Tencent pubblica il rapporto tecnico di Hy-Nomas e un benchmark da 280 voci

Ricercatori e laboratori rivali possono ora misurare coerenza su lungo orizzonte, aderenza alle istruzioni e controllo della camera su un set pubblicato invece che su una clip promozionale. I numeri sono di Tencent: la sua valutazione umana colloca Hy-Nomas sopra i modelli esistenti, e il confronto con Genie 4 non è stato prodotto in condizioni controllate e indipendenti.

Cosa ha pubblicato davvero Tencent

L'uscita del 30 ottobre è un rapporto e un set di valutazione, non il lancio di un prodotto. Tencent aveva già annunciato Hy-Nomas. Il materiale nuovo riguarda la struttura interna e il metodo di valutazione.

Hy-Nomas è un modello di diffusione video da 8.000.000.000 di parametri. Accetta istruzioni testuali libere e un controllo continuo della camera su più turni. I pesi sono su Hugging Face con licenza Apache 2.0, per circa 196GB. Il codice è su GitHub ed è disponibile una demo ospitata. La release su Hugging Face risale alla fine di ottobre.

Come è costruito il modello

Hy-Nomas è un diffusion transformer autoregressivo a segmenti, non un generatore video a colpo singolo. Produce segmenti di lunghezza variabile condizionati su una cronologia in cache. La memoria del mondo è una KV cache che viene portata avanti e aggiornata man mano che si generano nuovi segmenti. Le istruzioni valgono solo entro una finestra temporale limitata. Un meccanismo di attenzione definisce quella finestra. Circa 8.000.000.000 di parametri sono distribuiti su 54 blocchi MMDiT a doppio flusso. La dimensione nascosta è 2.048. Un enhancer di prompt opzionale, Nomas-PE, riscrive il testo libero in didascalie JSON strutturate. L'output arriva a 720 per 1.280 a 24 fotogrammi al secondo. Un decoder PixelUMM messo a punto trasforma i latenti DCAE-V in fotogrammi in otto passi di denoising distillati.

Il deployment non è leggero. Una configurazione predefinita richiede otto GPU. Esiste un percorso con una singola RTX 4.090 che usa un DiT INT8.

Il benchmark e i suoi limiti

Hy-Nomas-Bench contiene 280 voci su quattro tracce: testo multi-turno, navigazione della camera, testo e camera intercalati e memoria spaziale. Il rapporto confronta Hy-Nomas con Genie 3, LingBot-World v2 e Happy Oyster in test umani a coppie. Hy-Nomas vince su interazione e aderenza al prompt, con un tasso di vittoria dichiarato di circa il 65% sull'aderenza al prompt, e perde contro Genie 3 sulla memoria spaziale a lungo termine. Sono i confronti degli autori sul benchmark degli autori.

I world model video ottimizzano per ciò che uno spettatore accetta. Uno stack per la guida o la robotica ha bisogno invece di accuratezza metrica: larghezza delle corsie, ritorni del lidar, un pedone che non può teletrasportarsi indietro sul marciapiede.

Il rivale con cui viene misurato

Baidu ha reso noto Apollo World il 3 novembre. È un simulatore guidato da agenti che emette osservazioni di camera e lidar di una città virtuale. In quella città il traffico reagisce al veicolo in prova. Wang Liang, chief architect dell'Intelligent Driving Group di Baidu, ha detto che un world model non deve essere un pittore che produce video impressionanti ma un esaminatore della sicurezza di guida. La rubrica "2+3" che ne è seguita tratta causalità e interattività come condizioni necessarie. Valuta accuratezza fisica, persistenza e prestazioni in tempo reale. Baidu non ha pubblicato numero di parametri, architettura, paper, tabella di benchmark, pesi, API né prezzo.

Oggi solo uno dei due si può scaricare. Hy-Nomas arriva con pesi aperti; Apollo World no.

Nessuna delle due aziende ha pubblicato un confronto diretto indipendente. Finché qualcuno fuori da Tencent non eseguirà Hy-Nomas-Bench e ne pubblicherà i risultati, le 280 voci misurano ciò che Tencent ha scelto di misurare.