概览
Hy-Nomas 是腾讯混元（Tencent Hy）于 2026 年 10 月 21 日开源的交互式世界模型。你先用一段文字描述一个场景，它生成视频；之后可以一段一段地继续：用新的文字改变场景里发生的事，或用键盘、相机轨迹控制镜头移动，模型边生成边记住之前出现过的空间。技术上，它用分段自回归的扩散 Transformer（DiT）逐段去噪，靠持久的 KV 缓存把历史带到下一段；文本编码用 Qwen2.5-VL-7B 的语言模型部分，视频由 PixelUMM 解码器还原。蒸馏版只需 8 步去噪，输出 720×1280、24 FPS。标准推理配置需要 8 张 GPU 做序列并行；官方另给出单张 RTX 4090 的低显存配置（INT8 DiT、INT8 KV 缓存、FP8 解码器并卸载到 CPU）。同时开源的 Hy-Nomas-Bench 含 280 个测试用例，用来评测交互可控性和长时一致性。代码与权重按 Apache 2.0 发布（第三方组件沿用原许可），官方提供网页 Demo，技术报告尚未发布。参数量官方未写，留空。官方来源：https://github.com/Tencent-Hunyuan/Hy-Nomas 、https://huggingface.co/tencent/Hy-Nomas 、https://hy-nomas.hy.tencent.com/ （2026-10-24 核对）。 定价：开源权重，可免费下载自行部署；官方提供网页 Demo，未公布托管 API 价格。
- 模态
- 视频
- 许可说明
- 开源 · Apache 2.0（第三方组件沿用各自原许可）
能力
- 交互式世界模型：按文字描述生成可持续延展的视频世界，过程中可随时用文字改内容、用键盘/相机轨迹控制视角移动
- 分段自回归：分段扩散 Transformer（DiT）逐段生成，用持久 KV 缓存携带历史，保证长时间生成的空间记忆和一致性
- 输出：720×1280、24 FPS；蒸馏版 8 步去噪
- 组成：DiT + Qwen2.5-VL-7B 文本编码器 + 相机条件模块 + PixelUMM 视频解码器；网页 Demo 另用 Nomas-PE 做提示词增强
- 部署：标准配置 8 卡序列并行；另有单卡 RTX 4090 配置（INT8 DiT、INT8 KV 缓存、FP8 解码器、CPU 卸载）
- 评测集：同时开源 Hy-Nomas-Bench，4 类共 280 个测试用例，覆盖多轮自由文本交互、相机导航、文本与相机交替控制、空间记忆
