Tencent Hy-Nomas: nyílt, interaktív videós világmodell

Mit adott ki a Tencent?

A Tencent Hy (korábban Hunyuan) csapata október 24-én tette fel a Hugging Face-re a Hy-Nomas modellt (Hugging Face). Ez egy videós világmodell: nem egyetlen klipet generál, hanem öt másodperces szegmensekben építi a világot, a felhasználó pedig minden szegmens előtt új utasítást adhat.

Menet közben be lehet hozni új tárgyat, át lehet váltani stílust vagy helyszínt, le lehet írni egy szereplő következő mozdulatát, illetve kamerapályát is meg lehet adni. A korábbi szegmenseket egy folyamatosan bővülő KV cache őrzi, ettől marad konzisztens a világ.

Hogyan működik?

• Szegmensenként autoregresszív diffúziós transformer, 54 kétfolyamú MMDiT blokkal.
• A szöveget a Qwen2.5-VL-7B nyelvi része kódolja, a kamerapályát külön cross-attention kapcsolja be.
• Desztillált változat: a Diffusers-példában szegmensenként 4 denoising lépés, 24 fps, a projektoldal szerint 720p-s hosszú videók.
• INT8-as DiT és FP8-as dekóder mellett egyetlen RTX 4090-en is futtatható (
• [object Object]
• ).

Kép: a Hy-Nomas felépítése. Forrás: Tencent Hy.

A kiadás mellé jött a Hy-Nomas-Bench is, 280 tesztesettel négy területen: többkörös szöveges irányítás, kameramozgás, a kettő váltakozva, illetve térbeli memória. A repóban a tanító- és inferenciakód, LoRA-finomhangolás és egy webes demó is megtalálható. A technikai riport még nem jelent meg.

Miért érdekes?

Az interaktív világmodellek eddig főleg zárt demók voltak, mint a Google Genie-sorozata. A Hy-Nomas teljes súlyokkal, kereskedelmi használatot is engedő licenccel érkezik, ráadásul fogyasztói GPU-n is elindul. Játékprototípushoz, szimulációhoz vagy robotikai tanítóadat-generáláshoz így bárki kipróbálhatja, mire elég ma egy nyílt világmodell. Független mérések nélkül a minőségről még korai ítéletet mondani. Az összehasonlítások a következő hetekben jöhetnek.