Tencent выложила Hy-Nomas на Hugging Face. Веса занимают около 196 ГБ. Модель продолжает видео-мир сегментами по текстовым командам и траектории камеры. В карточке также указана конфигурация для одной RTX 4090 и вывод видео с разрешением 720 × 1280 при 24 FPS. Опубликованных оценок качества пока нет.
В карточке Hy-Nomas помечена как text-to-video. Интереснее другое: можно управлять уже развивающейся сценой. Добавлять объекты, менять стиль и действия, задавать движение камеры, а затем продолжать генерацию с учётом предыдущих сегментов. Получается интерактивный превиз: сцену можно дорабатывать командами после первого клипа.
Hy-Nomas переносит режиссуру внутрь генерации видео
Модель строит видео по частям. Контекст между сегментами хранит KV-кэш — он передаёт дальше информацию о уже созданной истории. Поэтому новый фрагмент можно задать отдельной инструкцией, не начиная каждый раз с пустого поля.
В основе — диффузионный трансформер DiT, текстовый энкодер на базе Qwen и отдельная обработка команд для камеры. Видео декодирует дообученный PixelUMM. В дистиллированной конфигурации на генерацию сегмента уходит 8 шагов денойзинга. Это данные из карточки Tencent, независимых замеров скорости и качества там нет.
Камерой можно управлять вместе с текстом: передать траекторию и задать движение точки зрения. Для превиза это полезный сценарий. Сначала описать сцену, затем изменить ракурс или действие отдельной командой и посмотреть, как развивается тот же мир.
Для аниматика стоит проверять мир по этапам
Я бы начал с короткого прохода по сцене, а не с попытки сразу собрать финальный клип. Так проще проверить, удерживает ли Hy-Nomas нужные элементы и слушается ли команд камеры. Пока это план теста, а не подтверждённый результат модели.
- Задайте исходную сцену и основные объекты текстовой инструкцией.
- Продолжите её новым сегментом: измените действие, стиль или детали окружения.
- Передайте траекторию камеры вместе с текстом и проверьте, получится ли нужный ракурс.
- Сравните сегменты как черновую раскадровку: что сохранилось, а для чего нужна новая команда.
RTX 4090 заявлена, но размер весов тоже имеет значение
Tencent указывает конфигурацию для одной NVIDIA GeForce RTX 4090: INT8-веса DiT, INT8 KV-кэш, FP8-декодер и перенос части вычислений на CPU. Последнюю настройку называют CPU offload. Карточка заявляет запуск на одной видеокарте, но это не значит, что все веса помещаются в её видеопамять.
По данным Elias Hawthorne из OrcaRouter, опубликованные чекпойнты занимают около 196 ГБ. Лицензия — Apache-2.0. Размер стоит учесть до скачивания и локального запуска. В доступных материалах нет точного времени генерации и требований к оперативной памяти.
Модель можно попробовать через веб-демо или запустить локально. Для веб-версии нужен отдельный сервис Nomas-PE: он преобразует пользовательскую инструкцию в структурированный промпт. При офлайн-запуске можно напрямую подавать подготовленные файлы промптов.
280 тестов есть, опубликованных баллов пока нет
Вместе с моделью Tencent выпустила Hy-Nomas-Bench — набор из 280 тестовых случаев в четырёх направлениях: многоходовые текстовые команды, навигация камерой, совместное управление текстом и камерой, пространственная память. В наборе есть последовательности инструкций, временные линии клавиатурного управления и эталонные траектории камеры.
Наличие бенчмарка само по себе не показывает, насколько хорошо модель проходит тесты. В карточке нет результатов, независимых оценок качества или подтверждённых сравнений с другими видеомоделями. Elias Hawthorne из OrcaRouter отдельно отмечает этот пробел:
Честная формулировка релиза — Tencent выложила веса, код, бенчмарк и демо, но пока не сообщила, какие результаты они показывают.
Пока стоит разделять заявленные возможности и проверенное качество. Разрешение, частота кадров, число шагов и конфигурация для RTX 4090 указаны в карточке модели. Эти параметры не отвечают на вопрос, насколько хорошо между сегментами сохраняются объекты и сцена.
Hy-Nomas стоит проверять как инструмент превиза
Главное для креатора — возможность менять камеру и содержание сцены, сохраняя контекст предыдущих сегментов. С таким сценарием можно накидывать черновые решения и искать движение внутри сцены.
Для оценки Hy-Nomas как производственного инструмента пока не хватает опубликованных баллов Hy-Nomas-Bench, независимых тестов на непрерывность и данных о скорости локальной генерации. Я бы начал с демо и короткого аниматика. А к финальным кадрам переходил бы после проверки: насколько уверенно модель удерживает нужный мир.
Мои генерации видео и тесты моделей — в работах SAMI
Источники
Hy-Nomas: Tencent's Unannounced Interactive World Model
Источникhuggingface.co
