10 月 26 日，腾讯混元团队开源交互式视频世界生成模型 Hy-Nomas，采用分段自回归方式生成视频，每一段之间可以在文本提示和相机轨迹控制之间自由切换，并通过贯穿全程的 lifelong KV cache 保持长程一致性。代码与权重以 Apache 2.0 协议放出，GitHub 仓库在一天多里拿到 200 多个 star。
80 亿参数，单卡 4090 能跑
模型规模不大，主干网络是 54 个双流 MMDiT 块，隐藏层 2048 维、16 个注意力头，文本通路用 Qwen2.5-VL-7B-Instruct，潜在表示为 DCAE-V f32t4c32，32 通道、32 倍空间压缩加 4 倍时间压缩。输出规格是 720×1280、24 FPS，蒸馏配置下只要 8 步去噪，仓库里 4 步、6 步、8 步的检查点都有。
单张 RTX 4090 本地推理是靠四个技巧叠出来的：DiT 权重和缓存的键值用 INT8 存储但计算保持 BF16，解码器通过 CUTLASS 走 FP8，文本编码器和两个网络在各自阶段于 CPU 和 GPU 之间来回切换，活跃的 GPU 历史被限制在 18 个潜帧，更早的历史归档到系统内存。默认配置是 8 路序列并行，也就是要 8 块 GPU。
基准发布了，但没给分数
随模型一起放出的 Hy-Nomas-Bench 收了 280 个交互评测用例，覆盖多轮自由文本交互、相机导航、文本与相机交错的混合控制以及空间记忆四个套件，包含 220 条参考相机轨迹、结构化提示和键盘时间线。官方在模型卡上明确写了，”架构和采样默认值是配置细节，不是基准结果”。
这次发布还带了两个 LoRA 适配器，一个 6.12 GB 的电影风格适配器，一个 12.24 GB 的机器人适配器，后者基于 RealSource-World 双臂数据集训练，用来对接机器人领域。仓库里同时给出了推理、训练、LoRA 微调和数据标注工具，训练配置是 DP16 乘 SP8、共 128 张 GPU、序列打包到 36 万 token。站内此前记录过 Kyutai CADRE 用 7 个自编码器把交互延迟压到 230 毫秒，可以对照着看世界模型这条路线在延迟维度上的进展。
延伸阅读
- LibTV Agent 上线：首批 100+ 专业 Video Skill，3 分钟内视频一次成片成功率超 80%1 月前
- 谷歌 Gemini Omni 1.1 Flash 视频模型：4K 输出、单条最长 40 秒，速度提升 60%1 月前
- 生数科技Vidu Q4 Preview发布：4K 10bit色深，0.09元/秒起2 周前
- Utopai视频模型AA榜单第二：1150分差7分追Wan 3.0，估值10亿美元3 周前
继续读
同一批更新里这几篇值得一看：
- 腾讯绿泡泡短剧月活1.43亿：周活8968万增44.1%2026-10-27
- 腾讯混元开源Hy-SimulMT：响应3秒超人类译员2026-10-27
- Grok发布AI版《奥德赛》首集：7分09秒上线，评论批台词生硬2026-10-26