腾讯混元开源Hy-Nomas交互式视频世界模型
报价宝综合消息腾讯混元开源Hy-Nomas交互式视频世界模型
腾讯混元团队正式开源了交互式视频世界生成模型Hy-Nomas，模型权重与代码已同步上架Hugging Face和GitHub。与传统文生视频模型「一次性出片、生成完就定死」不同，它允许用户在生成过程中持续输入文字指令和镜头运动信号，逐段「接着拍、接着改」，营造出一个可以像游戏一样自由漫游探索的虚拟世界。
技术上，Hy-Nomas采用分段自回归的生成方式：把视频世界拆成连续片段，每一段都根据当前画面、场景记忆和用户指令继续生成。用户可以在自然语言描述与相机轨迹控制之间自由切换，甚至用键盘方向键控制视角前进、后退、转向，如同在游戏里实时运镜。模型依靠贯穿全程的长程KV缓存机制维持一致性，长时间漫游中建筑、道具等场景元素不会轻易漂移或崩坏。
据公开资料，该模型规模约80亿参数，支持720p分辨率的流式生成，本次一并放出蒸馏版与INT8量化版，经优化后单张RTX 4090显卡即可完成本地推理，将这类世界模型的部署门槛从集群级拉到了消费级工作站。腾讯还同步公开了训练代码、数据标注流程，以及包含280个测试场景的Hy-Nomas-Bench评估集。
许可方面需要注意：模型主体以Apache 2.0协议开源、允许商用，但其VAE解码器PixelUMM采用了英伟达的非商用许可，开发者若要商业化落地，需单独核对这一层的授权边界。
可交互世界模型正成为大厂竞逐的新赛道。谷歌DeepMind的Genie 3保持闭源、仅通过网页原型向少量用户开放，腾讯混元这次则把代码、权重和训练流程全部公开，意在抢先建立开发者生态。这类模型的落地场景包括游戏关卡快速原型、机器人仿真训练、影视运镜预演以及虚拟展厅等数字孪生应用。
编译自 Gigazine，原标题："Hy-Nomas, an AI capable of generating traversable worlds like those in video games, has been released as an open model and can run locally on an RTX 4090"
