Hy-Nomas：腾讯的自由形态交互式世界模型究竟能做什么

要理解 Hy-Nomas，最有用的要点是：它并不生成一段视频。它生成的是视频接下来的四秒，展示给你看，等待你的指令，然后再生成之后的四秒——它会把已经渲染过的所有内容都保留在缓存中，因此你两分钟前拐过的那个街角上，仍然还是同一家店。腾讯混元在 2026 年 10 月 21 日至 23 日之间，以 Apache 2.0 许可发布了权重、推理代码、微调流水线、一个包含 280 个用例的基准测试以及一个浏览器演示，既没有发布公告，也没有公布基准测试结果。模型卡自带的展示库中有一个名为 clockwork-flight 的六十秒、五轮片段；这个片段比仓库本身，或者比那篇尚未发表的论文，都更能说明这个产品。

以下内容将梳理实际发布的内容、交互循环的构建方式，以及该版本中并未包含的那个数字。本文基于代码仓库、模型卡和已发布的配置文件撰写，而非来自实际操作运行，因为截至 10 月 24 日，尚无可引用的 Hy-Nomas 第三方评估。

四个工件，其中只有一个是模型

腾讯发布了一个资源包，而这个资源包本身就是重点。第一个产物是发布在 Hugging Face 上的检查点集合，总大小约 196 GB，涵盖基础自回归 DiT、一个蒸馏版 DiT、一个 INT8 版本、DCAE-V 视频自编码器、一个以 FP32 和 FP8 提供的微调 PixelUMM 解码器，以及 Nomas-PE 提示词增强器。第二个是 GitHub 仓库：一个推理工具链、一个用于构建微调数据的描述生成工具链、离线序列打包、一个 LoRA 训练器，以及一个合并脚本。第三个是 Hy-Nomas-Bench，一个包含 280 个案例、分为四个赛道的评估集，附带约 220 条参考相机轨迹。第四个是演示，位于hy-nomas.hy.tencent.com，你可以在其中用 WASD 或鼠标拖拽在生成的场景中移动。

这种组合在世界模型发布中并不常见。大多数会发布一篇论文和一个展示库。Tencent 发布了整套机制，却让评估部分留空。如果你想知道 Hy-Nomas 是否优秀，现在可以自己去弄清楚；但你还读不到答案。

循环：一次一个片段，将过往留存于缓存之中

Hy-Nomas 是一个分段自回归的扩散 Transformer。它渲染出一小段视频，将其追加到会话中，再以终身 KV 缓存为条件生成下一段——该缓存保存着先前的潜变量及其键和值。正因如此，模型无需单独的记忆模块或检索步骤，就能让场景在各轮之间保持连贯：历史就存在于注意力上下文之中，并且不断增长。

底层架构是一个 54 块的双流 MMDiT，隐藏大小为 2,048，具有 16 个注意力头和 3D 旋转位置嵌入。文本由 Qwen2.5-VL-7B-Instruct 编码。相机外参通过交叉注意力进入，而不是被固化到文本提示中，这对下文关于控制能力的叙述很重要。腾讯未说明参数数量；FP32 检查点为 34.2 GB，如果假设采用 32 位存储且没有优化器状态，这暗示着大约 85 亿参数——这是算术推算，而非厂商声明，值得将其视为估计值而不是规格。

• 输出 — 720 × 1280，24 FPS；其中 24 FPS 指的是播放帧率，而非生成速度

• 去噪 — 蒸馏配置中为 8 步；代码接受 4、6 或 8 步

• 潜在表示 — 32 通道 DCAE-V，由微调后的 PixelUMM 解码器解码；提供 FP8 解码器

• 上下文——跨分段携带的终身 KV 缓存，而不是会重置的固定窗口

两个方向盘，而其中只有一个才是提示词

文本通道是自由形式且支持多轮的。你可以添加物体、改变天气、重新设定场景风格，或描述一个动作，而指令会从下一段开始生效，而不是重新渲染之前的内容。仓库自身的表述是“自由形式的多轮文本提示控制”——关键在于，提示不是针对一个片段的一次性描述，而是与世界对话中的一轮。

相机通道更有意思，因为它不是语言。你提供一条相机外参轨迹，模型就会沿着这条路径渲染世界，同时文本提示会继续描述其中的内容。文本和相机可以一起使用：一个写着“市场即将打烊”的提示，和一条沿着过道前进的轨迹，是两个独立输入，可以组合起来。这就是 Hy-Nomas 与文本到视频模型之间的具体区别。文本到视频模型会从文字描述中推断相机运动，然后指望它奏效；而 Hy-Nomas 则被告知相机该往哪里走。

还有第三种更低调的控制手段：Nomas-PE，它是一个在线提示增强器，会把简短的指令改写成模型能够更有效地据此进行条件化的内容。它是可选的，而这类组件能告诉你失效模式在哪里——如果基础模型能很好地处理五个词的提示，这个增强器就不会存在。

没人讨论的功能：2,000 步实现领域 LoRA

本次发布附带两个适配器。Cinematic LoRA 会合并到蒸馏后的 DiT 中，以提升视觉质量。Robotics LoRA 在 RealSource-World 机械臂数据集上训练，并合并到同一个蒸馏检查点中，以改善操作场景。腾讯公开了该配方：rank 和 alpha 均为 256，dropout 为零，使用 Muon 以 1e-4 的恒定学习率训练 2,000 步，仅训练 LoRA 参数，采用一种称为 segment forcing 的技术，然后在推理时将适配器合并到蒸馏权重中。

这是半衰期最长的部分。在单一领域进行 2,000 步的适配成本足够低，以至于拥有招牌风格的工作室、拥有自己机械臂的机器人实验室，或具有特定艺术方向的游戏团队，都能在不改动基础权重的情况下对模型进行专门化。它还为这次发布赋予了闭源模型不可能拥有的、可信的社区发展轨迹：预计接下来一个月里，有趣的 Hy-Nomas 成果将来自 LoRA 合并，而不是基础检查点。

运行成本：八块 GPU，还是一块 4090 加一些妥协

默认路径是八块 GPU 搭配八路序列并行。低内存路径则是那个引发广泛关注的方案：单块 RTX 4090，使用 INT8 DiT 权重和 INT8 KV 缓存、滑动窗口历史上限、CPU 卸载、DiT 采用 FlexAttention、解码采用 CUTLASS FP8，并禁用序列并行。腾讯警告称，CPU 卸载需要足够的系统内存，还会带来传输开销——这不过是委婉地说：单 GPU 模式确实可用，但并非没有代价。

下载体积同样因路径而异。文档记载的演示路线大约要下载 86 GB；低内存路线则需要约 38 GB，外加文本编码器。这两者都不是笔记本电脑能承受的下载量，也都不附带托管端点。腾讯没有为 Hy-Nomas 提供 API、按秒计费的价格，也没有托管服务——你要么自己运行，要么就别用。

• 默认服务配置 — 8 个 GPU，8 路序列并行；训练示例使用 128 个 GPU，即 16 个数据并行副本 × 8 路序列并行

• 单 GPU 服务 — RTX 4090，配备 INT8 DiT、INT8 KV 缓存、FP8 解码器、滑动窗口历史和 CPU 卸载

• 占用空间 — 完整检查点集约 196 GB，文档记录的演示路径约 86 GB，低内存路径约 38 GB 另加文本编码器

• 成本——没有供应商定价；成本就是你的 GPU 使用时长

如果你正围绕这样的开放权重模型进行构建，那么模型之外的部分仍然需要一套技术栈：图像描述、提示词增强、评估框架，以及在智能体循环中决定下一条指令的那个 LLM。正是在这一层，单一 API 才体现出价值——OrcaRouter 将200+ 个托管模型置于一个密钥之后，以0% 加价提供，按提供商标价原样透传，并在提供商服务降级时自动故障转移，因此围绕自托管世界模型的编排无需为每次辅助调用再签一份合同。Hy-Nomas 本身不在我们的目录中；权重归供应商所有，我们不会假装不是这样。

缺失的数字

Hy-Nomas-Bench 是真实存在的。它包含四个赛道共 280 个案例——多轮文本控制、相机导航、文本与相机交错控制以及空间记忆——以及约 220 条参考相机轨迹。它没有的是一张结果表。仓库链接到了数据集；数据集页面不包含任何分数；技术报告链接无法解析到任何内容，README 中写着“Coming Soon”。Tencent 的模型卡描述了架构和采样默认值，而这些是配置细节，而非基准测试结果。

这种缺失并不构成丑闻，但它改变了一句关于该模型的公允表述能够说什么。“Hy-Nomas 以八个去噪步骤生成 720 × 1280、24 FPS 的视频”是一项可以从配置中核实的规格。“Hy-Nomas 保持长时程一致性”是一种设计主张，只有演示片段作为支撑，并非实测结果。“Hy-Nomas 击败模型 X”目前不是任何人能作出的主张，因为这一比较的双方都没有在同一项测试上公布过数值。

诚实的立场是，在权重出现三天后，Hy-Nomas 是一次文档完备的能力发布，附带一项未经评估的质量声明。文档足够好，可以复现它。评估足够好，可以自己运行。结论是缺失的，而它要么是故意缺失，要么是仓促所致——无论哪种，都不是我们能凭空编造的。

该关注什么，现在该做什么

三件事会改变局面。一份带有实际数字的技术报告，会把 Hy-Nomas 从一项宣称变成一条基线。社区自发的 LoRA 浪潮会告诉你，这套 2,000 步适配配方在腾讯自家示例之外是否有效。而在单张 4090 上复现——不是演示，而是一次有测量的运行——会告诉你低内存路径是可用的，还是仅仅可行。

在此之前，解读这次发布的明智方式是看实际产物，而不是看标题。权重是开放的，代码能运行，基准测试只是个空壳，演示只是与一个能记住过往的世界进行五轮对话。这比本月大多数实验室已经发布的东西要多，但比一张基准测试表所能证明的要少。如果你有 GPU，并且有一个需要亲自审视的领域，LoRA 配方就是今天下载它的理由。如果你需要在投入前看到一个数字，那个数字还不存在。