Hy-Nomas

Tencent представила Hy-Nomas — видеомодель для свободной многошаговой генерации миров. Она строит видео по сегментам: можно добавлять объекты, менять стиль и сцены, описывать действия и управлять камерой. В основе — посегментный авторегрессионный DiT на 54 dual-stream MMDiT-блока (hidden size 2048) с текстовым энкодером Qwen2.5-VL-7B, камерными модулями, декодером PixelUMM и постоянным KV cache.

🔮 Ключевые особенности

• ✅ Свободное взаимодействие: инструкции по субъектам, действиям, внешнему виду, стилю и окружению.
• ✅ Управление камерой: текстовые команды вместе с траекториями движения и точкой обзора.
• ✅ Непрерывная генерация: контекст предыдущих сегментов переносится через KV cache.
• ✅ Дистиллированный инференс: 8 шагов денойзинга DiT и отдельное декодирование PixelUMM.
• ✅ Гибкое развёртывание: стандартная sequence-parallel конфигурация или одна RTX 4090.
• ✅ Hy-Nomas-Bench: 4 бенчмарка и 280 тестов для интерактивной управляемости и консистентности.

💻 Пример

Быстрый запуск через рекомендованный Docker-образ:

git clone https://github.com/Tencent-Hunyuan/Hy-Nomas.git
cd Hy-Nomas
export HY_NOMAS_IMAGE="hynomasoss/hynomasoss:cu130"
docker pull "$HY_NOMAS_IMAGE"
docker run --rm -it --gpus all --ipc=host --network=host \
  -v "$PWD:/workspace/Hy-Nomas" -w /workspace/Hy-Nomas \
  "$HY_NOMAS_IMAGE" bash

Подробнее

Стандартный inference: 8 шагов, 720×1280 при 24 FPS.
Конфигурация для одной RTX 4090: INT8 DiT, INT8 KV cache, FP8 декодер и CPU offload.
На одной GPU история ограничена 18 латентными кадрами; стандартная конфигурация хранит всю историю.
INT8-загрузчик не поддерживает отдельный LoRA-адаптер при инференсе.