hy-Nomas và một mô hình văn bản-thành-video. Một mô hình văn bản-thành-video suy ra chuyển động camera từ văn xuôi và hy vọng; Hy-Nomas được cho biết camera đi đâu.

Còn một cơ chế điều khiển thứ ba, kín đáo hơn: Nomas-PE, một trình tăng cường lời nhắc trực tuyến, viết lại một chỉ dẫn ngắn gọn thành thứ mà mô hình có thể dựa vào hiệu quả hơn. Nó là tùy chọn, và đây là kiểu thành phần cho bạn biết các chế độ lỗi nằm ở đâu — nếu mô hình cơ sở xử lý tốt một lời nhắc năm từ, thì trình tăng cường này đã không tồn tại.

Tính năng mà không ai đang bàn tới: một LoRA theo lĩnh vực chỉ trong 2.000 bước

Hai bộ adapter được phát hành kèm theo bản phát hành này. LoRA Cinematic được hợp nhất vào DiT đã chưng cất để cải thiện chất lượng hình ảnh. LoRA Robotics được huấn luyện trên bộ dữ liệu tay máy robot RealSource-World và được hợp nhất vào cùng checkpoint đã chưng cất đó để cải thiện các cảnh thao tác. Tencent công bố công thức: rank và alpha 256, dropout bằng không, Muon với tốc độ học không đổi 1e-4 trong 2.000 bước, chỉ huấn luyện các tham số LoRA, sử dụng một kỹ thuật gọi là segment forcing, sau đó hợp nhất adapter vào các trọng số đã chưng cất để suy luận.

Đây là phần có chu kỳ bán rã dài nhất. Một lần thích ứng 2.000 bước trên một lĩnh vực duy nhất đủ rẻ để một studio có phong cách nhận diện riêng, một phòng thí nghiệm robot với cánh tay riêng, hay một đội game với chỉ đạo nghệ thuật cụ thể có thể chuyên biệt hóa mô hình mà không cần động đến trọng số gốc. Nó cũng mang lại cho bản phát hành một quỹ đạo cộng đồng khả tín mà một mô hình đóng không thể có: hãy kỳ vọng những kết quả Hy-Nomas thú vị trong tháng tới sẽ đến từ các bản hợp nhất LoRA, chứ không phải từ checkpoint gốc.

Chi phí để chạy: tám GPU, hoặc một 4090 với những nhượng bộ

Cấu hình mặc định là tám GPU với song song chuỗi tám chiều. Còn chế độ ít bộ nhớ mới là thứ gây chú ý: một chiếc RTX 4090 duy nhất, dùng trọng số DiT INT8 và bộ nhớ đệm KV INT8, giới hạn lịch sử theo cửa sổ trượt, offload CPU, FlexAttention cho DiT và CUTLASS FP8 cho giải mã, với song song chuỗi bị tắt. Tencent cảnh báo rằng offload CPU cần đủ RAM hệ thống và làm tăng chi phí truyền dữ liệu — một cách nói lịch sự rằng chế độ một GPU là có thật nhưng không hề miễn phí.

Dung lượng tải xuống cũng khác nhau tùy theo từng lộ trình. Lộ trình demo được tài liệu hóa tải khoảng 86 GB; lộ trình ít bộ nhớ cần khoảng 38 GB cộng với text encoder. Cả hai đều không phải thứ có thể tải về máy laptop, và cả hai đều không đi kèm endpoint được host. Không có API, không có giá theo giây và không có dịch vụ được quản lý từ Tencent cho Hy-Nomas — bạn tự chạy nó, hoặc không dùng nó.

• Phục vụ mặc định — 8 GPU, song song chuỗi 8 hướng; ví dụ huấn luyện dùng 128 GPU dưới dạng 16 bản sao song song dữ liệu × 8 song song chuỗi

• Phục vụ trên một GPU — RTX 4090 với DiT INT8, bộ nhớ đệm KV INT8, bộ giải mã FP8, lịch sử cửa sổ trượt và giảm tải sang CPU

• Dung lượng — khoảng 196 GB cho toàn bộ bộ checkpoint, 86 GB cho quy trình demo đã được tài liệu hóa, 38 GB cộng với bộ mã hóa văn bản cho cấu hình bộ nhớ thấp

• Chi phí — không có bảng giá từ nhà cung cấp; chi phí chính là số giờ GPU của bạn

Nếu bạn đang xây dựng quanh một mô hình trọng số mở như thế này, những phần không phải mô hình vẫn cần một bộ công cụ: tạo chú thích, tăng cường prompt, khung đánh giá và bất kỳ LLM nào nằm trong vòng lặp agent quyết định chỉ thị tiếp theo. Lớp đó là nơi một API duy nhất khẳng định được vị trí của mình — OrcaRouter đưa 200+ mô hình được host sau một khóa với 0% phụ giá, chuyển nguyên giá niêm yết của nhà cung cấp, và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm, để việc điều phối xung quanh một mô hình thế giới tự lưu trữ không cần hợp đồng thứ hai cho mỗi lệnh gọi phụ trợ. Bản thân Hy-Nomas không có trong danh mục của chúng tôi; trọng số là của nhà cung cấp, và chúng tôi sẽ không giả vờ điều khác.

Số còn thiếu

Hy-Nomas-Bench là thật. Nó có 280 trường hợp thuộc bốn hạng mục — điều khiển văn bản đa lượt, điều hướng camera, điều khiển xen kẽ văn bản và camera, và bộ nhớ không gian — cùng khoảng 220 quỹ đạo camera tham chiếu. Điều nó không có là một bảng kết quả. Kho lưu trữ liên kết tới bộ dữ liệu; trang bộ dữ liệu không có điểm số nào; liên kết báo cáo kỹ thuật không dẫn đến đâu cả và README ghi “Sắp ra mắt”. Thẻ mô hình của Tencent mô tả kiến trúc và các mặc định lấy mẫu, và đó là những chi tiết cấu hình chứ không phải kết quả benchmark.

Sự thiếu vắng đó không phải là một vụ bê bối, nhưng nó thay đổi điều mà một câu nói công bằng về mô hình này có thể khẳng định. “Hy-Nomas tạo video 720 × 1280 ở 24 FPS với tám bước khử nhiễu” là một thông số kỹ thuật bạn có thể kiểm chứng từ cấu hình. “Hy-Nomas duy trì tính nhất quán trong khoảng thời gian dài” là một tuyên bố thiết kế, được hỗ trợ bởi một clip demo, không phải kết quả đo lường. “Hy-Nomas đánh bại mô hình X” không phải là tuyên bố mà bất kỳ ai hiện có thể đưa ra, vì cả hai phía của phép so sánh đó đều chưa có con số được công bố trên cùng một bài kiểm tra.

Vị thế trung thực, ba ngày sau khi các trọng số xuất hiện, là Hy-Nomas là một bản phát hành năng lực được tài liệu hóa đầy đủ với một tuyên bố chất lượng chưa được đánh giá. Tài liệu đủ tốt để tái tạo nó. Phần đánh giá đủ tốt để bạn tự chạy. Kết luận đang thiếu, và nó thiếu có chủ đích hoặc do vội vàng — dù thế nào, đó không phải việc của chúng ta để tự nghĩ ra.

Cần chú ý điều gì và nên làm gì ngay bây giờ

Ba điều sẽ thay đổi cục diện. Một báo cáo kỹ thuật với số liệu thực tế sẽ biến Hy-Nomas từ một lời khẳng định thành một đường cơ sở. Một làn sóng LoRA từ cộng đồng sẽ cho bạn biết liệu công thức thích ứng 2.000 bước có hiệu quả bên ngoài các ví dụ của chính Tencent hay không. Và một lần tái tạo trên một chiếc 4090 duy nhất — không phải bản demo, mà là một lần chạy có đo lường — sẽ cho bạn biết liệu hướng dùng ít bộ nhớ là dùng được hay chỉ mới khả thi.

Cho đến lúc đó, cách hợp lý để đọc bản phát hành này là theo từng sản phẩm cụ thể, không phải theo tiêu đề. Trọng số thì mở, mã thì chạy được, benchmark chỉ là một cái vỏ, còn bản demo là một cuộc trò chuyện năm lượt với một thế giới có ghi nhớ. Điều đó nhiều hơn những gì hầu hết các phòng thí nghiệm đã phát hành trong tháng này, và ít hơn những gì một bảng benchmark sẽ chứng minh. Nếu bạn có GPU và một lĩnh vực cần được xem xét riêng, công thức LoRA chính là lý do để tải nó ngay hôm nay. Nếu bạn cần một con số trước khi cam kết, con số đó vẫn chưa tồn tại.