Tencent abre o código da world model Hy-Nomas: 18,5 FPS em 8×B200 com histórico completo

A Tencent abriu o código e os pesos do Hy-Nomas, sua world model controlada por texto e câmera. Tudo está sob a licença Apache 2.0, ou seja, o modelo pode ser usado em projetos comerciais e ajustado com dados próprios. Nas medições no ambiente de testes Reactor, com histórico completo em 8×B200, ele gera cerca de 18,5 quadros por segundo. Para uma única RTX 4090 existe uma configuração econômica à parte, mas os autores não informam a velocidade nesse modo.

O anúncio saiu poucos dias antes do Genie 4, então o lançamento aberto chegou quase ao mesmo tempo que a nova versão de um modelo fechado dessa categoria.

Como o Hy-Nomas constrói o mundo quadro a quadro

O modelo não gera o vídeo inteiro de uma vez. Ele o completa em fragmentos, e o contexto entre eles fica guardado no KV-cache. Assim, cada trecho novo se apoia no que já foi gerado, em vez de começar do zero: a cena continua coerente enquanto o usuário move a câmera pelo espaço.

O controle é duplo. O texto define o que acontece na cena. O movimento de câmera pode ser descrito de antemão ou alterado entre os fragmentos, o que permite direcionar a imagem durante a geração. Para uma world model, esse é um requisito básico: sem controle de ângulo, o resultado é só um gerador de vídeo comum.

O Hy-Nomas entra no grupo de modelos abertos com o mesmo princípio de controle. Ao lado dele estão MIRA, Solaris e Odyssey-3, e os quatro aceitam texto e câmera. Agora há opções para escolher nesse mercado, e não só demos fechadas para acompanhar de longe.

Licença, LoRA e adaptadores prontos

Para os desenvolvedores, o ponto mais importante é a abertura. O código e os pesos foram publicados sob Apache 2.0, uma das licenças mais livres que existem. O ajuste é possível via LoRA com vídeos próprios. Não é preciso retreinar o modelo inteiro: basta treinar um adaptador pequeno para o estilo ou o domínio desejado.

Os autores já incluíram dois adaptadores prontos. O primeiro ajusta a imagem para um visual cinematográfico; o segundo foi pensado para robótica. Isso mostra o foco da equipe: simulação de vídeo controlável para cinema e criação, e também para ambientes em que robôs são treinados e têm o comportamento testado. Quão bem o adaptador de robótica funciona na prática só pode ser verificado pelo relatório técnico e por testes próprios. O anúncio original não traz métricas de qualidade.

Junto com o lançamento foram publicados demos, relatório técnico, código, pesos e uma página com as medições de velocidade. Ou seja, os números de desempenho podem ser conferidos no próprio repositório.

O que se sabe sobre velocidade e hardware

Aqui a precisão das formulações importa. O número de 18,5 FPS foi obtido no Reactor, com histórico completo e 8×B200. É uma configuração de nível data center, e não dá para extrapolá-la para hardware de consumo.

Para uma única RTX 4090, o repositório traz uma configuração separada, com três restrições ativadas:

• quantização INT8;
• histórico limitado, ou seja, o modelo enxerga menos quadros anteriores;
• offload de modelos para a memória RAM.

A velocidade nesse modo não foi informada. Como o histórico é reduzido e parte dos pesos é descarregada, é de esperar perdas na coerência da cena e na velocidade. Mas isso é uma suposição, não uma medição. Quem quiser rodar o Hy-Nomas em uma placa doméstica precisará verificar por conta própria se a taxa de quadros chega a ser interativa.

Conclusão prática

O Hy-Nomas deve ser útil para equipes que pesquisam simulação de vídeo controlável e querem trabalhar com um modelo aberto, e não com uma API fechada. A licença não restringe o uso, e o LoRA reduz o custo de adaptação ao domínio de cada um. Antes de adotá-lo, vale ler o relatório técnico e rodar o modelo nas suas próprias cenas. A qualidade real da coerência em trajetórias longas de câmera e a velocidade em placas de consumo não foram confirmadas no anúncio. O principal resultado medido é 18,5 FPS em 8×B200, e essa configuração não está ao alcance de todos.