腾讯发布Hy-Nomas技术报告与280项基准测试集

研究者和竞争对手实验室现在可以拿一套公开的测试集来检验长时程一致性、指令遵循和镜头控制，不必再看宣传片。这些数字都出自腾讯自己：它的人工评测把Hy-Nomas排在现有模型之上，而那段与Genie 4对比的视频并不是在条件对等、独立的情况下拍的。

腾讯实际发布了什么

10月30日放出的是报告和评测集，不是产品发布。Hy-Nomas此前已经公布过。新内容讲的是内部结构和评测方法。

Hy-Nomas是一个80亿参数的视频扩散模型。它接受自由文本指令，支持多轮连续镜头控制。权重放在Hugging Face上，Apache 2.0协议，约196GB。代码在GitHub，另有在线演示。Hugging Face上的版本发布于10月下旬。

模型是怎么搭起来的

Hy-Nomas是分段自回归的扩散Transformer，不是一次成片的视频生成器。它逐段生成变长片段，条件是缓存下来的历史。世界记忆是一份KV缓存，随着新片段生成不断向前传递并刷新。指令只在一个有限的时间窗口内生效，窗口由一种注意力机制划定。约80亿参数分布在54个双流MMDiT块中，隐藏维度为2048。可选的提示词增强器Nomas-PE把松散的文字改写成结构化JSON描述。输出为720乘1280、每秒24帧。微调过的PixelUMM解码器用八步蒸馏去噪，把DCAE-V潜变量变成画面。

部署并不轻。默认配置要八块GPU。另有一条用INT8 DiT的单张RTX 4090路线。

基准测试及其局限

Hy-Nomas-Bench共280项，分四条赛道：多轮文本、镜头导航、文本与镜头交替、空间记忆。报告用人工成对比较，把Hy-Nomas与Genie 3、LingBot-World v2和Happy Oyster放在一起。Hy-Nomas在交互和提示词遵循上胜出，提示词遵循的胜率报告为约65%，在长期空间记忆上输给Genie 3。这些是作者在自己的基准上做的比较。

视频世界模型优化的目标是观众能接受什么。自动驾驶或机器人系统要的是度量精度：车道宽度、激光雷达回波、一个不能瞬移回路边的行人。

它对标的对手

百度11月3日披露了Apollo World。这是一个智能体驱动的模拟器，输出虚拟城市的摄像头和激光雷达观测。在这座城市里，交通会对被测车辆做出反应。百度智能驾驶事业群首席架构师王亮说，世界模型不该是产出炫目视频的画家，而应是驾驶安全的考官。随后提出的“2+3”标准把因果性和交互性当作门槛，再评物理准确性、持久性和实时性能。百度没有公布参数量、架构、论文、基准表格、权重、API或价格。

两者今天只有一个能下载。Hy-Nomas开放权重，Apollo World没有。

两家公司都没有发布独立的直接对比。在腾讯之外有人跑完Hy-Nomas-Bench并公布结果之前，这280项衡量的只是腾讯选择去衡量的东西。