Tencent stellt Hy-Nomas für interaktive Videowelten vor

Text und Kamerapfade sind getrennte Steuerkanäle

Hy-Nomas soll nicht nur frei formulierte Beschreibungen verarbeiten, sondern auch kontinuierliche Kamerasteuerung unterstützen. Nach den technischen Angaben kann ein Prompt etwa Eigenschaften, Stil, Umgebung oder Handlungen beschreiben; eine separate Trajektorie legt fest, wie sich die Kamera bewegt. Beide Eingaben können zusammen die Generierung eines Segments konditionieren. [1][2]

Für die Kamerasteuerung verarbeitet das Modell Kamera-Extrinsiken – also Angaben zur Position und Orientierung der Kamera – über eigene Einbettungen und einen Aufmerksamkeitsmechanismus. Bei der Offline-Inferenz nimmt die dokumentierte Konfiguration Kameratrajektorien als Matrizen entgegen. Das unterscheidet die Eingabe technisch von einem Textprompt, der eine Kamerabewegung lediglich sprachlich umschreibt. [2]

In der Webdemo kommt zusätzlich Nomas-PE zum Einsatz. Dieser Prompt Enhancer formt Nutzereingaben und den multimodalen Interaktionsverlauf laut Projektseite in strukturierte Bedingungen für das nächste Segment um. Tencent beschreibt ihn als separaten Dienst, der für die Webdemo benötigt wird; Offline-Inferenz kann stattdessen vorbereitete Promptdateien verwenden. Für Organisationen, die eine eigene Bereitstellung planen, ist diese Trennung relevant: Die Videogenerierung und die Online-Aufbereitung der Eingaben sind nicht derselbe Dienst. [1][2]

Technische Daten sind keine Laufzeitgarantie

Die Projektseite nennt für die destillierte Inferenzkonfiguration eine Ausgabeauflösung von 720 × 1280 Pixeln, eine Wiedergabefrequenz von 24 Bildern pro Sekunde und acht Denoising-Schritte. Diese Angaben beschreiben die vorgesehene Konfiguration, nicht die Geschwindigkeit, mit der ein System die Videobilder erzeugt. Tencent macht in den vorliegenden Angaben keine allgemeine Laufzeit- oder Durchsatzgarantie; die tatsächliche Generierung hängt laut Dokumentation unter anderem von Hardware, Auflösung, Segmentlänge und Länge des gespeicherten Verlaufs ab. [2]

Auch die latente Videorepräsentation und der Decoder sind Teil der Inferenzkette. Hy-Nomas verwendet nach den technischen Angaben DCAE-V-Latents mit 32 Kanälen und einen feinabgestimmten PixelUMM-Decoder. Die acht Diffusionsschritte des Hauptmodells sind von dem separaten Decodiervorgang zu unterscheiden. [2]

Für die Standardausführung dokumentiert Tencent eine Sequenzparallelisierung über acht GPUs. Daneben gibt es eine Konfiguration für eine einzelne NVIDIA GeForce RTX 4090: Sie setzt INT8-Gewichte für das Diffusionsmodell und den Cache sowie einen FP8-Decoder ein und lagert Modellkomponenten zur Verarbeitung zeitweise auf die CPU aus. Der Hersteller weist darauf hin, dass dafür ausreichend Arbeitsspeicher nötig ist und Transfers zwischen CPU und GPU zusätzliche Latenz verursachen. [2]

Die Einzel-GPU-Variante löst deshalb nicht alle Skalierungsfragen. Ihr Budget von bis zu 18 historischen latenten Frames bezieht sich auf den für die GPU ausgewählten Verlauf, nicht auf die Länge des jeweils neu generierten Segments. Zudem kann das CPU-Archiv mit der Generierung wachsen. Für Unternehmen, die eine Anwendung mit längeren Sitzungen erwägen, sind daher sowohl Speicherbedarf als auch die Verzögerung zwischen Eingabe und Ausgabe praktisch zu prüfen. [2]

Ein Benchmark ist verfügbar, die Aussagekraft bleibt offen

Tencent veröffentlicht mit Hy-Nomas-Bench einen Testsatz mit 280 Fällen. Er deckt laut Projektseite vier Aufgabenfelder ab: mehrstufige Textsteuerung, Kameranavigation, die Kombination von Text- und Kamerasteuerung sowie räumliches Gedächtnis. Die Materialien umfassen unter anderem Interaktionssequenzen und Referenztrajektorien für Kameras. [2]

Der Abstract auf der Papierseite berichtet, Hy-Nomas habe in einer menschlichen Bewertung besser als bestehende Weltmodelle abgeschnitten. In den dort bereitgestellten Angaben fehlen jedoch Details, die für eine unabhängige Einordnung nötig wären, etwa Bewertungskriterien, Stichprobengröße, Vergleichsmodelle und numerische Resultate. Die Existenz eines Benchmark-Datensatzes ersetzt diese Informationen nicht: Die Projektseite beschreibt den Umfang und die Aufgaben, liefert in dem vorliegenden Text aber keine Benchmark-Ergebnisse. [1][2]

Für Entscheiderinnen und Entscheider ergibt sich daraus ein zweigeteiltes Bild. Die technische Spezifikation und die veröffentlichten Testfälle schaffen Ansatzpunkte für eigene Reproduktionen. Die behauptete Überlegenheit in der menschlichen Bewertung ist dagegen auf Basis der verfügbaren Angaben nicht quantifizierbar und sollte als Aussage des Projektabstracts, nicht als unabhängig bestätigter Leistungsnachweis gelesen werden. [1][2]

Mögliche Anwendungen und Grenzen für Unternehmen

Die Kombination aus fortlaufender Textsteuerung und expliziten Kamerapfaden könnte für Prototyping, visuelle Szenenentwicklung oder interaktive Videoerlebnisse interessant sein. Das ist eine Analyse der dokumentierten Funktionen, kein Nachweis, dass Hy-Nomas bereits Produktionsanforderungen in diesen Bereichen erfüllt. Die Projektbeschreibung belegt segmentweise Videoausgabe und Steuerung, macht aber keine Angaben zu Integration in bestehende Unternehmenssysteme, Verfügbarkeit unter Service-Level-Vereinbarungen oder garantierter Qualität in einem konkreten Anwendungsfall. [1][2]

Besonders sorgfältig sollten Sie zwischen Wiedergabeformat und Echtzeitfähigkeit unterscheiden. 24 Bilder pro Sekunde bezeichnen die Bildrate des resultierenden Videos; sie belegen nicht, dass das System während einer Interaktion mit 24 neuen Bildern pro Sekunde reagiert. Für Anwendungen, in denen Nutzereingaben ohne spürbare Verzögerung eine Simulation verändern müssen, ist daher ein eigener Laufzeittest auf der vorgesehenen Hardware erforderlich. [2]

Auch die Modellbezeichnung „Welt“ sollte nicht mit einem vollständigen digitalen Zwilling verwechselt werden. Die beschriebenen Eingaben und Ausgaben betreffen Video, Text und Kamera; aus den vorliegenden Quellen geht nicht hervor, dass Hy-Nomas belastbare physikalische Zustände, kollisionsfähige 3D-Geometrie oder überprüfbare Umweltzustände bereitstellt. Für Trainings- oder Simulationszwecke müsste ein Unternehmen solche Eigenschaften gesondert nachweisen, bevor es Ergebnisse als Verhalten einer realen Umgebung interpretiert. [1][2]

Offene Gewichte senken Einstiegshürden, nicht automatisch Betriebskosten

Die Veröffentlichung von Modellgewichten und Code ermöglicht es Forschungsteams und Unternehmen, die Inferenz selbst zu untersuchen und anzupassen. Tencent dokumentiert eine Apache-2.0-Lizenz für Hy-Nomas und verweist zugleich darauf, dass Drittmodelle und Komponenten eigenen Lizenzbedingungen unterliegen. Eine Prüfung der konkreten Bestandteile bleibt daher Teil der technischen und rechtlichen Due Diligence. [1][2]

Offenheit bedeutet außerdem nicht, dass die Einführung ohne erhebliche Infrastruktur auskommt. Die dokumentierte Standardkonfiguration sieht acht GPUs vor; die ressourcenschonendere Variante verlangt weiterhin eine RTX 4090, genügend Systemspeicher und zusätzlichen Aufwand durch CPU-Auslagerung. Die Unterlagen beschreiben technische Betriebswege, enthalten aber keine vollständige Kostenrechnung für Hardware, Energie, Integration oder laufende Wartung. [2]

Hy-Nomas ist damit vor allem ein Forschungs- und Entwicklungsangebot für Teams, die Videogenerierung mit mehrstufiger Steuerung testen wollen und über passende GPU-Ressourcen verfügen. Die zentrale nächste Frage ist weniger, ob Text und Kamera grundsätzlich als getrennte Steuerkanäle funktionieren – dies ist dokumentiert –, sondern wie zuverlässig das Modell über lange Interaktionen bleibt und wie sich Qualität und Latenz unter realen Lastbedingungen messen lassen. Die veröffentlichten Testfälle können dafür eine Grundlage bilden; die vorliegenden Angaben beantworten diese Fragen noch nicht abschließend. [1][2]

Quellen

1. [1] Paper page - Hy-Nomas: Towards Free-form Interactive World Generation — https://huggingface.co/papers/2610.36729 (abgerufen am 2026-10-28)
2. [2] tencent/Hy-Nomas · Hugging Face — https://huggingface.co/tencent/Hy-Nomas (abgerufen am 2026-10-28)