腾讯混元团队在 Hugging Face 上发布了名为 Hy-Nomas 的视频世界生成模型，其核心能力是支持用户通过文本指令和镜头控制进行自由形式的多轮交互，模型会逐段生成视频，并在生成过程中允许用户引入新物体、改变风格与场景、描述动作或调整镜头。这与此前多数“一次性输入、一次性输出”的视频生成模型形成区别，交互性成为该模型强调的重点。
从技术架构看，Hy-Nomas 采用分段自回归扩散 Transformer（DiT）作为生成主干，在压缩后的视频潜空间中进行扩散，并跨视频段进行自回归。文本条件来自 Qwen2.5-VL-7B-Instruct 的语言模型部分，其 3584 维隐藏状态经过两层 token 精炼器后投影到 DiT 的 2048 维空间；镜头条件则通过归一化的 4×4 相机外参矩阵分组展平为 64 维输入，与视频潜时间压缩对齐。模型使用持久化的键值（KV）缓存在不同视频段之间传递上下文，从而在扩展同一世界时复用此前生成的信息。
推理配置方面，蒸馏版本使用 8 步去噪，输出规格为 720×1280 分辨率、24 FPS。此外，官方还提供了一套面向单卡部署的配置，可在单张 NVIDIA GeForce RTX 4090 上运行，采用 INT8 的 DiT 权重、INT8 KV 缓存、FP8 解码器以及 CPU offload。这一配置的意义在于降低了交互式视频生成的硬件门槛，使个人开发者或小团队也能在消费级显卡上尝试。
与模型一同发布的还有 Hy-Nomas-Bench，包含四个基准、共 280 个测试用例，覆盖多轮自由文本交互、镜头导航、文本与镜头交错控制以及空间记忆等场景，用于评估连续世界生成过程中的交互可控性与一致性。基准提供结构化提示、交互序列、键盘时间线和参考镜头轨迹，并已开放数据集仓库供下载与推理。
从产业视角看，Hy-Nomas 所代表的“交互式世界生成”方向，试图把视频生成从内容创作工具推向可探索、可操控的虚拟环境构建。其分段自回归加 KV 缓存的思路，与当前大模型领域通过缓存历史来维持长上下文一致性的做法相通，只是对象从文本换成了视频潜变量。对算力侧而言，单卡 4090 可运行意味着推理成本进一步下探，但高分辨率、多轮连续生成对显存和带宽仍有实际要求；对应用侧而言，镜头控制与多轮编辑能力可能为广告、游戏预演、影视分镜等场景提供新的工作流。不过，该模型目前仍处于发布初期，实际生成质量、长序列一致性以及交互延迟等指标，还需等待更多第三方测试与社区反馈来验证。