腾讯混元开源 Hy-Nomas：8B 骨干加一个导演模型，单张 4090 跑出 60 秒可交互世界

它生成的不是一段视频，是一个能走进去的地方

10 月 21 日，腾讯混元把 Hy-Nomas 的权重、推理代码、训练代码和评测基准一起放了出来。它不是又一个文生视频模型。普通视频模型一次吐出整段画面，改一个字就得重抽，前后像换了个片场；Hy-Nomas 把世界切成 2 到 5 秒一段，一段接一段往下生成，前一段的输出直接成为下一段的输入。

真正的关键在第二层机制。每生成一段，模型把此前所有片段的关键信息压进 KV 缓存，新段落生成时全程参考这份记忆。通俗地说，模型有了一份世界记忆：走回头路不会穿帮，几段前路过的那家店还在原地，连续交互最长能接到 60 秒。代价是它不实时，按一下前进键，要等几秒才出下一段。

引擎侧的分工这次也公开了。一个微调自 Qwen3.8-27B 的提示词增强器充当导演，把用户一句口语拆成结构化剧本、定下这一段的时长；真正出画面的是以 HunyuanVideo 1.5 为基础改造的 8B 视频扩散骨干。相机运动交给键盘，文本只负责世界本身，这是它跟普通视频模型最不一样的地方。

单卡门槛与真实速度

官方给了 INT8 低显存方案，一张 RTX 4090 能跑；社区 ComfyUI 节点把门槛压到 12GB 显存，代价是约 27GB 硬盘占用，其中 INT8 主模型 9GB、FP8 解码器 9GB、文本编码器 9GB。

速度不用抱幻想。ComfyUI 版 README 给的是单张 4090 实测：10 秒 720p 约 85 秒，832×480 约 34 秒，按住前进键走 1 秒的世界要等 3.5 到 4 秒。社区在 4 块 TPU 上跑 1 秒 720p 需 0.933 秒，单块要 2.46 秒。它离实时还差一截。

官方仓库的定位很直白：这不是实时游戏引擎，是一台要等几秒才吐出下一段的世界渲染器。

跟 Genie 4 差在哪，许可能不能商用

谷歌 10 月 27 日发布 Genie 4，两天后腾讯用 Hy-Nomas 把官网 8 组演示逐一复现并放出对比。结论比较克制：可交互性和内容完整性接近，但画面细节、镜头流畅度、风格一致性还有差距，而且它只出画面不出声，Genie 4 是音视频同时生成的。

许可要看清。主模型与代码是 Apache 2.0，但 PixelUMM 解码器权重挂的是 NVIDIA 非商用许可，只限研究与评估。做产品、接商单之前先把这条查清楚，别看到 Apache 2.0 就默认整条链路都能商用。

眼下更现实的落点是游戏原型、影视预演、虚拟场景踩点，还替代不了成片。技术报告自己也写了短板：连续越长越容易跑偏，人工评测是自家口径，缺第三方复核。这三个问题解决了，世界模型才算真的能进生产流程。