Hy-Nomas：Tencent 的自由形式互動式世界模型究竟實際能做什麼

要理解 Hy-Nomas，最有用的一點是：它不會製作一段完整的影片。它會製作影片接下來的四秒，展示給你看，等待你的指示，然後再製作那之後的四秒——並將它已經渲染過的一切保存在快取中，所以你兩分鐘前轉過的那個街角仍然有著同一家店。Tencent Hunyuan 在 2026 年 10 月 21 日至 23 日間，以 Apache 2.0 授權發布了權重、推論程式碼、微調管線、一個包含 280 個案例的基準測試，以及一個瀏覽器示範，但沒有公告文章，也沒有基準測試結果。模型卡自己的展示庫收錄了一段名為 clockwork-flight 的 60 秒、五輪片段；那段片段比儲存庫或那篇尚未發表的論文都更能說明這個產品。

以下將梳理實際發布了什麼、互動迴圈如何建構，以及這次發布並未包含的那個數字。本文是根據儲存庫、模型卡與已發布的設定檔撰寫，而非實際動手執行，因為截至 10 月 24 日，尚無可引用的 Hy-Nomas 第三方評估。

四個產物，其中只有一個是模型

騰訊發布了一套組合包，而重點就在這套組合包本身。第一項產物是 Hugging Face 上的檢查點集合，總計約 196 GB，涵蓋基礎自迴歸 DiT、蒸餾版 DiT、INT8 版本、DCAE-V 影片自動編碼器、以 FP32 與 FP8 提供的微調 PixelUMM 解碼器，以及 Nomas-PE 提示增強器。第二項是 GitHub 儲存庫：推論框架、用於建置微調資料的標註框架、離線序列打包、LoRA 訓練器，以及合併腳本。第三項是 Hy-Nomas-Bench，一套包含 280 個案例、分為四個賽道的評估集，並附有大約 220 條參考相機軌跡。第四項是示範，網址為 hy-nomas.hy.tencent.com，你可以使用 WASD 或拖曳滑鼠在生成的場景中移動。

那種組合在世界模型發布中並不常見。多數會發表一篇論文和一個展示庫。Tencent 發布了整套機制，卻讓評估部分留白。如果你想知道 Hy-Nomas 好不好，現在可以自己去查；但你還無法讀到答案。

迴圈：一次一個片段，將過去保留在快取中

Hy-Nomas 是一種分段自迴歸擴散 Transformer。它會渲染一小段影片，將其附加到會話中，並以一個終身 KV 快取作為下一段的條件；該快取保存先前的潛變量及其鍵與值。這就是為什麼模型能在各回合之間保持場景一致，而不需要獨立的記憶模組或檢索步驟：歷史就存在於注意力上下文中，而且會持續增長。

底層架構是 54 個區塊的雙流 MMDiT，隱藏維度為 2,048，具有 16 個注意力頭與 3D 旋轉位置嵌入。文字由 Qwen2.5-VL-7B-Instruct 編碼。相機外參透過交叉注意力進入，而非預先烘焙進文字提示中，這對下方的控制敘事很重要。騰訊未說明參數數量；FP32 檢查點為 34.2 GB，若假設採用 32 位元儲存且不含最佳化器狀態，這意味著約 85 億個參數——這是算術推算，並非廠商聲明，值得視為估計值而非規格。

• 輸出 — 720 × 1280、24 FPS，其中 24 FPS 這個數字指的是播放幀率，而非生成速度

• 去噪 — 蒸餾配置中為 8 步；程式碼可接受 4、6 或 8 步

• 潛在表徵 — 32 通道 DCAE-V，由微調後的 PixelUMM 解碼器解碼；另提供 FP8 解碼器

• 上下文——一個終身保留、跨分段延續的 KV cache，而不是會重置的固定視窗

兩個方向盤，而其中只有一個是提示詞

文字通道是自由形式且多輪的。你可以新增物件、改變天氣、重新調整場景風格，或描述一個動作，而指令會從下一個片段開始生效，而不是重新渲染先前的內容。該儲存庫自身的表述是「自由形式多輪文字提示控制」——重點在於，提示不是針對某個片段的一次性說明文字，而是與世界對話中的一輪。

鏡頭通道是更有意思的一個，因為它不是語言。你提供一條相機外參的軌跡，模型便沿著那條路徑渲染出世界，而文字提示則持續描述其中的內容。文字與鏡頭可以一起使用：一句說「市場正在收市」的提示，和一條走過通道的軌跡，是兩個可組合的獨立輸入。這正是 Hy-Nomas 與文字轉影片模型之間的具體差異。文字轉影片模型是從文字裡推斷鏡頭運動，然後碰運氣；Hy-Nomas 則是直接被告知鏡頭往哪裡去。

還有第三種較低調的控制機制：Nomas-PE，一款線上提示詞增強器，會把簡短的指令改寫成模型能更有效據以作為條件的內容。它是選用的，而且這類元件會告訴你失效模式在哪裡——如果基礎模型能妥善處理五個字的提示詞，這個增強器就不會存在。

沒有人討論的功能：用 2,000 步打造領域 LoRA

這次發佈隨附兩個轉接器。Cinematic LoRA 會合併進蒸餾後的 DiT，以提升視覺品質。Robotics LoRA 是在 RealSource-World 機械手臂資料集上訓練，並合併進同一個蒸餾檢查點，以改善操作場景。騰訊記錄了這個配方：rank 與 alpha 為 256、dropout 為零、Muon 以 1e-4 的固定學習率訓練 2,000 步、只訓練 LoRA 參數、使用一種稱為 segment forcing 的技術，然後在推論時將轉接器合併進蒸餾權重。

這是半衰期最長的部分。在單一領域上進行 2,000 步的調適成本夠低，因此擁有招牌視覺風格的動畫工作室、擁有自家機械手臂的機器人實驗室，或是有特定美術方向的遊戲團隊，都能在不改動基礎權重的情況下將模型特化。這也讓這次發布具備封閉模型不可能有的、可信的社群發展軌跡：接下來一個月，值得注意的 Hy-Nomas 成果預計會來自 LoRA 合併，而不是基礎檢查點。

運行成本：八張 GPU，或一張 4090 加上一些取捨

預設路徑是八顆 GPU 搭配八路序列平行。低記憶體路徑則是那條登上新聞頭條的路線：單張 RTX 4090，使用 INT8 DiT 權重與 INT8 KV 快取、滑動視窗歷史上限、CPU 卸載、DiT 採用 FlexAttention、解碼採用 CUTLASS FP8，並停用序列平行。騰訊警告，CPU 卸載需要足夠的系統 RAM，且會增加傳輸額外開銷，這是對「單 GPU 模式確實可行，但並非沒有代價」的委婉說法。

下載佔用量也因路徑而異。文件記載的示範路徑約需下載 86 GB；低記憶體路徑則約需 38 GB，外加文字編碼器。兩者都不是筆電能輕鬆下載的規模，也都沒有隨附託管端點。Hy-Nomas 沒有 API、沒有每秒計價，Tencent 也未提供託管服務——你要嘛自己執行，要嘛就別用。

• 預設服務 — 8 張 GPU、8 路序列平行；訓練範例使用 128 張 GPU，即 16 個資料平行副本 × 8 路序列平行

• 單一 GPU 服務 — 採用 RTX 4090，搭配 INT8 DiT、INT8 KV 快取、FP8 解碼器、滑動視窗歷史記錄與 CPU 卸載

• 佔用空間 — 完整檢查點集約 196 GB，文件記載的示範路徑為 86 GB，低記憶體模式則為 38 GB 加上文字編碼器

• 成本 — 目前沒有廠商定價；成本就是你的 GPU 時數

如果你正在圍繞像這樣的開放權重模型來打造系統，那些不屬於模型本身的部分仍然需要一套技術堆疊：圖像描述、提示強化、評估框架，以及任何坐在代理迴圈裡決定下一步指令的 LLM。這一層正是單一 API 得以發揮價值的地方——OrcaRouter 把200+ 個託管模型放在同一把金鑰之後，零加成，原封不動地轉嫁供應商定價，並在供應商服務降級時自動容錯切換，因此圍繞自架世界模型的編排流程，不必為每一次輔助呼叫再簽一份合約。Hy-Nomas 本身並不在我們的目錄中；權重屬於廠商，我們不會假裝不是如此。

缺少的數字

Hy-Nomas-Bench 是真實存在的。它包含橫跨四個軌道的 280 個案例——多輪文字控制、相機導航、交錯的文字與相機控制，以及空間記憶——以及約 220 條參考相機軌跡。它沒有的是一張結果表。儲存庫連結了資料集；資料集頁面沒有附上任何分數；技術報告連結無法開啟，而 README 寫著「Coming Soon」。騰訊的模型卡描述了架構與取樣預設值，而那些是配置細節，而非基準測試結果。

這種缺席並不構成醜聞，但它改變了關於這個模型的一句公允評語所能斷言的內容。「Hy-Nomas 以八個去噪步驟生成 720 × 1280、24 FPS 的影片」是一項可從設定檔驗證的規格。「Hy-Nomas 能維持長時程一致性」是一項設計主張，有示範短片作為支持，而非實測結果。「Hy-Nomas 勝過模型 X」目前不是任何人能提出的主張，因為該比較的雙方都沒有在同一項測試上公布過數字。

誠實的立場是：在權重出現三天後，Hy-Nomas 是一次文件記載完善的能力發布，但其品質主張尚未經過評估。文件夠完善，足以重現它。評估也夠充分，足以讓你自己執行。獨缺定論，而這定論之所以缺席，究竟是刻意為之還是倉促所致——無論如何，都不是我們能自行編造的。

該留意什麼，以及現在該做什麼

有三件事會改變局面。一份附有實際數字的技術報告，會讓 Hy-Nomas 從一項宣稱變成一個基準。社群 LoRA 浪潮會告訴你，這套 2,000 步的調適配方在騰訊自家範例之外是否可行。而在單張 4090 上進行重現——不是演示，而是實測運行——會告訴你低記憶體路徑是可用的，還是僅止於可能。

在那之前，解讀這次發布的合理方式，是看實際產出物，而不是看標題。權重是開放的，程式碼跑得起來，基準測試只是空殼，而示範是一場與一個會記憶的世界進行的五輪對話。這比大多數實驗室這個月端出的東西還多，但比一張基準測試表所能證明的還少。如果你有 GPU，而且有個需要自行調校的領域，LoRA 配方就是你今天該下載它的理由。如果你需要在投入前看到一個數字，那個數字還不存在。