Интерактивная видео-мировая модель от Tencent Hunyuan, уже включенная в каталог 10 26: видео генерируется сегментами за сегментом; для каждого сегмента можно текстом добавлять объекты, менять стиль, описывать действия или задавать траекторию камеры, при этом предыдущее содержимое сохраняется и продолжает использоваться через KV-кэш. Повторное включение в каталог связано с тем, что позже был опубликован технический отчет, а также появились дополнительные способы развертывания силами сообщества.
Рост рейтинга: 69 · Лайки: 126 · Загрузки: 53401
Причины
- Новое содержимое по сравнению с версией от 10 26: технический отчет был опубликован на arXiv 10 27 (2610.36729), в котором указано, что основной моделью является диффузионная модель размером 8B, использующая структурированные описания видео и причинно-следственное внимание с ограничением по временным окнам действий; обучение проходит в несколько этапов по учебному плану, завершаясь дистилляцией диффузии. В аннотации утверждается, что результаты ручной оценки превосходят существующие мировые модели, однако конкретные баллы не приводятся.
- Интеграция с сообществом: сторонний узел ComfyUI-Hy-Nomas, автор которого утверждает, что модель можно запустить на видеокарте с 12 ГБ памяти; она позволяет начать мир с одного изображения или управлять им посегментно с помощью клавиш WASD; поддержка уже объединена в SGLang Diffusion, обеспечивая работу как офлайн-задач, так и интерактивных потоковых сессий; также генерация мира и навигация с клавиатуры добавлены в WanGP v18.81.
- Примеры от автора узла ComfyUI: четыре сегмента по 5 секунд формируют видео длительностью 20 секунд с разрешением 1280×704 и частотой кадров 24 fps; на RTX 4090 генерация каждого сегмента занимает примерно 3 минут. В официальном GitHub также указано, что дистиллированная версия поддерживает инференс за 4 / 6 / 8 шагов.
Использование
- ComfyUI: найдите Hy-Nomas (world model) в ComfyUI-Manager или выполните команду comfy node install hy-nomas. Загрузите файлы hy_nomas_distil_int8.safetensors и поместите их в папку diffusion_models, а hy_nomas_pixelumm_fp8.safetensors — в папку vae; в качестве текстового кодировщика используйте qwen_2.5_vl_7b_fp8_scaled, аналогичный Qwen-Image. Установите параметры сэмплирования: euler / simple / 8 шагов / cfg 1, выберите разрешение 1280×704 или 832×480.
- Официальный код: git clone Tencent-Hunyuan/Hy-Nomas. Для работы на одной видеокарте используйте конфигурацию configs/experiment/single_gpu_low_mem_inference.yaml с INT8 DiT и FP8 PixelUMM; стандартная конфигурация по умолчанию требует 8 карт с последовательным параллелизмом. Промпты представляют собой JSON, где для каждого сегмента указываются время начала и окончания, а в последующих сегментах поле description_change описывает изменения в кадре.
- Если вы не хотите развертывать модель локально, можно воспользоваться официальным онлайн-демо (hy-nomas.hy.tencent.com).
Риски
- Узел ComfyUI является продуктом сообщества; автор помечает его как «в разработке», входные параметры узлов могут измениться, код распространяется под лицензией GPL-3.0. Подход «начать с изображения» реализуется путем помещения изображения в историческую память модели, при этом сама модель не имеет отдельного входа для изображений.
- В аннотации технического отчета отсутствуют количественные оценки, детали ручной оценки в этой рубрике не проверялись. Официальная конфигурация для одной видеокарты 4090 требует большого объема системной памяти для хранения выгружаемых моделей и постоянно растущего кэша истории; версия INT8 также не позволяет загружать LoRA во время инференса.
- Для веб-демо требуется дополнительная развертка сервиса расширения промптов Nomas-PE; частота кадров 24 fps является лишь скоростью воспроизведения, а скорость генерации зависит от аппаратного обеспечения, разрешения и длины истории.