腾讯开源 Hy-Nomas 交互式视频世界模型,单张 4090 可跑

AIFlow_ML · x · 2026-10-25

腾讯 Hunyuan 发布并开源视频世界生成模型 Hy-Nomas(Apache 2.0),支持通过文本指令与相机轨迹进行自由形式的多轮交互:逐段生成世界,可持续引入物体、切换风格场景、描述动作或控制镜头。架构上采用分段自回归 DiT + Qwen 文本编码器 + 相机条件模块 + PixelUMM 视频解码器,靠持久 KV cache 跨段携带上下文;蒸馏后每段仅需 8 步去噪,输出 720×1280@24FPS。同时提供单卡配置:INT8 DiT 权重 + INT8 KV cache + FP8 解码器 + CPU offload,可在一张 RTX 4090 上运行。还发布了含 280 个测试用例的 Hy-Nomas-Bench。AIFlowML 的文章提示模型卡中「Model Assets」一节有 INT8/LoRA 的关键细节,并暗示「one catch」值得注意。