Oriente sigue repartiendo cartas. Tencent Hunyuan publicó el informe técnico de Hy-Nomas, su modelo mundo interactivo de código abierto, y puso a disposición de la comunidad Hy-Nomas-Bench, un benchmark diseñado para poner a prueba modelos de video-mundo interactivos. El informe apareció en arXiv el 27 de octubre, apenas días después del lanzamiento inicial del código y los pesos, ocurrido el 21 de octubre.
Un mundo que se genera segmento por segmento
Hy-Nomas es un modelo de video-mundo con un backbone de difusión de 8B. La propuesta es simple de contar y compleja de construir: los usuarios lo pilotan a lo largo de múltiples turnos mediante instrucciones de texto libre, control continuo de cámara, o ambos al mismo tiempo. El modelo genera el mundo por segmentos, condicionando cada nuevo tramo tanto en la entrada actual como en un historial cacheado, de modo que las escenas se mantienen consistentes a lo largo del tiempo.
Según el informe, el diseño central alinea captions de video estructuradas con atención causal consciente de la acción. La traducción: el contexto descriptivo queda disponible a lo largo de todos los segmentos, mientras que las instrucciones de acción solo se aplican a la ventana temporal para la que fueron pensadas. Un potenciador de prompts de visión-lenguaje convierte los pedidos del usuario y el historial de interacción en condiciones estructuradas para el segmento siguiente.
Entrenamiento por etapas y destilación que baja los costos
El entrenamiento sigue un currículo de múltiples etapas: primero introduce la generación causal, después suma la interacción por texto y el control de cámara, luego entrena sobre historiales generados por el propio modelo, y cierra con un paso final de destilación de difusión. El resultado concreto: el modelo destilado corre en cuatro a ocho pasos de denoising. En evaluación humana, el equipo asegura que Hy-Nomas superó a los modelos mundo existentes.
Hy-Nomas-Bench: 280 casos para medir memoria y física
El benchmark incluye 280 casos de prueba divididos en cuatro tareas:
- Interacción multi-turno con texto libre.
- Navegación por cámara.
- Control intercalado de texto y cámara.
- Memoria espacial.
La suite evalúa si un modelo sigue instrucciones sucesivas, produce respuestas físicamente plausibles, ejecuta movimientos de cámara con precisión y mantiene la coherencia de la escena cuando la cámara vuelve a un lugar que ya vio antes. Incluye prompts, captions estructuradas, secuencias de interacción y trayectorias de cámara de referencia. Tanto la suite como el modelo se liberan bajo licencia Apache 2.0.
Ecosistema: de la RTX 4090 a los TPUs de Google
Tencent acompaña el lanzamiento con un paquete práctico: una configuración INT8 que corre en una única RTX 4090 usando historial con ventana deslizante y offload a CPU, un pipeline para Diffusers, código de fine-tuning con LoRA y una demo web interactiva. Entre los adaptadores liberados hay un LoRA cinematográfico y un LoRA de robótica entrenado con datos reales de un robot de doble brazo.
La comunidad ya se movió: desarrolladores externos sumaron soporte en SGLang, ComfyUI y WanGP, y una demo comunitaria reporta generación en 720p en tiempo real sobre TPUs de Google.
Con Hy Memory 2.0 —su reciente apertura de memoria de trabajo y de código para agentes de IA— y ahora Hy-Nomas, Tencent Hunyuan marca una agenda clara: modelos mundo abiertos, ejecutables en hardware de consumo y con benchmarks públicos para verificar lo que prometen. El terreno de los world models acaba de volverse mucho más competitivo.
Fuente: Pandaily (China AI)
