Hy-Nomas: Tencent đã mã nguồn mở một mô hình thế giới tương tác và không nói gì về nó

Tencent đã đưa bộ đánh giá và trọng số của Hy-Nomas lên trực tuyến vào sáng nay và đến cuối ngày vẫn chưa công bố một điểm số nào từ cả hai. Đó chính là diện mạo của bản phát hành này. Hy-Nomas là một mô hình thế giới video mà bạn điều khiển bằng chỉ dẫn văn bản và chuyển động camera, từng đoạn một, và trọng số của nó đã được đưa lên Hugging Face lúc 11:18 UTC hôm nay, ngày 23 tháng 10 năm 2026: một commit chứa 196 GB checkpoint Apache-2.0, cùng với một kho mã được đẩy lên lúc 09:01 cùng buổi sáng và một bản demo có thể chơi được. Hai ngày trước đó, cả hai kho đều đã tồn tại và trống rỗng. Không có bài đăng blog, không có mục arXiv, và huy hiệu “Technical Report (Coming Soon)” trên thẻ mô hình liên kết đến một tệp trả về 404. Nhiều giờ sau khi tải lên, trang mô hình hiển thị không lượt thích và không lượt tải xuống, và dấu hiệu duy nhất cho thấy ai đó đã để ý là kho GitHub: tám sao, một commit, không mô tả.

Vậy nên cách diễn đạt trung thực không phải là {{1}}"Tencent đã ra mắt một mô hình thế giới."{{/1}} Mà là: {{2}}Tencent đã công bố trọng số, mã huấn luyện và suy luận, một bộ đánh giá chuẩn, và một trang demo, và vẫn chưa nói một lời nào về điểm số của bất kỳ thứ gì trong đó.{{/2}} Mọi thứ dưới đây hoặc là một dấu thời gian hay kích thước tệp mà bạn có thể tự kiểm chứng, một con số Tencent tự gõ lên thẻ của chính mình, hoặc một chỗ mà tấm thẻ im lặng một cách đáng chú ý. Ba loại được tách riêng một cách có chủ đích, bởi vì trong một đợt phát hành như thế này, sự im lặng mang nhiều thông tin ngang với các thông số kỹ thuật.

Những gì thực sự đã đến, chính xác đến từng giờ

Các hiện vật rất dễ xác định niên đại vì có quá ít và không có cái nào bị chỉnh sửa nhiều.

• Kho mô hình tencent/Hy-Nomas được tạo trên Hugging Face vào 2026-10-21 lúc 02:17:37 UTC và để trống cho đến khi commit duy nhất của nó được đẩy lên vào 2026-10-23 lúc 11:18:04 UTC. Commit đó có dung lượng 196.4 GB trải trên 46 tệp: hai checkpoint DiT fp32 34.2 GB, một DiT INT8 9.06 GB, hai bộ điều hợp LoRA, một bộ giải mã PixelUMM 31.55 GB, bản sinh đôi FP8 9.13 GB của nó, một autoencoder DCAE-V 4.28 GB, một mô hình tăng cường prompt gồm 18 shard tổng cộng 55.6 GB, cùng các thành phần tokenizer và cấu hình thông thường.

• Kho mã nguồn Tencent-Hunyuan/Hy-Nomas được tạo muộn hơn 47 phút, vào lúc 03:04:54 UTC, không có trường mô tả nào được điền. Commit duy nhất của nó được tạo vào ngày 21 tháng 10 nhưng chỉ được đẩy lên hôm nay, lúc 09:01:42 UTC. Kho lưu trữ vẫn hiển thị một commit và không có bản phát hành nào, đồng thời chứa mã huấn luyện, tập lệnh suy luận, một hình ảnh Docker và hướng dẫn triển khai bản demo web.

• Bộ dữ liệu đánh giá chuẩn tencent/Hy-Nomas-Bench được tạo vào 2026-10-22 lúc 05:18:20 UTC và nhận bản commit duy nhất của nó hôm nay lúc 09:10:51 UTC.

• Bản demo tại hy-nomas.hy.tencent.com phản hồi với HTTP 200 và một tiêu đề trang. Đây là phần duy nhất của bản phát hành này dành cho bất kỳ ai bên ngoài một nhóm nghiên cứu.

Sự im lặng này là đặc trưng của mô hình này, không phải của Tencent. Tổ chức Hugging Face của chính công ty thì đang nhộn nhịp: tencent/Hy4-preview từ cuối tháng 8 có 513 lượt thích và khoảng 18.400 lượt tải xuống, còn tencent/Hy-Memory-30B-A3B từ ngày 15 tháng 10 có 297 lượt thích và khoảng 3.300 lượt tải xuống chỉ trong tám ngày. Hy-Nomas, được tải lên trong cùng khoảng thời gian đó và lớn hơn rất nhiều, không có được bất kỳ điều nào trong số đó. Dù lý do nội bộ là gì, đây không phải là một lần ra mắt kém hiệu quả. Đây là một lần ra mắt chưa từng được thử thực hiện.

Hy-Nomas làm được những gì mà một mô hình chuyển văn bản thành video không làm được

Sự khác biệt này quan trọng hơn số lượng tham số, vì đó chính là lý do để quan tâm đến bản phát hành này. Một mô hình văn bản-thành-video thông thường nhận một câu lệnh và trả về một đoạn video; nếu bạn muốn thứ gì đó khác, bạn bắt đầu lại và nhận được một đoạn video không liên quan. Hy-Nomas tạo ra một thế giới dưới dạng chuỗi các phân đoạn và lưu giữ lịch sử của riêng nó.

Cụ thể, thẻ mô tả bốn thứ diễn ra đồng thời. Mỗi đoạn có prompt riêng, nên bạn có thể đưa vào một đối tượng, đổi phong cách, thay đổi bối cảnh hoặc mô tả một hành động ở giữa quá trình sinh thay vì ngay từ đầu. Một bộ đệm khóa/giá trị lâu bền mang lịch sử đã sinh tiến về phía trước, nên một đoạn sau được điều kiện hóa dựa trên những gì đã được tạo ra chứ không phải bị phát minh lại từ đầu. Chuyển động camera là một luồng điều kiện riêng chứ không phải thứ bạn mô tả bằng văn xuôi: bạn cung cấp ma trận camera-tới-thế giới và thông số nội tại, và mô hình chú ý tới chúng trong mọi khối. Và vì các đoạn được sinh tự hồi quy, thế giới có thể tiếp tục mở rộng chừng nào bạn còn tiếp tục đưa cho nó chỉ dẫn.

Định dạng lời nhắc cho thấy điều này theo nghĩa đen đến mức nào. Suy luận ngoại tuyến nhận một danh sách JSON trong đó mỗi mục có một kiểu, một góc nhìn, một danh sách chủ thể, rồi đến các phân đoạn theo thời gian — thời gian bắt đầu và kết thúc, một mô tả hình ảnh dài, và các hành động được chứa bên trong với dấu thời gian riêng của chúng. Phân đoạn đầu tiên thiết lập thế giới; các phân đoạn sau dùng description_change làm trường để nói cách nó nên phát triển. Ví dụ đi kèm dựng một khu rừng phát sáng quanh một chú cáo cam nhỏ, rồi mở ra những bông hoa xanh phát sáng bên cạnh lối đi của nó ở mốc hai giây.

Một con số trên thẻ rất dễ bị đọc nhầm, và chính thẻ đó cũng cảnh báo điều này: con số 24 FPS là tốc độ phát lại của video đầu ra, không phải tốc độ tạo. Tốc độ thực tế của mô hình phụ thuộc vào phần cứng, độ phân giải, độ dài phân đoạn và lượng lịch sử có trong bộ nhớ đệm. Tencent nói thẳng như vậy. Trong một bản phát hành không công bố độ trễ và không công bố điểm số, đó là cách diễn giải trung thực duy nhất cho con số này.

Bảng thông số kỹ thuật mà tấm card đưa ra

Tencent đặc biệt chính xác về kiến trúc, và chính điều đó khiến những kết quả còn thiếu trở nên đáng chú ý đầy ẩn ý.

• Xương sống — 54 khối MMDiT luồng kép và không có khối luồng đơn nào, theo cấu hình suy luận.

• Độ rộng — kích thước ẩn 2,048, với 16 đầu chú ý, mỗi đầu 128 chiều và độ mở rộng feed-forward 4× lên 8,192.

• Mã hóa vị trí — RoPE 3D với các chiều [16, 56, 56] và theta 256.

• Nhánh văn bản — thành phần mô hình ngôn ngữ của Qwen2.5-VL-7B-Instruct, với các trạng thái ẩn 3.584 chiều đi qua bộ tinh chỉnh token hai lớp và được chiếu vào không gian DiT 2.048 chiều.

• Quỹ đạo camera — thông số ngoại 4×4 đã chuẩn hoá được nhóm qua bốn khung hình và làm phẳng thành 64 chiều, được áp dụng bằng cross-attention trong mỗi khối.

• Latent — DCAE-V f32t4c32: 32 kênh, nén không gian 32×, nén thời gian 4×.

• Bộ giải mã — một PixelUMM đã được tinh chỉnh với 36 lớp, kích thước ẩn 4.096, 32 đầu truy vấn và 8 đầu KV, thực hiện một bước giải mã trên các cửa sổ 10 khung tiềm ẩn với độ chồng lấp 5 khung.

• Đầu ra — 720 × 1280 ở 24 FPS, với 8 bước khử nhiễu trong cấu hình chưng cất; kho mã cho biết các checkpoint chưng cất hỗ trợ 4, 6 hoặc 8 bước.

• Giấy phép — Apache 2.0, với bộ mã hóa văn bản Qwen vẫn tuân theo các điều khoản riêng của nó.

Con số duy nhất mà Tencent không bao giờ nêu là tổng số tham số. Con số gần nhất là được suy ra chứ không được công bố: một checkpoint DiT fp32 34,2 GB tương đương khoảng 8,5 tỷ tham số với bốn byte mỗi tham số, và bản dựng INT8 9,06 GB cũng nhất quán với điều đó. Hãy coi đó là phép tính trên dung lượng tệp, không phải là tuyên bố trên bảng thông số kỹ thuật — nhà cung cấp chưa xác nhận điều này ở bất kỳ đâu.

Chi phí để vận hành, đó mới là rào cản thực sự.

Không có gì trong bản phát hành này gây khó dễ cho người ngoài, nhưng cách triển khai mặc định giả định bạn có một node, chứ không phải một laptop. Cấu hình suy luận tiêu chuẩn dùng song song chuỗi 8 hướng, vì vậy cách khởi chạy mặc định của nó yêu cầu tám GPU trong một nhóm suy luận. README nói thẳng về điều đó thay vì giấu đi.

Có một lối chạy GPU đơn thực sự, và đó là phần kỹ thuật thú vị nhất trong bản phát hành. Nó chạy trên một RTX 4090 bằng cách kết hợp bốn thủ thuật: trọng số DiT cùng các khóa và giá trị được cache được lưu ở INT8 trong khi tính toán vẫn ở BF16, bộ giải mã chạy ở FP8 thông qua CUTLASS, bộ mã hóa văn bản và cả hai mạng luân chuyển giữa CPU và GPU cho từng giai đoạn riêng của chúng, và lịch sử GPU đang hoạt động bị giới hạn ở 18 khung latent với lịch sử cũ hơn được lưu trữ trong RAM hệ thống. Đánh đổi cuối cùng đó là điều cần hiểu trước khi lập kế hoạch dựa trên nó: kho lưu trữ vẫn tiếp tục tăng, ngân sách 18 khung chỉ giới hạn những gì nằm trên GPU, và bộ nhớ của phân đoạn hiện tại hoàn toàn không bị giới hạn bởi nó. Tencent nói thẳng rằng việc truyền dữ liệu CPU–GPU làm tăng độ trễ và bộ nhớ GPU đỉnh thay đổi theo độ phân giải và độ dài phân đoạn.

Cách tính dung lượng tải xuống suy ra từ kích thước tệp. Quy trình demo được tài liệu hóa cần DiT đã chưng cất (34,2 GB), bộ giải mã PixelUMM tương ứng (31,55 GB), DCAE-V (4,28 GB) và thêm khoảng 16 GB cho bộ mã hóa Qwen — tổng cộng khoảng 86 GB trước khi bạn tạo ra bất kỳ thứ gì. Quy trình một GPU thay bằng DiT INT8 và bộ giải mã FP8 để có dung lượng nhỏ hơn nhiều, gần 38 GB cộng với bộ mã hóa. Hai bộ chuyển đổi LoRA là các khoản mua dung lượng đĩa riêng: một bộ chuyển đổi điện ảnh 6,12 GB và một bộ chuyển đổi robotics 12,24 GB được huấn luyện trên bộ dữ liệu tay đôi RealSource-World, cả hai đều nhằm được hợp nhất vào một DiT dấu phẩy động. Bộ nạp INT8 không thể nhận một LoRA riêng biệt tại thời điểm suy luận, nên hai quy trình đó không kết hợp được với nhau.

Yêu cầu về môi trường cũng cụ thể không kém: Linux, Python 3.12 trở lên, CUDA 13.0 Toolkit, PyTorch 2.10.0, cùng các bản build của FlashAttention 2, FlashAttention 3 và MagiAttention. Một image dựng sẵn, hynomasoss/hynomasoss:cu130, được khuyến nghị thay vì cách thủ công — lý do là việc biên dịch attention-kernel. Cấu hình huấn luyện trong kho mã còn đi xa hơn: DP16 × SP8, 128 GPU, các chuỗi được đóng gói tới 360.000 token. Dù bạn có làm gì với trọng số, bạn cũng không thể huấn luyện lại mô hình này tại nhà.

Bộ benchmark do Tencent phát hành không có điểm số

Hy-Nomas-Bench không phải là một ý nghĩ thêm sau. Đây là một bộ dữ liệu thực sự: bốn bộ đánh giá bao gồm tương tác văn bản tự do nhiều lượt, điều hướng camera, điều khiển văn bản và camera xen kẽ, và bộ nhớ không gian, với 280 ca kiểm thử, 220 quỹ đạo camera tham chiếu, lời nhắc có cấu trúc, chuỗi tương tác và dòng thời gian bàn phím, được phát hành dưới dạng JSON theo Apache 2.0 và được tổ chức thành các phần chia chỉ dành cho đánh giá. Nó được công bố khoảng hai giờ trước khi các trọng số được phát hành.

Điều mà nó không đi kèm là một bảng kết quả. Không có bảng xếp hạng, không có điểm số theo từng bộ kiểm thử, không có so sánh với bất kỳ mô hình nào khác và không có dấu hiệu nào cho thấy một bảng như vậy sắp xuất hiện. Và tấm thẻ này cẩn trọng theo cách đọc lên có vẻ là có chủ đích: sau khi liệt kê kiến trúc và các giá trị mặc định khi lấy mẫu, nó thêm một dòng — "Kiến trúc và các giá trị mặc định khi lấy mẫu là chi tiết cấu hình, chứ không phải kết quả đánh giá chuẩn."

Câu đó thực sự đang gánh một vai trò. Nó có nghĩa là tám bước khử nhiễu, độ phân giải 720 × 1280 và thang hướng dẫn camera 1.0 không phải bằng chứng về chất lượng, và Tencent đang từ chối để chúng được hiểu theo cách đó. Với bất kỳ ai đang đánh giá mô hình, hệ quả thực tế rất đơn giản: bạn có thể tự chạy đánh giá, và cho đến lúc đó, bạn không thể đặt Hy-Nomas cạnh bất kỳ thứ gì khác dựa trên một con số. Bộ đánh giá là thứ cần tải xuống nếu bạn muốn có một kết luận, vì không ai trao sẵn kết luận đó cho bạn.

Nó nằm ở đâu trong số các mô hình thế giới mở khác

Lĩnh vực này đã tiến rất nhanh trong năm 2026, và phép so sánh đáng quan tâm không phải là số lượng tham số mà là bằng chứng mà mỗi bản phát hành mang theo.

• Trọng số và giấy phép — Hy-Nomas dùng Apache 2.0, không có cơ chế gating. LingBot-World của Ant Group đã phát hành trọng số mở vào cuối tháng 1 năm 2026 và được giới thiệu là mô hình mở đầu tiên có thể sánh ngang với Genie 3 phiên bản đóng của Google.

• {{1}}Cơ chế điều khiển{{/1}} — Hy-Nomas ưu tiên văn bản với quỹ đạo camera, từng phân đoạn một. {{2}}Dòng LingBot-World và Genie 3 dẫn đầu bằng điều khiển nhân vật hoặc camera theo thời gian thực bằng bàn phím và chuột{{/2}}, đây là một mô hình tương tác khác: chơi liên tục so với kiến tạo có định hướng.

• Mức sàn phần cứng — Hy-Nomas muốn tám GPU theo mặc định hoặc một RTX 4090 với lịch sử bị giới hạn. Astronex-World 1.0, xuất bản vào tháng 9 năm 2026, đã báo cáo việc phát trực tuyến theo thời gian thực trên một L20 48 GB duy nhất ở 832 × 480, một ngưỡng thấp hơn rõ rệt.

• Bằng chứng — đây là chỗ Hy-Nomas đứng một mình ở cột sai. LingBot-World được công bố kèm các số liệu về thông lượng và độ trễ; Astronex-World được công bố kèm một bài báo arXiv và các con số benchmark. Hy-Nomas thì báo cáo kỹ thuật bị lỗi 404 và không có bất kỳ điểm số nào.

• Nguồn gốc — HY-WorldPlay, nỗ lực tương tác mở trước đây của Tencent, hoạt động từ một hình ảnh khởi đầu cùng đầu vào tư thế và hành động ở 720p và 24 FPS. Hy-Nomas không phải là cùng một mô hình với tên mới; vòng lặp văn bản nhiều lượt và cấu trúc lời nhắc theo từng phân đoạn là mới, và thẻ không tuyên bố kế thừa từ nó.

Không điều nào trong số đó giải quyết được chất lượng. Một mô hình có thể xuất sắc mà không có tài liệu, và sự im lặng của Tencent không phải bằng chứng theo bất kỳ hướng nào — nó chỉ có nghĩa là gánh nặng chứng minh đã chuyển sang cho bất kỳ ai tải nó xuống.

Ai nên chạm vào nó bây giờ, và ai nên chờ?

Nếu bạn có một node tám GPU và vấn đề của bạn là trạng thái thế giới mà con người chỉnh sửa giữa chừng trong lúc sinh — một cảnh có thêm một vật thể ở giây thứ tư, một camera quay đi vì bạn bảo nó làm vậy, một thế giới giữ nguyên hình học trong khi bạn thay đổi thời tiết — thì đây là bản triển khai mở trực tiếp nhất của ý tưởng đó hiện có thể tải xuống, và các điều khoản Apache 2.0 nghĩa là bạn có thể xây dựng dựa trên nó mà không cần đàm phán. LoRA robotics là một tín hiệu về nơi Tencent kỳ vọng nó sẽ được dùng: các thế giới mô phỏng cho huấn luyện embodied, chứ không phải video mạng xã hội.

Nếu bạn cần một con số trước khi quyết định, hãy chờ. Không phải vì mô hình đáng ngờ, mà vì không có gì để trích dẫn. Một benchmark bạn phải tự chạy là cả một tuần kỹ thuật, và báo cáo kỹ thuật, khi nó xuất hiện, có lẽ sẽ thay đổi thứ mà bạn lẽ ra đã đo.

Có một câu hỏi vận hành nhỏ hơn xoay quanh mô hình này đáng được gọi tên, vì nó gây khó cho bất kỳ ai cố tái tạo bản demo. Bản demo web định tuyến mọi chỉ dẫn qua Nomas-PE, một dịch vụ riêng 55,6 GB chuyển cách diễn đạt lỏng lẻo của người dùng thành JSON phân đoạn có cấu trúc mà DiT mong đợi, và Tencent nói rằng bản demo yêu cầu dịch vụ này. Suy luận ngoại tuyến bỏ qua bước đó và yêu cầu bạn tự viết các prompt có cấu trúc. Nếu bạn đang xây dựng giao diện người dùng của riêng mình, lớp xây dựng prompt đó là một lệnh gọi mô hình ngôn ngữ thông thường — và phần đó, khác với ngăn xếp video, là hạ tầng phổ thông. OrcaRouter không phục vụ Hy-Nomas — một ngăn xếp khuếch tán tự lưu trữ 196 GB không phải là thứ mà một tuyến API hướng tới. Thứ nó định tuyến là phần văn bản xung quanh nó — một khóa cho hơn 200 mô hình với mức chênh 0% so với giá niêm yết của nhà cung cấp, kèm chuyển đổi dự phòng tự động — nên một bước viết lại prompt hoặc tạo chú thích đầu ra đứng trước một mô hình video tự lưu trữ không cần hợp đồng nhà cung cấp riêng.

Những câu hỏi còn bỏ ngỏ, và điều gì sẽ thay đổi bài viết này

Có bốn điều thực sự vẫn chưa được biết, và mỗi điều đều gắn với một hiện vật cụ thể có thể làm sáng tỏ nó.

Đầu tiên là chất lượng. Hy-Nomas-Bench đã tồn tại, vì vậy một bảng kết quả được công bố là bước tiếp theo hiển nhiên, và việc thiếu nó chính là khoảng cách lớn nhất giữa bản phát hành này và một bản có thể được trích dẫn.

Điều thứ hai là tốc độ. Không có con số độ trễ nào xuất hiện ở bất kỳ đâu trên thẻ, chỉ có tốc độ phát lại. Ai đó sẽ phải đo thời gian đến phân đoạn đầu tiên trên phần cứng thực tế, và cấu hình chưng cất tám bước so với mô hình tự hồi quy cơ sở là một khác biệt đáng được định lượng thay vì giả định.

Điểm thứ ba là hỗ trợ hệ sinh thái. Kho lưu trữ có gắn thẻ diffusers, nhưng lộ trình được tài liệu hóa là gói hymm của chính Tencent và một Docker image được xây dựng riêng cho mục đích này; không có runtime bên thứ ba nào được nêu là được hỗ trợ. Việc mô hình này có nhận được một lớp pipeline trong một thư viện chủ đạo hay không, theo cách mà hầu hết các mô hình video mở cuối cùng vẫn làm, sẽ quyết định liệu nó tiếp tục là một sản phẩm nghiên cứu hay trở thành một công cụ.

Điều thứ tư là liệu Tencent có bao giờ lên tiếng hay không. Báo cáo kỹ thuật được ghi là “coming soon” và hiện trả về lỗi 404, không có bản preprint nào trên arXiv, và tính đến ngày 23 tháng 10 không có đưa tin nào trên báo chí. Hoàn toàn có thể công ty đang chờ một bài báo hoặc một sản phẩm được lưu trữ trực tuyến trước khi quảng bá bất kỳ điều nào trong số này. Cũng có thể bản phát hành đúng như vẻ ngoài của nó: trọng số được công bố để lưu hồ sơ, còn thông báo thì bị hoãn lại.

Dù sao đi nữa, bản tải xuống đã có sẵn, giấy phép khá thoáng, và bản demo đã tiếp nhận chỉ dẫn ngay hôm nay. Đối với một mô hình mà không ai công bố, như vậy là nhiều hơn hầu hết các bản phát hành âm thầm mang lại — và ít hơn đáng kể so với một buổi ra mắt.