腾讯混元的视频世界模型，8B 扩散骨干：用户每一轮给一句自由文字指令（加物体、换风格、触发事件）或一段镜头轨迹，模型在保留已生成历史的前提下续写下一段变长视频，历史靠一直保留的 KV 缓存维持一致。核心设计是把结构化的视频描述和“动作感知的因果注意力”对齐——场景描述在各段之间都能看到，动作指令只作用于它所属的时间窗口；另有一个视觉语言“提示增强器”把用户请求和交互历史翻译成下一段的结构化条件。
点赞 105 · 代码星数 345
理由
- 放得很全：DiT 基础版（用于微调）、蒸馏版、INT8 量化版，电影感和双臂机器人两个 LoRA，DCAE-V 视频自编码器、FP8 解码器和提示增强模型都在抱脸 tencent/Hy-Nomas，训练、推理、网页演示和数据标注代码都在 GitHub，代码 Apache-2.0。
- 蒸馏后推理只要 4–8 步去噪；README 给出单张 RTX 4090 的低显存配置（INT8 权重和 KV 缓存、滑动窗口历史、分阶段 CPU 卸载）。
- 生态接得快：README 列出 SGLang 已合入主线、社区 ComfyUI 节点（WASD 镜头控制、分段串联）、WanGP v18.81 支持、Diffusers 示例和 Reactor 流式运行时。
- 训练流程分阶段引入因果生成、文字交互、镜头控制，并专门在模型自己生成的历史上训练，针对的是长时交互里误差累积的问题；作者称人工评测优于现有世界模型（摘要未给具体数字）。
用法
- 权重：hf download tencent/Hy-Nomas；代码：github.com/Tencent-Hunyuan/Hy-Nomas，推荐用官方 Docker 镜像 hynomasoss/hynomasoss:cu130，手动装需要 Python 3.12+、CUDA 13.0 和 FlashAttention / MagiAttention 编译。
- 单卡：scripts/inference/inference_from_config.sh 配 configs/experiment/single_gpu_low_mem_inference.yaml，dit_weight 指向 DiT/distilled_int8，解码器用 VAE/PixelUMM_FT_FP8，提示写进 prompts.json。
- Diffusers：安装 README 指定的 diffusers 分支后用 HyNomasModularPipeline 加载 tencent/Hy-Nomas-Diffusers，示例是 1280×704、24fps、每段 5 秒、4 步的两段续写；提示是带 segments / contained_actions 的 JSON。
- 也可直接试官方在线演示 hy-nomas.hy.tencent.com/demo；自定义场景用 LoRA 微调（从未蒸馏的 base_ar 训练，再合并进蒸馏版）。
风险
- 单张 4090 依赖 CPU 卸载，需要足够的内存且有传输开销；README 没给 4090 上的速度和峰值显存数字。
- Reactor 流式演示的测试配置是 8 张 B200；LoRA 微调示例按 128 卡（DP16×SP8）写，个人复现门槛高。
- Diffusers 支持目前装的是个人 fork 分支，不是官方 diffusers 发行版；TPU 实时 720p 等说法来自社区贴文，不是论文结果。
- 论文效果只有人工评测结论、摘要没有量化指标；没看过演示视频，不评价画面质量。
编辑：和普通文生视频的区别在“交互”：每一轮都可以改指令或镜头，模型接着已有世界往下生成，而不是每次重开一段。