腾讯混元开源交互式视频世界模型 Hy-Nomas，附 280 用例 Hy-Nomas-Bench 基准

2026 年 10 月 24 日——腾讯混元于 10 月 21 日在 GitHub 与 Hugging Face 开源交互式视频世界生成模型 Hy-Nomas，支持文本提示词与相机轨迹的自由交互，720×1280、24 FPS 生成可在单张 RTX 4090 上运行，并同步发布含 280 个测试用例的 Hy-Nomas-Bench 评估基准，全部资产采用 Apache 2.0 许可证。

官方于北京时间 10 月 24 日凌晨通过 X 平台发文确认发布，将 Hy-Nomas 定位为"开源自由形式交互式视频世界模型"，提供在线试玩 Demo；技术报告在仓库中标注"即将发布"（Coming Soon），截至发稿尚未放出。

核心能力：分段自回归生成与世界记忆

Hy-Nomas 以"段"为单位自回归生成视频世界：每一段由段级文本提示或相机控制信号驱动，模型依靠贯穿全程的持久 KV 缓存延续此前内容，官方称以此保持多轮生成中主体与场景的一致性。用户可在生成过程中持续引入新物体、切换风格与场景、描述动作，或以相机轨迹控制视角运动，官方将这类能力概括为自由形式提示控制、相机控制与长时程连续生成三项特性。

生成骨干为 54 个双流 MMDiT 块组成的扩散 Transformer，文本条件来自 Qwen2.5-VL-7B-Instruct 的语言模型组件，视频经 DCAE-V 自编码器压缩到 32 通道潜空间，由微调版 PixelUMM 解码器还原为视频帧。相机条件采用归一化 4×4 外参矩阵，每四帧一组展平为 64 维输入，在每个双流块中与视频特征做交叉注意力。

以上规格来自官方 Hugging Face 模型卡与 GitHub 仓库说明。

单卡 RTX 4090 推理与 LoRA 领域适配

官方提供面向消费级 GPU 的低显存推理配置（single_gpu_low_mem_inference.yaml），明确支持在单张 NVIDIA GeForce RTX 4090 上推理，通过四项手段压缩显存占用：DiT 权重与 KV 缓存以 INT8 存储（线性层与注意力保持 BF16 计算）、以滑动窗口限制历史缓存增长、文本编码器与 DiT、VAE 分阶段在 CPU 与 GPU 间调度、使用 FlexAttention 与 CUTLASS FP8 单卡算子。官方同时提示，CPU 调度需要足够的系统内存，并会引入传输开销。

领域适配方面，官方随权重发布了电影级画质 Cinematic LoRA，以及基于真实机械臂数据集 RealSource-World 训练的 Robotics LoRA，用于增强生成世界的机器人仿真能力。LoRA 训练从非蒸馏基座检查点出发（rank/alpha 为 256，Muon 优化器，官方示例训练 2000 步），训练完成后将 LoRA 权重合并进蒸馏检查点用于推理；仓库同步提供从本地视频生成训练数据的标注流程。

Hy-Nomas-Bench：280 用例评估交互可控性

与模型同步开源的 Hy-Nomas-Bench 数据集包含 280 个测试用例与 220 条参考相机轨迹，按四类能力组织，用于评估视频世界模型在连续生成中的交互可控性与一致性。

据官方数据集卡，Bench-2 覆盖 49 个场景、8 种基本相机动作与 24 种双键组合；Bench-4 以第一人称场景绕目标去程与回程的方式，对比相同有效相机位姿下的生成帧评估物体与场景一致性。场景覆盖真实世界、游戏、CG 与动画环境，提示以英文为主，Bench-1 含少量中文与中英混合提示。

同批发布：WeVisOne-VL 统一视觉感知模型

同一发布周期内，腾讯微信视觉团队于 10 月 22 日在 Hugging Face 开源视觉语言模型 WeVisOne-VL（WeChat Vision All-in-One），提供 2B 与 4B 两个规格。模型基于 Qwen3-VL 构建，将物体级感知（开放词表检测、指代定位、物体计数、物体指向、OCR 定位）与像素级感知（指代分割、可提示 alpha 抠图）统一到单一模型：各项任务以结构化文本形式输出，用 0 至 1000 的坐标 token 表示框与点，并配套一个 9.6M 参数的轻量像素解码器直接输出二值掩码与连续 alpha 抠图，无需依赖 SAM 等分割模型。

对不存在的查询目标，模型返回 None 而非编造输出。官方公布的对比数据显示，4B 版在 WeRef-Bench 拒绝响应率达 96.4%，同期最强开放基线为 73.0%；其余任务与各任务最强开放基线（Qwen3-VL、Qwen3.5 至 9B、Rex-Omni、LocateAnything 及任务专用分割、抠图模型）的官方口径对比如下。

上述分数均为官方技术报告口径（arXiv 2610.31329）。配套的抠图标注器 Mask2Alpha 已一并开源；官方模型卡将模型用途定位为视觉感知研究，明确不用于自主高风险决策或个人识别。官方数据引擎以知识图谱驱动，已按该流程标注超过 1 亿张图片。

获取方式