世界模型这条赛道本周格外热闹:DeepMind 的 Genie 4 刚掀起新一波讨论,腾讯混元就把自家交互式世界生成模型 Hy-Nomas 的技术报告挂上了 arXiv。论文作者在 Hugging Face 评论区写得很直白:Hy-Nomas 支持与 Genie 4 完全相同的功能,但完全开源。敢这么说话,底气是整套工件都放了出来:权重、代码、基准数据集,外加一条轻量适配工作流。

它到底能做什么

Hy-Nomas 是一个 8B 扩散骨干的视频世界模型:接收多轮自由形式的文本指令或连续相机轨迹,按段生成变长视频,同时用缓存历史保持世界一致性——上一段出现的物体,下一段还在原地。机制上的核心设计,是把结构化视频字幕与动作感知因果注意力对齐:描述性上下文跨段可访问,动作指令则被限制在所属时间窗内,避免旧动作污染新画面。旁边还有一个视觉-语言 Prompt Enhancer,负责把用户请求和多模态交互历史翻译成下一段的结构化条件。训练走多阶段课程:先学因果生成,再逐步引入文本交互、相机控制,之后用模型自生成的历史继续训练,最后做扩散蒸馏。

单卡 4090 就能跑

比"又一个世界模型"更有信息量的,是部署门槛。Hy-Nomas 采用 Apache 2.0 许可证,官方提供单张 RTX 4090 的低显存推理配置:DiT 权重与 KV 缓存压成 INT8 存储(计算仍走 BF16)、滑动窗口截断历史、CPU offload、FlexAttention 搭配 CUTLASS FP8 解码,再配合蒸馏后 4-8 步去噪。开源一周生态已经跟上:10 月 21 日放出训练推理代码、权重与在线 demo,23 日补 Diffusers 示例,25 日 WanGP 支持,26 日 SGLang、ComfyUI 完成集成,27 日技术报告上 arXiv。Google TPU 侧的社区开发者实测出 720p 实时生成:v6e-4 四芯片上每秒视频只耗约 0.933 秒算力,60 秒连续运行没有迟到帧。

需要冷静看待的部分

论文摘要称其在人类评估中优于现有世界模型——这是官方口径,还没有独立评测交叉印证;"与 Genie 4 功能完全相同"也是作者自述,两边都该打个引号再看。但就算打折,这套交付的完整度在世界模型赛道仍然少见:模型权重、Hy-Nomas-Bench 基准、LoRA 微调链路、从本地视频制备训练数据的标注工作流,复现研究需要的零件基本都在 GitHub 仓库里。当闭源头部玩家用演示视频秀肌肉时,开源阵营的回答是"你可以自己跑起来"。世界模型什么时候从 demo 走进生产?现在任何人都能拿一张 4090 去试答案了。