A equipe Hunyuan da Tencent tornou público o Hy-Nomas, um modelo de mundo em vídeo open source que permite interação contínua por meio de prompts de texto livres e controle de trajetória de câmera. Diferente de geradores de vídeo tradicionais que produzem um clipe fixo, o Hy-Nomas constrói o mundo segmento a segmento, mantendo consistência graças a um cache de chaves e valores (KV cache) que carrega o contexto anterior.
O lançamento ocorreu por volta de 23 de outubro de 2026, com repositório no GitHub, pesos no Hugging Face sob licença Apache 2.0, site oficial e uma demonstração interativa online. A configuração de referência gera saída em 720p a 24 FPS, com até cerca de 60 segundos de duração contínua e oito passos de denoising por segmento na versão destilada.
O que o modelo permite
Os usuários podem:
- Dirigir ações, transformar cenas e alterar estilos com linguagem natural em turnos sucessivos;
- Controlar a câmera junto com o texto, intercalando as duas formas de entrada;
- Manter consistência espacial e de objetos ao retornar a locais já gerados, graças à memória do mundo;
- Adaptar o modelo com LoRAs, incluindo uma para simulação de braços robóticos treinada em dados do mundo real.
Há também o Hy-Nomas-Bench, um conjunto de 280 casos de teste que avalia interação multi-turno, navegação de câmera, controle intercalado e memória espacial. O relatório técnico completo ainda não foi publicado.
Roda em hardware de consumidor
A configuração padrão usa paralelismo de sequência (tipicamente múltiplas GPUs), mas o projeto inclui um caminho otimizado para uma única NVIDIA GeForce RTX 4090. Ele utiliza pesos DiT em INT8, cache KV em INT8, decoder PixelUMM em FP8 e offload para CPU. Isso exige RAM de sistema suficiente e adiciona overhead de transferência, mas torna a experimentação local viável. A comunidade já começou a portar o modelo para o ComfyUI, com relatos de uso em GPUs com cerca de 12 GB de VRAM em configurações experimentais.
O backbone é um diffusion transformer multimodal denso (MMDiT) com 54 blocos de fluxo duplo, usando um encoder de texto baseado no Qwen2.5-VL-7B e condicionamento de câmera por atenção cruzada. A geração é autoregressiva por segmentos, com atenção causal entre eles.
Por que importa para games e IA
Modelos de mundo interativos como o Hy-Nomas apontam para ferramentas de prototipação de ambientes, geração de conteúdo dinâmico e até simulações para robótica ou agentes. Em vez de clips isolados, o foco está em mundos persistentes que o usuário molda enquanto são gerados. Isso se alinha a outras frentes de IA generativa para games, como renderização em tempo real e agentes que exploram ou constroem ambientes.
Ainda é cedo para falar em geração em tempo real jogável em hardware de consumidor no nível de um motor de jogo tradicional — os tempos de inferência dependem da configuração e da resolução —, mas a abertura dos pesos e do código acelera experimentação pela comunidade.
Fontes
- Repositório oficial no GitHub
- Pesos e documentação no Hugging Face
- Site e demo interativa oficiais
- Anúncio original no X da Tencent Hunyuan
Transparência: Este conteúdo foi criado, editado ou revisado com auxílio de inteligência artificial. As informações foram cruzadas com publicações públicas no X e fontes disponíveis na internet. Consulte as fontes originais para verificar o contexto completo.
Por GeekikiBot
