Tencent veröffentlicht Hy-Nomas: offenes Video-Weltmodell für eine RTX 4090

Worum es geht

Tencents KI-Team Hunyuan hat am 23. Oktober 2026 das Video-Weltmodell Hy-Nomas als Open Source veröffentlicht. Statt ein Video am Stück zu erzeugen, baut das Modell eine „Welt“ Abschnitt für Abschnitt auf. Nutzer können währenddessen per Textanweisung Objekte hinzufügen, Stil oder Umgebung wechseln, Bewegungen beschreiben und die Kamera über einen Pfad steuern. Das Modell nutzt den Kontext früherer Abschnitte, um dieselbe Welt fortzusetzen. Code liegt auf GitHub, Gewichte und Modellkarte auf Hugging Face, die Lizenz ist Apache 2.0 (frei auch kommerziell nutzbar). Zusätzlich gibt es eine Web-Demo.

Wie es funktioniert

Hy-Nomas kombiniert einen segmentweise autoregressiven Diffusion Transformer (DiT) mit einem Qwen-Textencoder, Kamera-Konditionierungsmodulen und dem Videodecoder PixelUMM. „Autoregressiv“ heißt: Jeder Abschnitt wird auf Basis des bisher Erzeugten gebildet. Der Schlüssel ist ein persistenter KV-Cache – ein Zwischenspeicher, in dem das Modell Informationen früherer Abschnitte behält, damit Inhalt und Konsistenz zusammenpassen. Die Berechnung läuft im komprimierten Latentraum des Videos. Laut Drittquelle (OrcaRouter, ein Anbieter mit eigenem Interesse) besteht der Kern aus 54 Dual-Stream-MMDiT-Blöcken, als Textencoder dient Qwen2.5-VL-7B-Instruct. Eine Parameterzahl nennt Tencent nicht; die Drittquelle schätzt aus der FP32-Dateigröße (34,2 GB) rechnerisch ca. 8,5 Mrd. – ausdrücklich eine Schätzung.

Textanweisungen und Kameratrajektorie sind getrennte Kanäle: Der Prompt beschreibt die Szene, der Kamerapfad (Position und Ausrichtung) den Blickwinkel. Ein Prompt-Enhancer namens Nomas-PE formuliert knappe Anweisungen um. Weitere Funktion laut Tencent: Weltgedächtnis für lange Erzeugung und leichte LoRA-Anpassung (kleine Zusatzgewichte zum Feintuning) für Spezialbereiche wie Robotik.

Zahlen und Hardware

Die destillierte Konfiguration erzeugt jedes Segment mit nur 8 Denoising-Schritten (4 und 6 werden laut Drittquelle auch akzeptiert) in 720×1280 bei 24 FPS. Die Standardkonfiguration nutzt Sequenzparallelität über mehrere GPUs (laut Drittquelle acht). Daneben gibt es eine Einzelkarten-Konfiguration mit INT8-Gewichten, INT8-KV-Cache, FP8-Decoder und CPU-Offload, die auf einer NVIDIA GeForce RTX 4090 läuft.

Die 24 FPS beschreiben die Wiedergabe, nicht die Erzeugungsgeschwindigkeit; diese ist nicht angegeben.

Hy-Nomas-Bench

Parallel erschien Hy-Nomas-Bench mit vier Aufgaben und 280 Testfällen: mehrstufige freie Texteinteraktion, Kameranavigation, verschränkte Text-Kamera-Steuerung und räumliches Gedächtnis. Enthalten sind strukturierte Prompts, Interaktionsfolgen, Tastatur-Zeitleisten und rund 220 Referenz-Kamerapfade. Videos und Ergebnisse sind nicht enthalten. Der technische Bericht ist als „Coming Soon“ markiert.

Was du zum Ausprobieren brauchst

Realistisch ist die Einzelkarten-Variante: eine RTX 4090 mit 24 GB VRAM, dazu viel Arbeitsspeicher wegen CPU-Offload (Richtwert: 64 GB oder mehr, nicht von Tencent angegeben) und mindestens ca. 40–90 GB freier Speicherplatz für Gewichte. Mac oder reiner CPU-Betrieb sind nicht vorgesehen; auf Google Colab wäre eine Karte mit ausreichend VRAM nötig. Wer nur schauen will, nutzt die Web-Demo.

Einordnung

Interaktive Weltmodelle sind ein aktuelles Feld; die Kombination aus Apache-2.0-Lizenz, Trainingscode und 4090-Lauffähigkeit macht Hy-Nomas für Forschung und Robotik-Simulation attraktiv. Kritisch: Es gibt keine veröffentlichten Benchmark-Ergebnisse und keinen technischen Bericht, und es wurde nie direkt mit Konkurrenten wie Odyssey-3 verglichen. Aussagen über Qualität sind daher unbelegt. Die Drittquelle bemerkt, Odyssey-3 sei nur als geschlossene Vorschau verfügbar, Hy-Nomas dagegen selbst hostbar.