10 月 23 日，腾讯混元把一套视频世界模型放上了 Hugging Face，名字叫 Hy-Nomas。协议是 Apache 2.0，权重、推理代码、网页演示一起放出，还附带一个包含 280 个用例的基准。官方定义是支持自由多轮交互的视频世界生成模型：世界一段一段生成，用户在过程中可以用文字加物体、换风格、描述动作，也可以给一条相机轨迹改变视角。最有性格的地方在于它没有公布任何分数，技术报告标注为即将推出，模型卡里还专门写了一句，架构与采样默认值是配置细节，不是基准成绩。
普通视频模型处理一次提示词，输出一段固定长度的片子，生成结束之后一切定型。世界模型的核心是连续性，它把场景当成一个可以被反复进入的空间，用户每次介入都基于之前的场景状态。Hy-Nomas 采用分段自回归的扩散 Transformer，每段由扩散过程生成，段与段之间靠一条持久的键值缓存传递上下文，注意力在段间是因果的，后面的段能看到前面的全部历史，前面的段不需要知道后面会发生什么。
这套结构让空间记忆成为可测量的事情。镜头转一圈再转回来，画面里的物体位置、光照方向、材质细节是否还和之前一致，是判断世界模型成色的关键。腾讯为此专门做了一个测试套件，把空间记忆与多轮文本指令、相机导航、混合控制并列为四类能力。这四类能力的组合，恰好覆盖了从游戏场景到影视预演的常见需求。
技术上还有一处细节值得留意，相机外参通过交叉注意力进入每一个 Transformer 块，轨迹文件或类 WASD 的键位操作都能驱动视角。这意味着镜头是模型的一等输入，而不是提示词里的形容词。对做虚拟拍摄的团队来说，这个区别决定了能不能把 AI 生成与传统分镜语言对接。
今年不少世界模型发布时都会带一组漂亮数字，问题在于这些数字往往自报、条件不透明、外部难以复现。Hy-Nomas 反过来做，不给结论，只给权重、代码和用例，研究者可以自己在同一批题上跑，跑完自己发榜。基准包含四套件共 280 个用例、220 条参考相机轨迹，覆盖多轮自由文本交互、相机导航、文本与相机混合控制、空间记忆。
这个选择在传播上吃亏，没有排名就没有话题。在工程上却更实用，因为可复现性才是模型能不能被采用的前提。一个团队要把世界模型接进自己的流程，第一件事是拿自己的场景测一遍，公开权重省掉了申请、审批、排队的环节。腾讯把这道工序的成本降到了下载。
代价是短期内没人知道它到底多强。技术报告未出，第三方评测需要时间，买家在下单前只能自己试。对一家大厂来说，这样的发布方式说明优先级不在榜单，而在开发者覆盖。
标准配置需要 8 张 GPU 做序列并行，蒸馏版每段 8 步去噪，输出 720 乘 1280、24 帧每秒。腾讯另给了一套低显存方案：权重与缓存压成 INT8，解码器走 FP8，组件在 CPU 与显卡之间按需搬移，历史潜帧预算默认 18 帧。整套文件接近 86GB，一张 RTX 4090 能跑起来。
这里的 24 帧是播放帧率，不是生成速度，官方在说明里特意澄清。生成速度取决于硬件、分辨率、段长、历史长度与配置组合，单卡模式下 18 帧的历史预算限制了模型能同时参考多远的过去，更早的内容被转到内存里，取用需要额外延迟。用一个可以量化的取舍换取硬件门槛下降，这是典型的工程妥协。
还有两个使用上的坑。INT8 加载器不支持在推理时另挂 LoRA，电影感与机器人两套适配器只能选一个；网页演示依赖一个单独的提示增强服务 Nomas-PE，离线部署不需要，但要自己准备结构化提示词。这些限制不影响研究，影响的是拿来即用的产品化。
发布里附带两个可选适配器。一个是电影感调色，另一个是机器人适配器，用公开的真实机械臂数据集训练，目的是提升生成世界里的机械臂操作仿真能力。后者才是物理 AI 领域真正关心的部分。
逻辑并不复杂。训练真机器人贵、慢、危险，那就先在生成的世界里批量练习，练好再迁移到真机。世界模型在这里承担的是数据工厂的角色，提供大量带物理合理性的交互样本。要做到有用，生成的世界必须在接触、摩擦、形变这些物理属性上足够可信，而这恰恰是当前生成模型最薄弱的地方，画面好看不等于物理正确。
所以机器人适配器更像一个方向声明。它告诉研究者这条路被认真对待了，也提醒使用者别把演示画面当成仿真精度。判断这类模型能不能用于训练，要看它在接触力、物体质量、关节约束上的表现，而这些指标目前没有公开数据。
腾讯混元今年在开源上动作密集，四月的 HY-World 2.0 生成的是静态三维网格与高斯泼溅，产品形态是空间资产；Hy-Nomas 生成的是持续流动的视频世界，产品形态是时间序列。两者名字相近，能力完全不同，混为一谈会误判它的用途。同期开源的还有面向智能体的记忆工具包 Hy-Memory 2.0，混元系的开源矩阵正在从语言模型往具身智能的地基铺。
行业坐标也清楚。蚂蚁的 LingBot-World 主打实时键鼠控制，Astronex-World 在单张 48GB 显卡上跑实时流，各家路线不同，方向一致：世界模型的门槛正在快速下降。门槛下降带来的直接后果是评测变得重要，当人人都能下载运行，判断哪个模型适合自己的场景，就成了团队必须自己完成的工作。
对内容团队来说，现在最有价值的动作不是等排名，而是拿自己最熟悉的一个场景跑一遍，看镜头回来时世界还认不认得路。这个测试不需要写代码，用网页演示就能完成，答案会比任何宣传材料都直接。