Tencent veröffentlicht technischen Bericht zu Hy-Nomas und einen Benchmark mit 280 Aufgaben

Forscher und konkurrierende Labore können Langzeitkonsistenz, Befehlsbefolgung und Kamerasteuerung jetzt an einem veröffentlichten Satz prüfen statt an einem Werbeclip. Die Zahlen stammen von Tencent selbst: In der eigenen menschlichen Bewertung liegt Hy-Nomas vor bestehenden Modellen, und das Vergleichsmaterial zu Genie 4 entstand nicht unter gleichen, unabhängigen Bedingungen.

Was Tencent tatsächlich veröffentlicht hat

Die Veröffentlichung vom 30. Oktober ist ein Bericht und ein Bewertungssatz, kein Produktstart. Hy-Nomas hatte Tencent bereits angekündigt. Das neue Material beschreibt den internen Aufbau und die Bewertungsmethode.

Hy-Nomas ist ein Videodiffusionsmodell mit 8.000.000.000 Parametern. Es verarbeitet frei formulierte Textanweisungen und steuert die Kamera über mehrere Runden hinweg fortlaufend. Die Gewichte liegen auf Hugging Face unter Apache 2.0 und umfassen rund 196GB. Der Code steht auf GitHub, eine gehostete Demo ist verfügbar. Die Veröffentlichung auf Hugging Face stammt aus dem späten Oktober.

Wie das Modell aufgebaut ist

Hy-Nomas ist ein segment-autoregressiver Diffusionstransformer, kein Videogenerator für den Einzelwurf. Er erzeugt Segmente unterschiedlicher Länge, die von einer zwischengespeicherten Historie abhängen. Das Weltgedächtnis ist ein KV-Cache, der weitergeführt und beim Erzeugen neuer Segmente aufgefrischt wird. Anweisungen gelten nur innerhalb eines begrenzten Zeitfensters. Ein Attention-Mechanismus legt dieses Fenster fest. Rund 8.000.000.000 Parameter verteilen sich auf 54 Dual-Stream-MMDiT-Blöcke. Die versteckte Dimension beträgt 2.048. Ein optionaler Prompt-Enhancer, Nomas-PE, schreibt lose Prosa in strukturierte JSON-Beschreibungen um. Die Ausgabe kommt mit 720 mal 1.280 Pixeln bei 24 Bildern pro Sekunde. Ein feinabgestimmter PixelUMM-Decoder macht aus DCAE-V-Latenten in acht destillierten Entrauschungsschritten Bilder.

Der Betrieb ist nicht leicht. Eine Standardkonfiguration verlangt acht GPUs. Es gibt einen Weg mit einer einzelnen RTX 4.090 und einem INT8-DiT.

Der Benchmark und seine Grenzen

Hy-Nomas-Bench umfasst 280 Aufgaben in vier Bereichen: mehrrundiger Text, Kameranavigation, verschränkter Text und Kamera sowie räumliches Gedächtnis. Der Bericht vergleicht Hy-Nomas in menschlichen Paartests mit Genie 3, LingBot-World v2 und Happy Oyster. Hy-Nomas gewinnt bei Interaktion und Befehlsbefolgung, mit einer angegebenen Gewinnrate von etwa 65% bei der Befehlsbefolgung, und verliert gegen Genie 3 beim langfristigen räumlichen Gedächtnis. Das sind die Vergleiche der Autoren auf dem Benchmark der Autoren.

Videoweltmodelle optimieren darauf, was ein Betrachter akzeptiert. Ein Stack für Fahren oder Robotik braucht stattdessen metrische Genauigkeit: Fahrbahnbreiten, Lidar-Messwerte, einen Fußgänger, der nicht zurück auf den Bordstein springen kann.

Der Rivale, an dem gemessen wird

Baidu hat am 3. November Apollo World vorgestellt. Es ist ein agentengesteuerter Simulator, der Kamera- und Lidarbeobachtungen einer virtuellen Stadt ausgibt. In dieser Stadt reagiert der Verkehr auf das getestete Fahrzeug. Wang Liang, Chefarchitekt der Intelligent Driving Group von Baidu, sagte, ein Weltmodell solle kein Maler sein, der beeindruckende Videos produziert, sondern ein Prüfer der Fahrsicherheit. Das anschließende Raster „2+3“ behandelt Kausalität und Interaktivität als Grundbedingungen. Es bewertet physikalische Genauigkeit, Beständigkeit und Echtzeitleistung. Baidu veröffentlichte keine Parameterzahl, keine Architektur, kein Papier, keine Benchmark-Tabelle, keine Gewichte, keine API und keinen Preis.

Nur eines der beiden lässt sich heute herunterladen. Hy-Nomas kommt mit offenen Gewichten, Apollo World nicht.

Keines der beiden Unternehmen hat einen unabhängigen Direktvergleich veröffentlicht. Solange niemand außerhalb von Tencent Hy-Nomas-Bench laufen lässt und die Ergebnisse publiziert, messen die 280 Aufgaben das, was Tencent messen wollte.