腾讯混元开源 Hy-Nomas：可文本+相机逐段控制的交互式视频世界模型
腾讯混元（Hy）放出 Apache-2.0 的 Hy-Nomas：按约 5 秒片段自回归生成视频世界，可用自然语言与相机轨迹多轮改场景/动作；持久 KV cache 保持长程一致性，最长约 60 秒、720p/24fps。蒸馏 8 步推理，另有 INT8+FP8 单卡 RTX 4090 配置；文本编码器基于 Qwen2.5-VL-7B。
官方 X（@TencentHunyuan，约 10 月 23 日）与 Hugging Face 模型卡写明：Hy-Nomas 面向「自由形式、多轮交互」的视频世界生成——用户可在后续片段用文本引入物体、改风格/场景、描述动作，或提供相机外参轨迹控制视点。架构为段自回归扩散 Transformer（约 54 个双流 MMDiT 块）+ 相机交叉注意力 + PixelUMM 解码；段间复用 KV cache。站点规格称约 8B 参数、720p、最长约 60 秒、约 360K token 上下文。
部署：标准蒸馏配置 8 步去噪；另有单卡低显存配置（INT8 DiT/KV、FP8 解码、CPU offload），官方称可在 RTX 4090 上跑。同步放出 Hy-Nomas-Bench（约 280 例）测多轮文本、相机导航、交错控制与空间记忆。权重仓 tencent/Hy-Nomas 与代码仓 Tencent-Hunyuan/Hy-Nomas；文本侧用 Qwen/Qwen2.5-VL-7B-Instruct。厂商未在本稿所见材料中公布完整官方分数表，解读宜收在「可交互的开源世界视频底座」。
