Hy-Nomas：Tencent 開源了一款互動式世界模型，卻對此隻字未提

Tencent 今天上午讓 Hy-Nomas 的評估套件與權重上線，但到了當天結束時，仍未公布來自其中任一項的任何分數。這就是這次發布的全貌。Hy-Nomas 是一種影片世界模型，你能用文字指令與鏡頭運動來操控它，一次一個片段；其權重於今天，2026 年 10 月 23 日 11:18 UTC 上傳到 Hugging Face：一次提交承載 196 GB 的 Apache-2.0 檢查點，同時還有一個同日上午 09:01 推送的程式碼儲存庫，以及一個可試玩的示範。兩天前，這兩個儲存庫都已存在，但都是空的。沒有部落格文章，沒有 arXiv 條目，而模型卡上的「技術報告（即將推出）」標章連到的檔案會回傳 404。上傳數小時後，模型頁面顯示零個讚與零次下載，而唯一顯示有人注意到的跡象是 GitHub 儲存庫：八顆星、一次提交、沒有描述。

所以，誠實的表述不是{{1}}「Tencent 推出了世界模型。」{{/1}}，而是：{{2}}Tencent 公布了權重、訓練與推論程式碼、基準測試和展示網站，卻對其中任何一項評測得分如何隻字未提。{{/2}}以下每一項要麼是{{3}}你可以自行驗證的時間戳或檔案大小{{/3}}，要麼是{{4}}Tencent 自己打在自家卡上的數字{{/4}}，要麼是{{5}}卡片明顯避而不談的地方{{/5}}。這三類刻意分開，因為在這樣的發布中，{{6}}沉默所承載的資訊和規格一樣多{{/6}}。

實際落地的究竟是什麼，精確到小時

這些文物很容易斷代，因為數量很少，而且幾乎沒有被改動過。

• 模型儲存庫 tencent/Hy-Nomas 於 2026-10-21 02:17:37 UTC 在 Hugging Face 上建立，之後一直保持空白，直到其唯一一次提交於 2026-10-23 11:18:04 UTC 推送。該次提交涵蓋 46 個檔案、共 196.4 GB：兩個 34.2 GB 的 fp32 DiT 檢查點、一個 9.06 GB 的 INT8 DiT、兩個 LoRA 適配器、一個 31.55 GB 的 PixelUMM 解碼器、其 9.13 GB 的 FP8 對應版本、一個 4.28 GB 的 DCAE-V 自動編碼器、一個總計 55.6 GB 的 18 分片提示增強模型，以及常見的分詞器與設定檔周邊檔案。

• 程式碼儲存庫 Tencent-Hunyuan/Hy-Nomas於 47 分鐘後、UTC 03:04:54 建立，且未填寫任何描述欄位。其唯一的提交是在 10 月 21 日撰寫，但直到今天 UTC 09:01:42 才推送。該儲存庫仍顯示只有一次提交且沒有發布版本，並包含訓練程式碼、推論腳本、Docker 映像檔以及 Web 示範部署指南。

• 基準資料集 tencent/Hy-Nomas-Bench建立於 2026-10-22 05:18:20 UTC，並於今日 09:10:51 UTC 收到其唯一一次提交。

• hy-nomas.hy.tencent.com 上的示範會以 HTTP 200 和頁面標題回應。這是本次發布中唯一針對研究小組以外任何人所設計的部分。

這種悄無聲息是這個模型特有的，而非騰訊。該公司自家的 Hugging Face 組織可是很活躍：tencent/Hy4-preview自八月底發布以來，有 513 個讚和約 18,400 次下載；而tencent/Hy-Memory-30B-A3B自 10 月 15 日發布，八天內有 297 個讚和約 3,300 次下載。Hy-Nomas 在同一時間窗口上傳，規模大得多，卻完全沒有這些。無論內部原因是什麼，這不是一次表現不佳的發布，而是一次根本沒有嘗試的發布。

Hy-Nomas 能做到哪些文字轉影片模型做不到的事

這種區別比參數量更重要，因為這正是值得關注這次發佈的原因。一般的文字轉影片模型輸入一個提示詞，就回傳一段影片；如果你想要不同的結果，就得重新開始，得到一段不相關的影片。Hy-Nomas 則以片段串接的方式生成一個世界，並保留自己的歷史。

具體來說，這張卡片描述了同時發生的四件事。每個片段都有自己的提示，因此你可以在生成過程中引入物件、改變風格、調整場景或描述動作，而不必事先說明。持續存在的鍵/值快取會將已生成的歷史往前傳遞，因此後續片段會以已產生的內容為條件，而不是從頭憑空發明。相機運動是一條獨立的條件路徑，而不是你用散文描述的內容：你提供相機到世界矩陣與內參，模型在每個區塊中都會關注它們。而且，由於片段是自迴歸生成的，只要你持續輸入指令，世界就能持續延伸。

提示格式顯示出這有多麼照字面。離線推論接收一個 JSON 清單，其中每個項目都包含風格、視角、主體清單，接著是附帶時間的片段——開始與結束時間、冗長的視覺描述，以及各自帶有時間戳的內含動作。第一個片段建立世界；後續片段使用description_change欄位說明它應如何演變。隨附範例圍繞一隻小橘狐打造發光的森林，接著在第二秒時於牠的路徑旁綻放發光的藍色花朵。

卡片上有一個數字很容易被誤讀，而卡片本身也特別標明了這一點：24 FPS 這個數字是輸出影片的播放幀率，並非生成速度。模型實際運行得多快，取決於硬體、解析度、片段長度，以及快取中存有多少歷史資料。騰訊也直接說明了這點。在這樣一份既未公布延遲、也未公布評測分數的發布中，這是對該數字唯一誠實的解讀。

這張卡確實提供的規格表

Tencent 對架構異常精確，正因如此，那些缺失的結果才顯得格外刺眼。

• 主幹 — 依推論配置，54 個雙流 MMDiT 區塊與零個單流區塊。

• 寬度——隱藏層大小 2,048，16 個注意力頭各為 128 維，以及 4× 前饋網路擴展至 8,192。

• 位置編碼 — 3D RoPE，維度為 [16, 56, 56]，theta 為 256。

文字路徑 — Qwen2.5-VL-7B-Instruct 的語言模型元件，其 3,584 維隱藏狀態會經過兩層 token 精煉器，並投影到 2,048 維的 DiT 空間。

• 相機路徑 — 正規化的 4×4 外參，跨四個影格分組並展平為 64 維，並在每個區塊中透過交叉注意力套用。

• 潛在表徵 — DCAE-V f32t4c32：32 個通道、32× 空間壓縮、4× 時間壓縮。

• 解碼器 — 一個微調後的 PixelUMM，具有 36 層、4,096 隱藏維度、32 個查詢頭與 8 個 KV 頭，在 10 個潛在幀視窗上執行一個解碼步驟，並有 5 幀重疊。

• 輸出 — 720 × 1280、24 FPS，蒸餾配置下為 8 個去噪步驟；程式碼儲存庫指出，蒸餾檢查點支援 4、6 或 8 個步驟。

• 授權條款 — Apache 2.0，其中 Qwen 文字編碼器仍依其自身條款規範。

騰訊從未說明的其中一項數字，就是總參數量。最接近的數字是推算出來的，而非官方公布：一個 34.2 GB 的 fp32 DiT 檢查點，以每個參數四位元組計算，約等於 85 億個參數，而 9.06 GB 的 INT8 版本也與此相符。請把它視為對檔案大小的算術推算，而不是規格表上的宣稱——廠商並未在任何地方證實這一點。

運行成本是多少，這才是真正的門檻

這個發行版沒有任何地方對外部使用者不友善，但預設部署假設你有一台節點，而不是一台筆電。標準推論設定採用 8 路序列平行，因此其預設啟動需要同一個推論群組中有八顆 GPU。README 對此開誠布公，而不是把它藏起來。

確實存在一條真正的單 GPU 路徑，而這是此次發布中最有意思的工程設計。它透過結合四項技巧，在單張 RTX 4090 上運行：DiT 權重與快取的鍵和值以 INT8 儲存，而運算仍維持在 BF16；解碼器透過 CUTLASS 以 FP8 運行；文字編碼器與兩個網路會針對各自階段在 CPU 與 GPU 之間調度；作用中的 GPU 歷史被限制在 18 個潛在影格，較舊的歷史則封存於系統 RAM。最後這項取捨是在據此規劃前必須理解的：封存檔會持續增長，18 影格預算只限制留在 GPU 上的部分，而當前片段的記憶體完全不受它限制。Tencent 明言，CPU–GPU 傳輸會增加延遲，且峰值 GPU 記憶體會隨解析度與片段長度而變化。

下載量的計算可由檔案大小推得。文件記載的示範流程需要蒸餾版 DiT（34.2 GB）、對應的 PixelUMM 解碼器（31.55 GB）、DCAE-V（4.28 GB），以及 Qwen 編碼器另外約 16 GB——在開始生成任何內容之前，約需 86 GB。單 GPU 路徑則改用 INT8 DiT 與 FP8 解碼器，佔用空間小得多，約 38 GB 加上編碼器。兩個 LoRA 適配器是各自獨立的磁碟占用項目：一個 6.12 GB 的電影風格適配器，以及一個 12.24 GB、在 RealSource-World 雙臂資料集上訓練的機器人適配器，兩者都旨在合併進浮點 DiT。INT8 載入器在推論時無法接受獨立的 LoRA，因此這兩條路徑無法組合使用。

環境需求同樣具體：Linux、Python 3.12 或更新版本、CUDA 13.0 Toolkit、PyTorch 2.10.0，以及 FlashAttention 2、FlashAttention 3 與 MagiAttention 的建置版本。建議使用預先建置的映像檔，hynomasoss/hynomasoss:cu130，而非手動安裝路徑——原因是注意力核心的編譯。程式碼儲存庫中的訓練設定更進一步：DP16 × SP8、128 張 GPU、序列打包至 360,000 個 token。無論你怎麼處理權重，你都不可能在家重新訓練這個模型。

騰訊發布的基準測試沒有附上分數

Hy-Nomas-Bench 並非事後補上的東西。它是一個真實的資料集：四個評估套件，涵蓋多輪自由形式文字互動、相機導航、文字與相機控制交錯，以及空間記憶，包含 280 個測試案例、220 條參考相機軌跡、結構化提示、互動序列與鍵盤時間軸，以 JSON 形式在 Apache 2.0 授權下釋出，並劃分為僅供評估用的分割。它比權重發布早了大約兩小時問世。

它沒有附上的，是一張結果表。沒有排行榜，沒有各測試套件的分數，沒有與任何其他模型的比較，也沒有任何跡象顯示這樣的東西即將出現。而且這張卡片謹慎得讀起來像是刻意為之：在列出架構與取樣預設值之後，它補上一行——「架構與取樣預設值屬於組態細節，而不是基準測試結果。」

那句話確實在發揮作用。它意味著八個去噪步數、720 × 1280 解析度與 1.0 的相機引導係數並不是品質的證據，而 Tencent 不願讓它們被如此解讀。對任何評估該模型的人來說，實際後果很簡單：你可以自己執行評估，而在那之前，你不能把 Hy-Nomas 與其他任何東西放在同一個數字上比較。如果你想要一個定論，該下載的就是這套評測套件，因為沒有人會直接給你一個。

它在其他開放世界模型之中處於什麼位置

這個領域在 2026 年進展飛快，而真正重要的比較並非參數數量，而是每一次發布帶來了什麼樣的證據。

• 權重與授權——Hy-Nomas 採用 Apache 2.0 授權，沒有任何使用門檻。螞蟻集團的 LingBot-World 於 2026 年 1 月下旬發布開放權重，並被宣傳為首個可與 Google 閉源的 Genie 3 相媲美的開放模型。

• 控制方式 — Hy-Nomas 以文字為先，透過鏡頭軌跡逐段建構。LingBot-World 與 Genie 3 系列則以即時鍵盤與滑鼠操控角色或鏡頭為主，那是另一種互動模式：連續遊玩對比於定向建構。

• 硬體門檻 — Hy-Nomas 預設要求八張 GPU，或是一張 RTX 4090 搭配有上限的歷史紀錄。Astronex-World 1.0 於 2026 年 9 月發布，報導指出可在單張 48 GB L20 上以 832 × 480 即時串流，這是明顯更低的門檻。

• 證據——這正是 Hy-Nomas 獨自落在錯誤欄位的地方。LingBot-World 發布時附上了所報告的吞吐量與延遲數據；Astronex-World 發布時附上了 arXiv 論文與基準測試數據。Hy-Nomas 的技術報告則是 404，而且完全沒有任何評分。

• 淵源 —— 騰訊先前的開放式互動嘗試 HY-WorldPlay，是以起始影像加上姿勢與動作輸入，在 720p、24 FPS 下運作。Hy-Nomas 並非只是換了新名稱的同一款模型；文字多輪迴圈與逐段提示詞結構都是全新的，而模型卡並未聲稱其承襲自該模型。

這些都無法判定品質。一個模型可能很優秀卻沒有文件說明，而騰訊的沉默無論如何都不構成證據——這只意味著舉證責任已轉移到任何下載它的人身上。

現在誰該動它，誰該先等

如果你有一個八 GPU 節點，而你的問題是那種會由人類在生成中途編輯的世界狀態——場景在第四秒多了一個物件、相機因為你要求而轉向、世界在你改變天氣時仍維持其幾何結構——這就是目前可下載、最能直接體現這個想法的開放實作，而 Apache 2.0 條款意味著你可以直接在其上建構，無需協商。機器人學 LoRA 透露出騰訊預期它的用途：用於具身訓練的模擬世界，而不是社群影片。

如果你需要在投入之前先看到一個數字，先等等。不是因為模型可疑，而是因為沒有東西可引用。你自己得跑的基準測試是一週的工程工作，而技術報告出現時，大概會改變你原本會測量的東西。

關於這個模型，還有一個較小的營運問題值得點名，因為任何試圖重現該示範的人都會遇到它。網頁示範會將每條指令都經由 Nomas-PE 路由，這是一個獨立的 55.6 GB 服務，負責將鬆散的使用者措辭轉換成 DiT 所期望的結構化 segment JSON，而騰訊表示該示範需要它。離線推論則會跳過這個步驟，要求你自己撰寫結構化提示詞。如果你正在建立自己的前端，那個提示詞建構層就是一次普通的語言模型呼叫——而這部分與影片技術堆疊不同，屬於商品化基礎設施。OrcaRouter 並不提供 Hy-Nomas 服務——196 GB 的自架擴散模型堆疊並不是 API 路由的用途。它路由的是其周邊的文字端——一組金鑰即可使用超過 200 個模型，以供應商定價 0% 加價，並具備自動容錯移轉——因此，在自架影片模型前面加上提示詞改寫或輸出標註步驟，並不需要獨立的供應商合約。

未解的問題，以及什麼會改變本文

有四件事確實未知，而每一件都有一個特定的文物能解開它。

第一是品質。Hy-Nomas-Bench 已經存在，因此公布結果表顯然是下一步，而缺少這張表，正是這次發布與可引用版本之間最大的落差。

第二個是速度。卡片上任何地方都沒有出現延遲數字，只有播放速率。必須有人在真實硬體上測量首段時間，而八步蒸餾配置與基礎自迴歸模型之間的差異，值得量化，而不是靠假設。

第三是生態系支援。該儲存庫帶有 diffusers 標籤，但文件記載的路徑是騰訊自家的 hymm 套件與一個專為此打造的 Docker 映像檔；並未指名任何受支援的第三方執行環境。它最終是否能在主流函式庫中取得一個 pipeline 類別——就像大多數開放式影片模型那樣——將決定它會停留在研究產物，還是成為一項工具。

第四點是騰訊究竟會不會發聲。技術報告標示為「即將推出」，目前是 404（找不到頁面），沒有 arXiv 預印本，而且截至 10 月 23 日也沒有任何媒體報導。公司完全可能是在等待論文或託管產品問世後，才宣傳這一切。也有可能這次發布就是表面上看起來那樣：權重已公開留檔，而公告則延後。

無論如何，下載已經上線，授權條款相當寬鬆，而且這個 demo 今天就能接受指令。對一個無人宣布的模型來說，這比大多數低調發布所提供的還多——但也遠不及一次正式發表。