Tencent libera en código abierto la world model Hy-Nomas: 18,5 FPS en 8×B200 con historial completo

Tencent ha publicado el código y los pesos de Hy-Nomas, su world model controlable mediante texto y cámara. Todo se distribuye bajo la licencia Apache 2.0, es decir, el modelo se puede usar en proyectos comerciales y ajustar con datos propios. En las mediciones en el banco de pruebas Reactor, con historial completo y 8×B200, genera alrededor de 18,5 fotogramas por segundo. Para una sola RTX 4090 existe una configuración económica aparte, pero los autores no indican qué velocidad se logra con ella.

El anuncio llegó pocos días antes de Genie 4, así que el lanzamiento abierto coincide casi en el tiempo con la nueva versión de un modelo cerrado de esta misma clase.

Cómo construye Hy-Nomas el mundo fotograma a fotograma

El modelo no genera el clip entero de una vez. El vídeo se completa por fragmentos y el contexto entre ellos se conserva en la KV-cache. Gracias a esto, cada fragmento nuevo se apoya en lo ya generado y no empieza desde cero: la escena se mantiene coherente mientras el usuario mueve la cámara por el espacio.

El control es doble. El texto define qué ocurre en la escena. El movimiento de la cámara se puede describir de antemano o modificar entre fragmentos, es decir, dirigir la imagen mientras se genera. Para una world model es un requisito básico: sin un punto de vista controlable, lo que se obtiene es un generador de vídeo convencional.

Hy-Nomas amplía el conjunto de modelos abiertos con el mismo principio de control. A su lado están MIRA, Solaris y Odyssey-3, y los cuatro admiten texto y cámara. En este mercado ya hay opciones entre las que elegir, y no solo demos cerradas que seguir de lejos.

Licencia, LoRA y adaptadores listos

Para los desarrolladores, lo más importante aquí es la apertura. El código y los pesos están publicados bajo Apache 2.0, una de las licencias más permisivas. El ajuste fino es posible mediante LoRA con vídeos propios. No hace falta reentrenar todo el modelo: basta con entrenar un adaptador pequeño para el estilo o el dominio que se necesite.

Los autores han incluido de inmediato dos adaptadores listos para usar. El primero ajusta la imagen a un aspecto cinematográfico; el segundo está pensado para robótica. Eso indica hacia dónde se orienta el equipo: la simulación de vídeo controlable para cine y creatividad, y también para entornos donde se entrena a robots y se comprueba su comportamiento. Cómo funciona en la práctica el adaptador de robótica solo puede verificarse con el informe técnico y con pruebas propias. El anuncio original no incluye métricas de calidad.

Junto con el lanzamiento se han publicado demos, un informe técnico, el código, los pesos y una página con mediciones de velocidad. Es decir, las cifras de rendimiento se pueden contrastar en el propio repositorio.

Qué se sabe de la velocidad y el hardware

Aquí conviene ser preciso con las formulaciones. La cifra de 18,5 FPS se obtuvo en el banco de pruebas Reactor, con historial completo y 8×B200. Es una configuración de nivel centro de datos y no se puede extrapolar a hardware de consumo.

Para una sola RTX 4090 el repositorio incluye una configuración aparte. Tiene activadas tres limitaciones:

• cuantización INT8;
• historial limitado, es decir, el modelo ve menos fotogramas anteriores;
• offloading de modelos a la memoria RAM.

La velocidad de este modo no se indica. Dado que el historial se recorta y parte de los pesos se descarga a la RAM, cabe esperar pérdidas de coherencia en la escena y de velocidad. Pero es una suposición, no una medición. Quien quiera ejecutar Hy-Nomas en una tarjeta doméstica tendrá que comprobar por su cuenta si logra una tasa de fotogramas interactiva.

Conclusión práctica

Hy-Nomas puede resultar útil a los equipos que investigan la simulación de vídeo controlable y prefieren trabajar con un modelo abierto en lugar de una API cerrada. La licencia no restringe el uso y LoRA reduce el coste de adaptar el modelo a un dominio propio. Antes de adoptarlo, conviene leer el informe técnico y ejecutar el modelo con escenas propias. El anuncio no confirma la calidad real de la coherencia en trayectorias de cámara largas ni la velocidad en una tarjeta de consumo. El principal resultado medido es 18,5 FPS en 8×B200, y no todo el mundo tiene acceso a esa configuración.