Tencent、Hy-Nomasインタラクティブ動画世界モデルをオープンソース化　RTX 4090 1枚での推論構成を提供

Tencent Hunyuanは、Hy-Nomasインタラクティブ動画世界モデルを公開した。Hugging Faceのコミット履歴によると、重みは10月23日に初めて公開され、ライセンスはApache-2.0。付属のGitHubプロジェクトには、学習、推論、データアノテーション、インタラクティブなインターフェースのコードが含まれる。ユーザーは次の動画セグメントを生成する前にテキスト指示やカメラ軌跡を変更し、シーン、オブジェクト、動きを段階的に変えられる。重みのコミット履歴、公式コードリポジトリ

Hy-Nomasは、圧縮された動画潜在空間で拡散処理を行い、セグメント単位で自己回帰的に生成する。テキストエンコーダー、カメラ条件、過去のKVキャッシュが新しいセグメントの生成に影響する。蒸留構成では8ステップのノイズ除去を行い、その後、ファインチューニング済みのPixelUMMでデコードする。公式が示す出力仕様は720×1280、毎秒24フレームだが、これは動画の再生仕様であり、モデルがリアルタイムに生成できることを意味しない。公式モデルカード

デプロイ時の要点は、過去のキャッシュとビデオメモリのトレードオフだ。標準構成では全履歴を保持する。一方、RTX 4090 1枚向けの構成では、INT8の重みとKVキャッシュ、FP8デコーダー、CPUオフロードを組み合わせ、GPUの注意機構が参照する過去の情報を制限する。公式によると、オフロードには十分なシステムメモリが必要で、CPUとGPU間の転送コストも増える。そのため、エンジニアリングチームは対象の解像度とセグメント長で、ピークメモリ使用量、レイテンシ、シーンの一貫性を測定する必要がある。デプロイメント文書

同時公開されたHy-Nomas-Benchには280のケースが含まれ、多段階のテキスト操作、カメラナビゲーション、テキストとカメラを交互に使った制御、空間記憶を扱う。構造化プロンプト、インタラクションのシーケンス、参照軌跡が用意されており、再現可能なテストの出発点になる。ただし、公開されたテスト資料だけでは、モデルが他のシステムより優れているとは証明できない。公式評価データセット

今回の公開により、研究者はセグメント生成や履歴に対する注意機構の実装を直接調べられるほか、独自の動画を使ってLoRAファインチューニングを行える。今後は技術レポート、再現可能な比較結果、量子化や履歴の切り詰めが長期的一貫性に与える影響が注目点となる。確認時点で、リポジトリでは技術レポートは「公開予定」とされており、ワールドメモリの信頼性は実測による検証が必要だ。プロジェクト説明