腾讯混元开源 Hy-Nomas：文本+镜头轨迹多轮交互的视频世界模型，单卡 4090 可跑
北京时间 10 月 24 日前后，腾讯混元正式开源交互式视频世界模型 Hy-Nomas：可按文本指令与相机轨迹多轮改场景、动作与风格，分段自回归生成并靠 KV 缓存保持世界记忆；蒸馏推理 8 步、720×1280@24fps，另提供单张 RTX 4090 低显存配置。权重与代码按 Apache-2.0 开放，GitHub 与 Hugging Face 可下载。
北京时间 10 月 24 日前后，腾讯混元在 官方 X 账号 与 Hugging Face 模型页 公开 Hy-Nomas——一款面向「自由形式、多轮交互」的视频世界生成模型。配套代码仓库为 Tencent-Hunyuan/Hy-Nomas，许可为 Apache-2.0。
据模型页可核对的要点：
- 交互方式：不是一次提示词出一整段片，而是按视频片段自回归生成；用户可在后续轮次用文本引入新物体、改风格/场景、描述动作，或同时给出相机轨迹控制运镜；
- 世界记忆：段与段之间用持久 KV 缓存传递上下文，便于在同一「世界」里连续延伸，减少前后崩掉；
- 输出规格（蒸馏推理配置）：8 步去噪，默认 720×1280、24 FPS；
- 算力门槛：标准配置默认 8 卡序列并行；另提供单卡低显存方案（INT8 DiT + INT8 KV + FP8 解码 + CPU offload），官方说明可在单张 RTX 4090 上跑（系统内存、分辨率与段长仍会影响峰值占用与延迟）；
- 配套：可选电影感 / 机器人等 LoRA；另发布 Hy-Nomas-Bench（四个基准、共 280 个用例），覆盖多轮文本、镜头导航、文本与镜头交错、空间记忆；Web Demo 支持边生成边交互并下载成片；
- 许可：主体按 Apache-2.0；文本编码器等第三方组件仍按其各自许可证，商用前需逐项核对。
官方定位偏「可操控的虚拟环境/世界生成」，与常见「一次性文生视频」工具不同；生成质量、长序列一致性与交互延迟仍待社区实测。机器人 LoRA、多卡默认配置也说明它同时面向研究与仿真，不只是短视频滤镜。
对创作者意味着什么： 若你做短剧分镜预演、广告镜头排练、互动短片或游戏化内容，Hy-Nomas 的价值在于「边说边改、边推镜头」——先定世界，再多轮改动作与运镜，而不是反复整段重抽。落地建议：有 4090 级显卡的创作者可按仓库 Docker 方案试跑；多数人可先等基于它的在线 Demo/云服务再接入日常流水线。商用成片前核对 Apache-2.0 与第三方组件许可，并按平台规则做 AI 标识。
信息来源：腾讯混元 Hugging Face / 官方 X（本文为编辑整理改写）
