تیم هون‌یوان در شرکت تنسنت مدل Hy-Nomas را عرضه کرده است؛ مدلی باز که یک جهان ویدیویی را تکه به تکه می‌سازد و به کاربر اجازه می‌دهد در حین ساخت، مسیر آن را تعیین کند و در هر نوبت یک دستور نوشتاری تازه یا یک حرکت دوربین به آن بدهد. کد این مدل روز ۲۱ اکتبر ۲۰۲۶ در گیت‌هاب منتشر شد، وزن‌ها همان روز در هاگینگ‌فیس بارگذاری شدند و تیم سازنده روز ۲۳ اکتبر از حساب رسمی خود در شبکه ایکس با نام Tencent Hy این عرضه را اعلام کرد. هم کد و هم وزن‌ها با مجوز Apache 2.0 در دسترس هستند.
برخلاف سامانه‌های تبدیل متن به ویدیو که از یک درخواست، فقط یک کلیپ ثابت و بسته می‌سازند، این مدل بخش به بخش کار می‌کند. هر بخش را یک ترنسفورمر انتشاری می‌سازد که به آخرین دستور، مسیر اختیاری دوربین و حافظه‌ای از نوع کلید و مقدار تکیه دارد؛ حافظه‌ای که هر آنچه تا آن لحظه ساخته شده را نگه می‌دارد. کاربر می‌تواند چیزی تازه به صحنه بیفزاید، سبک یا فضای تصویر را عوض کند، کنشی را توصیف کند یا زاویه دید را جابه‌جا کند و مدل در همان جهان ادامه می‌دهد. صفحه رسمی پروژه از ۸ میلیارد پارامتر، خروجی 720p، تا ۶۰ ثانیه ویدیوی پیوسته و بافتی به اندازه ۳۶۰ هزار توکن خبر می‌دهد و نمونه‌هایی نشان می‌دهد که در آن‌ها دوربین فاصله زیادی می‌گیرد و دوباره به نمای قبلی برمی‌گردد، بی‌آنکه پس‌زمینه تغییر کند.
بر پایه صفحه پروژه و کارت معرفی مدل، ستون اصلی آن از ۵۴ بلوک دوجریانی تشکیل شده که متن و ویدیو را به هم پیوند می‌دهند و یک لایه توجه متقاطع ویژه دوربین، بخش تصویری را هدایت می‌کند. یک رمزگذار متنی از خانواده Qwen2.5-VL دستورها را می‌خواند و یک رمزگشای تنظیم‌شده، داده‌های فشرده ۳۲ کاناله را به فریم‌های تصویری تبدیل می‌کند. سازوکاری برای توجه به کنش‌ها، توصیف صحنه را در همه بخش‌ها در دسترس نگه می‌دارد اما هر کنش را به بازه زمانی خودش محدود می‌کند، و روش آموزشی‌ای که تنسنت آن را Segment Forcing می‌نامد، مدل را با تاریخچه‌ای که خودش پیش‌بینی کرده آشنا می‌کند. نسخه تقطیرشده مدل، هر بخش را در چهار تا هشت گام نویززدایی می‌سازد.
این عرضه برای یک مدل جهان‌ساز به‌طور غیرمعمولی کامل است. مخزن هاگینگ‌فیس شامل یک نسخه پایه برای تنظیم دقیق، مدل تقطیرشده و نسخه کم‌حجم هشت‌بیتی آن، دو آداپتور سبک برای تصویر سینمایی و برای رباتیک دوبازویی که روی مجموعه داده RealSource-World آموزش دیده، رمزگذار و رمزگشاهای ویدیویی و یک مدل بازنویسی دستور به نام Nomas-PE است که در نسخه نمایشی به کار می‌رود. مخزن گیت‌هاب نیز کد آموزش، اجرا و برچسب‌گذاری داده، یک نسخه نمایشی تحت وب و امکان پخش زنده از طریق Reactor Runtime را در اختیار می‌گذارد. تنسنت همچنین محک ارزیابی Hy-Nomas-Bench را با ۲۸۰ مورد آزمون درباره کنترل چندنوبتی با متن، کنترل دوربین، کنترل ترکیبی و حافظه مکانی منتشر کرده و راهی برای اجرا با کتابخانه Diffusers فراهم کرده که فعلاً از یک نسخه انشعابی نصب می‌شود، نه از نسخه اصلی کتابخانه.
نیاز سخت‌افزاری این مدل بسیار متغیر است. به گفته تنسنت، مدل را می‌توان روی تنها یک کارت گرافیک NVIDIA GeForce RTX 4090 اجرا کرد، به این شرط که وزن‌ها و حافظه میانی به‌صورت هشت‌بیتی ذخیره شوند، تاریخچه با یک پنجره لغزان محدود شود و بخش‌هایی از سامانه به پردازنده مرکزی منتقل شوند؛ کاری که حافظه جهان را کوتاه‌تر و ساخت ویدیو را کندتر می‌کند. در مقابل، پیکربندی آزموده‌شده برای پخش زنده به هشت پردازنده گرافیکی NVIDIA B200، دست‌کم ۱۲۸ گیگابایت حافظه سرور و حدود ۸۰ گیگابایت فایل وزن نیاز دارد و نمونه تنظیم دقیق برای ۱۲۸ پردازنده گرافیکی طراحی شده است.
استقبال اولیه دیده می‌شود اما هنوز محدود است. تا ۲۶ اکتبر، پست معرفی در ایکس حدود ۶۰ هزار بار دیده شده و ۹۰۰ پسند گرفته بود، چند نسخه سازگار با ComfyUI از سوی کاربران در عرض چند ساعت در هاگینگ‌فیس منتشر شده بود و مخزن گیت‌هاب حدود ۱۸۶ ستاره داشت. گزارش فنی با برچسب «به‌زودی» مشخص شده و تنسنت هنوز مقایسه عددی با دیگر مدل‌های جهان‌ساز منتشر نکرده است؛ بنابراین ادعاهای مربوط به کیفیت و پیوستگی فعلاً فقط بر نمونه‌های نمایشی خود این شرکت تکیه دارد.
برای سازندگان بازی، شبیه‌سازی و هوش مصنوعی بدن‌مند، یک مدل جهان‌ساز تعاملی با مجوز باز که همراه با کد تنظیم دقیق و آداپتور رباتیک عرضه شده، افزوده‌ای مهم در حوزه‌ای است که بسیاری از شناخته‌شده‌ترین سامانه‌هایش قابل دانلود نیستند. ارزش واقعی آن زمانی روشن‌تر می‌شود که گزارش فنی و آزمون‌های مستقل منتشر شوند.