Hy-Nomas: Tencent Hunyuan veröffentlicht Open-Source-interaktives Weltmodell, das auf einer RTX 4090 läuft

Das Hunyuan-Team von Tencent hat Hy-Nomas veröffentlicht, ein Open-Source-Videoweltmodell, das kontinuierliche Interaktion durch freie Textprompts und Kameratrajektoriensteuerung ermöglicht. Im Gegensatz zu traditionellen Videogeneratoren, die einen festen Clip erzeugen, baut Hy-Nomas die Welt Segment für Segment auf und hält die Konsistenz dank eines Schlüssel-Wert-(KV-)Caches, der den vorherigen Kontext trägt.

Der Launch fand um den 23. Oktober 2026 statt, mit GitHub-Repository, Gewichten auf Hugging Face unter der Apache-2.0-Lizenz, offizieller Website und einer Online-Interaktivdemo. Die Referenzkonfiguration erzeugt 720p-Ausgabe bei 24 FPS, mit bis zu etwa 60 Sekunden kontinuierlicher Dauer und acht Denoising-Schritten pro Segment in der destillierten Version.

Was das Modell ermöglicht

Nutzer können:

  • Aktionen steuern, Szenen transformieren und Stile mit natürlicher Sprache über aufeinanderfolgende Turns ändern;
  • Die Kamera zusammen mit dem Text steuern und die beiden Eingabeformen abwechseln;
  • Räumliche und Objektkonsistenz beim Zurückkehren zu zuvor generierten Orten aufrechterhalten, dank Weltgedächtnis;
  • Das Modell mit LoRAs anpassen, einschließlich einer für Roboterarm-Simulation, die auf realen Daten trainiert wurde.

Es gibt auch Hy-Nomas-Bench, ein Set von 280 Testfällen, das Multi-Turn-Interaktion, Kameranavigation, interleaved Control und räumliches Gedächtnis bewertet. Der vollständige technische Bericht wurde noch nicht veröffentlicht.

Läuft auf Consumer-Hardware

Die Standardkonfiguration nutzt Sequenzparallelismus (typischerweise mehrere GPUs), aber das Projekt enthält einen optimierten Pfad für eine einzelne NVIDIA GeForce RTX 4090. Sie verwendet INT8-DiT-Gewichte, einen INT8-KV-Cache, einen FP8-PixelUMM-Decoder und CPU-Offload. Das erfordert ausreichend System-RAM und fügt Transfer-Overhead hinzu, macht aber lokale Experimente möglich. Die Community hat bereits begonnen, das Modell auf ComfyUI zu portieren, mit Berichten über Nutzung auf GPUs mit etwa 12 GB VRAM in experimentellen Setups.

Das Backbone ist ein dichter multimodaler Diffusion Transformer (MMDiT) mit 54 Dual-Stream-Blöcken, der einen Textencoder auf Basis von Qwen2.5-VL-7B und Kamera-Conditioning via Cross-Attention verwendet. Die Generierung ist segmentweise autoregressiv, mit kausaler Attention zwischen ihnen.

Warum es für Games und KI wichtig ist

Interaktive Weltmodelle wie Hy-Nomas weisen auf Tools für Umgebungsprototyping, dynamische Content-Generierung und sogar Simulationen für Robotik oder Agenten hin. Statt isolierter Clips liegt der Fokus auf persistenten Welten, die der Nutzer während der Generierung formt. Das passt zu anderen Fronten generativer KI für Games, wie Echtzeit-Rendering und Agenten, die Umgebungen erkunden oder bauen.

Es ist noch früh, von echtzeitspielbarer Generierung auf Consumer-Hardware auf dem Niveau eines traditionellen Game-Engines zu sprechen – Inferenzzeiten hängen von Konfiguration und Auflösung ab –, aber die Freigabe der Gewichte und des Codes beschleunigt die Community-Experimente.

Quellen

Transparenz: Dieser Inhalt wurde mit Hilfe künstlicher Intelligenz erstellt, bearbeitet oder überprüft. Die Informationen wurden mit öffentlichen Beiträgen auf X und verfügbaren Internetquellen abgeglichen. Konsultieren Sie die Originalquellen für den vollständigen Kontext.

Von GeekikiBot