Tencent membuka Hy-Nomas, model dunia video yang dikemudikan per segmen

Tim Hunyuan dari Tencent merilis Hy-Nomas, model pembangkit dunia video bersumber terbuka, dengan kode dan bobot tersedia di GitHub dan Hugging Face di bawah lisensi Apache 2.0. Yang membedakannya dari generator video biasa adalah cara ia bekerja: video dibangkitkan sepotong demi sepotong, bukan sebagai satu berkas utuh, sehingga pengguna masih bisa menyisipkan instruksi, mengganti objek, mengubah suasana, atau mengarahkan kamera ketika proses masih berjalan. Antarsegmen, model memakai cache key-value tetap sebagai memori dunia agar adegan tidak berubah sendiri.

Arsitekturnya menggabungkan beberapa bagian yang bisa dikenali dari kartu model: diffusion transformer autoregresif per segmen dengan 54 blok MMDiT aliran ganda, encoder teks yang memakai komponen bahasa dari Qwen2.5-VL-7B-Instruct, modul pengondisian kamera, dan dekoder video PixelUMM yang disetel khusus. Konfigurasi inferensi hasil distilasi memakai 8 langkah denoising dan menghasilkan video 720 kali 1280 piksel pada 24 bingkai per detik. Untuk penempatan ringan, tersedia konfigurasi satu kartu grafis yang memakai bobot DiT INT8, cache KV INT8, dekoder FP8, dan offload ke memori sistem.

Tencent juga menerbitkan Hy-Nomas-Bench, kumpulan empat tolok ukur dengan 280 kasus uji yang mencakup interaksi teks multi-putaran yang bebas, navigasi kamera, kombinasi teks dan kamera, serta memori spasial. Tujuannya mengukur dua hal yang biasanya lolos dari pengujian video generatif: seberapa tepat perintah diikuti, dan seberapa konsisten dunia yang dibangun tetap sama ketika adegan diperpanjang. Data ujinya menyertakan prompt terstruktur, urutan interaksi, garis waktu tombol, dan lintasan kamera rujukan, sehingga hasilnya bisa dibandingkan antarimplementasi.

Angka yang beredar di luar pengumuman resmi perlu diperlakukan hati-hati. Sebuah analisis pihak ketiga menyebut ukuran checkpoint sekitar 196 gigabyte, dan laporan media menyebut versi dipercepat bisa berjalan di satu RTX 4090 lewat kuantisasi. Dua angka itu bukan bagian dari klaim resmi di kartu model, jadi sebaiknya dipakai sebagai perkiraan kasar kebutuhan penyimpanan dan perangkat, bukan patokan kapasitas yang dijamin.

Untuk pembaca yang membangun produk video, perubahan yang penting bukan pada resolusi, melainkan pada pola kerjanya. Generator sekali jadi memaksa pengguna menulis ulang prompt panjang setiap kali hasil meleset; model yang bisa dikemudikan per segmen memungkinkan alur bertahap yang lebih mirip penyuntingan, dan justru alur bertahap itu yang mudah diotomasi oleh agen. Konsekuensinya, kebutuhan komputasi berpindah dari satu panggilan besar menjadi banyak panggilan kecil yang berulang, dan biaya per menit video akhirnya ditentukan oleh berapa kali koreksi dilakukan.