Tencent Hunyuan detalla Hy-Nomas, un modelo de mundo abierto de 8.000 millones de parámetros, guiado por texto y cámara, que cabe en una RTX 4090

El equipo Hunyuan de Tencent ha publicado el informe técnico de Hy-Nomas, un modelo de mundo en vídeo interactivo que el usuario dirige turno a turno con instrucciones escritas y movimientos de cámara. El artículo de arXiv lleva fecha del 27 de octubre. El modelo llegó antes y sin apenas ruido: según OrcaRouter, el repositorio de Hugging Face se creó el 21 de octubre y los pesos y el código se subieron el día 23, sin entrada de blog ni artículo en ese momento.

Cómo funciona

Hy-Nomas se apoya en una red de difusión de 8.000 millones de parámetros. En lugar de generar un único clip a partir de una sola instrucción, produce una serie de segmentos de vídeo de duración variable, cada uno condicionado por el último texto y el último movimiento de cámara del usuario, además de una memoria de lo ya generado.

Los autores destacan dos decisiones de diseño. Por un lado, combinan subtítulos de vídeo estructurados con lo que llaman atención causal consciente de las acciones, de modo que la descripción de la escena se mantiene entre segmentos mientras que una orden concreta, como un desplazamiento o un suceso, solo se aplica en su propia ventana de tiempo. Por otro, un «Prompt Enhancer» de visión y lenguaje convierte las peticiones informales y el historial de la interacción en condiciones estructuradas para el siguiente segmento. El entrenamiento termina con una fase de destilación que reduce los pasos de eliminación de ruido.

Ejecutarlo en casa

La configuración de inferencia por defecto reparte el trabajo entre ocho GPU, pero el artículo describe una vía con una sola RTX 4090 que guarda los pesos y la caché de atención en INT8, usa atención de ventana deslizante y descarga parte del trabajo a la CPU. En ese modo, los autores registran un pico de 20,53 GiB de memoria de GPU para un vídeo de 100 segundos en siete segmentos, a 1280×704 y 24 fotogramas por segundo. Esa cifra es la velocidad de reproducción: el informe no indica la velocidad de generación, y AlphaSignal advierte de que no se ha cuantificado cuánta calidad se pierde con los atajos en INT8.

Promesas y salvedades

Tencent ha publicado los pesos, el código y Hy-Nomas-Bench, un conjunto de 280 casos de prueba, algunos de los cuales exigen vídeos de más de un minuto. OrcaRouter y AlphaSignal señalan una licencia Apache 2.0, aunque el codificador de texto Qwen2.5-VL del que depende mantiene sus propias condiciones. En el artículo, evaluadores humanos compararon Hy-Nomas por parejas con Genie 3, LingBot-World v2 y Happy Oyster, y los autores afirman que su modelo sale mejor parado; esos resultados aún no se han reproducido de forma independiente.