Tencent выложила в опенсорс world model Hy-Nomas: 18,5 FPS на 8×B200 с полной историей

Tencent открыла код и веса Hy-Nomas, своей world model с управлением через текст и камеру. Всё лежит под лицензией Apache 2.0, то есть модель можно использовать в коммерческих проектах и дообучать на собственных данных. В замерах на стенде Reactor с полной историей на 8×B200 она генерирует около 18,5 кадра в секунду. Для одной RTX 4090 есть отдельный экономный конфиг, но скорость в нём авторы не называют.

Анонс случился за несколько дней до Genie 4, так что открытый релиз вышел почти в одно время с новой версией закрытой модели такого класса.

Как Hy-Nomas строит мир кадр за кадром

Модель не генерирует ролик целиком. Видео достраивается фрагментами, а контекст между ними сохраняется в KV-кэше. Благодаря этому следующий кусок опирается на уже сгенерированное и не начинается с нуля: сцена остаётся связной, пока пользователь ведёт камеру по пространству.

Управление двойное. Текстом задают, что происходит в сцене. Движение камеры можно описать заранее или менять между фрагментами, то есть направлять картинку по ходу генерации. Для world model это базовое требование: без управляемого ракурса получается обычный генератор видео.

Hy-Nomas пополнила набор открытых моделей с тем же принципом управления. Рядом с ней стоят MIRA, Solaris и Odyssey-3, и у всех четырёх есть текст и камера. На этом рынке теперь есть из чего выбирать, а не только следить за закрытыми демо.

Лицензия, LoRA и готовые адаптеры

Для разработчиков здесь важнее всего открытость. Код и веса опубликованы под Apache 2.0, и это одна из самых свободных лицензий. Дообучение возможно через LoRA на своих видео. Не нужно переобучать всю модель: достаточно обучить небольшой адаптер под нужный стиль или домен.

Авторы сразу приложили два готовых адаптера. Первый настраивает картинку под киношный вид, второй рассчитан на робототехнику. Это показывает, на что команда ориентируется: управляемая видеосимуляция для кино и креатива, а также для сред, где обучают роботов и проверяют их поведение. Насколько хорошо адаптер для робототехники работает на практике, можно проверить только по техрепорту и собственным тестам. В исходном анонсе нет метрик качества.

Вместе с релизом опубликованы демо, технический отчёт, код, веса и страница с замерами скорости. То есть цифры по производительности можно перепроверить в самом репозитории.

Что известно про скорость и железо

Здесь важна точность формулировок. Число 18,5 FPS получено на стенде Reactor: полная история и 8×B200. Это конфигурация дата-центрового уровня, и пересчитывать её на пользовательское железо нельзя.

Для одной RTX 4090 в репозитории есть отдельный конфиг. В нём включены три ограничения:

• INT8-квантизация;
• ограниченная история, то есть модель видит меньше предыдущих кадров;
• выгрузка моделей в оперативную память.

Скорость этого режима не указана. Раз история урезана, а часть весов выгружается, можно ожидать потерь в связности сцены и в скорости. Но это предположение, а не измерение. Тем, кто хочет запустить Hy-Nomas на домашней карте, придётся самим проверить, получится ли интерактивная частота кадров.

Практический вывод

Hy-Nomas пригодится командам, которые исследуют управляемую видеосимуляцию и хотят работать с открытой моделью, а не с закрытым API. Лицензия не ограничивает применение, а LoRA снижает цену адаптации под свой домен. Перед внедрением стоит прочитать техрепорт и запустить модель на своих сценах. Реальное качество связности на длинных траекториях камеры и скорость на потребительской карте в анонсе не подтверждены. Главный измеренный результат — 18,5 FPS на 8×B200, и такая конфигурация доступна не каждому.