腾讯开源可文本操控的世界模型Hy-Nomas

腾讯开源视频世界模型 Hy-Nomas，采用 Apache-2.0 许可。该模型支持通过文本指令和镜头控制进行多轮自由交互，逐段生成并延续同一世界。 技术配置上，Hy-Nomas 采用分段自回归 DiT 架构，结合 Qwen2.5-VL-7B 文本编码器、镜头条件模块和 PixelUMM 解码器；蒸馏配置为 8 步去噪、720×1280 分辨率、24 FPS。标准运行配置使用 8 路序列并行和分布式 PixelUMM 解码；单张 NVIDIA GeForce RTX 4090 推理需使用指定的低显存配置文件，该单卡说法仅适用于视频推理，网页演示所需的 Nomas-PE 另占服务资源。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。