Tencent publie en open source la world model Hy-Nomas : 18,5 FPS sur 8×B200 avec l'historique complet

Tencent a ouvert le code et les poids de Hy-Nomas, sa world model pilotée par texte et par caméra. Le tout est publié sous licence Apache 2.0 : le modèle peut donc être utilisé dans des projets commerciaux et affiné sur ses propres données. Lors des mesures sur le banc Reactor, avec l'historique complet sur 8×B200, il génère environ 18,5 images par seconde. Pour une seule RTX 4090, une configuration économe distincte existe, mais les auteurs n'indiquent pas la vitesse obtenue.

L'annonce est intervenue quelques jours avant celle de Genie 4 : cette version ouverte sort donc presque en même temps que la nouvelle version d'un modèle fermé de la même catégorie.

Comment Hy-Nomas construit le monde image par image

Le modèle ne génère pas la vidéo d'un bloc. Il la construit par fragments, et le contexte entre eux est conservé dans le KV-cache. Chaque nouveau segment s'appuie ainsi sur ce qui a déjà été généré au lieu de repartir de zéro : la scène reste cohérente pendant que l'utilisateur déplace la caméra dans l'espace.

Le pilotage est double. Le texte décrit ce qui se passe dans la scène. Les mouvements de caméra peuvent être définis à l'avance ou modifiés entre deux fragments, ce qui permet d'orienter l'image en cours de génération. Pour une world model, c'est une exigence de base : sans point de vue contrôlable, on obtient un simple générateur de vidéo.

Hy-Nomas rejoint ainsi les modèles ouverts qui reposent sur le même principe de pilotage. À ses côtés figurent MIRA, Solaris et Odyssey-3, et les quatre acceptent texte et caméra. Sur ce marché, il y a désormais un vrai choix, et plus seulement des démos fermées à observer.

Licence, LoRA et adaptateurs prêts à l'emploi

Pour les développeurs, l'ouverture est ici l'élément le plus important. Le code et les poids sont publiés sous Apache 2.0, l'une des licences les plus permissives. Le fine-tuning est possible via LoRA sur ses propres vidéos. Inutile de réentraîner tout le modèle : il suffit d'entraîner un petit adaptateur pour le style ou le domaine voulu.

Les auteurs ont d'emblée fourni deux adaptateurs prêts à l'emploi. Le premier ajuste l'image pour un rendu cinématographique, le second est conçu pour la robotique. Cela montre les cibles de l'équipe : la simulation vidéo pilotable pour le cinéma et la création, ainsi que pour les environnements où l'on entraîne des robots et où l'on vérifie leur comportement. L'efficacité réelle de l'adaptateur pour la robotique ne peut être vérifiée que par le rapport technique et par ses propres tests. L'annonce d'origine ne contient aucune métrique de qualité.

La publication comprend aussi des démos, un rapport technique, le code, les poids et une page dédiée aux mesures de vitesse. Les chiffres de performance peuvent donc être revérifiés directement dans le dépôt.

Ce que l'on sait de la vitesse et du matériel

La précision des formulations compte ici. Le chiffre de 18,5 FPS a été obtenu sur le banc Reactor : historique complet et 8×B200. Il s'agit d'une configuration de niveau datacenter, dont on ne peut pas extrapoler le résultat à du matériel grand public.

Pour une seule RTX 4090, le dépôt contient une configuration distincte. Elle active trois restrictions :

• quantification INT8 ;
• historique limité, c'est-à-dire que le modèle voit moins d'images précédentes ;
• déchargement des modèles en mémoire vive.

La vitesse de ce mode n'est pas indiquée. Comme l'historique est réduit et qu'une partie des poids est déchargée, on peut s'attendre à des pertes de cohérence de scène et de vitesse. Mais il s'agit d'une hypothèse, pas d'une mesure. Ceux qui veulent lancer Hy-Nomas sur une carte grand public devront vérifier eux-mêmes si la fréquence d'images obtenue permet l'interactivité.

Conclusion pratique

Hy-Nomas sera utile aux équipes qui explorent la simulation vidéo pilotable et veulent travailler avec un modèle ouvert plutôt qu'avec une API fermée. La licence ne restreint pas l'usage, et LoRA réduit le coût d'adaptation à son propre domaine. Avant tout déploiement, il vaut la peine de lire le rapport technique et de tester le modèle sur ses propres scènes. La qualité réelle de la cohérence sur de longues trajectoires de caméra et la vitesse sur une carte grand public ne sont pas confirmées par l'annonce. Le principal résultat mesuré est 18,5 FPS sur 8×B200, une configuration que tout le monde ne peut pas se permettre.