A equipa Hunyuan da Tencent lançou o Hy-Nomas, um modelo aberto que cria um mundo em vídeo aos poucos e permite ao utilizador conduzi-lo à medida que avança, dando em cada turno uma nova instrução escrita ou um movimento de câmara. O código foi publicado no GitHub a 21 de outubro de 2026, os pesos foram carregados no Hugging Face nesse mesmo dia e a equipa anunciou o lançamento a 23 de outubro na sua conta oficial no X, Tencent Hy. Tanto o código como os pesos estão disponíveis sob a licença Apache 2.0.
Ao contrário de um sistema de texto para vídeo, que gera um único clipe fechado a partir de um pedido, o Hy-Nomas trabalha por segmentos. Cada segmento nasce de um transformer de difusão orientado pela instrução mais recente, por uma trajetória de câmara opcional e por uma cache de chaves e valores que guarda tudo o que já foi gerado. O utilizador pode acrescentar objetos, mudar o estilo ou o cenário, descrever ações ou deslocar o ponto de vista, e o modelo prossegue no mesmo mundo. A página do projeto indica 8 mil milhões de parâmetros, resolução 720p, até 60 segundos de vídeo contínuo e um contexto de 360 mil tokens, e mostra exemplos em que a câmara se afasta muito e regressa a uma vista anterior com o fundo intacto.
Segundo a página do projeto e a ficha do modelo, a arquitetura assenta em 54 blocos MMDiT de dupla via que ligam texto e vídeo, com atenção cruzada à câmara a orientar a parte visual. Um codificador de texto Qwen2.5-VL interpreta as instruções e um descodificador PixelUMM afinado converte as representações latentes DCAE-V de 32 canais em imagens. Um mecanismo de atenção sensível às ações mantém as descrições da cena disponíveis ao longo dos segmentos, mas limita cada ação à sua janela temporal, e um método de treino a que a Tencent chama Segment Forcing habitua o modelo ao histórico que ele próprio previu. Uma versão destilada produz cada segmento em quatro a oito passos de remoção de ruído.
Para um modelo deste género, o pacote é invulgarmente completo. No Hugging Face estão um ponto de partida para afinação, o modelo destilado e uma variante INT8, adaptadores LoRA para imagem cinematográfica e para robótica com dois braços, treinados no conjunto RealSource-World, o autocodificador de vídeo, os descodificadores e um modelo de reescrita de instruções chamado Nomas-PE, usado na demonstração. O repositório no GitHub junta código de treino, inferência e anotação de dados, uma demonstração web e uma integração de transmissão em direto com o Reactor Runtime. A Tencent publicou ainda o Hy-Nomas-Bench, com 280 casos de teste sobre controlo por texto em vários turnos, controlo de câmara, controlo misto e memória espacial, bem como uma via de utilização com Diffusers que, por agora, se instala a partir de uma bifurcação e não da biblioteca principal.
As exigências de hardware variam muito. A Tencent afirma que o modelo funciona numa única NVIDIA GeForce RTX 4090 se os pesos e a cache forem guardados em INT8, se o histórico for limitado por uma janela deslizante e se partes do sistema forem transferidas para o processador, o que reduz a memória do mundo e torna a geração mais lenta. Já o perfil de transmissão em tempo real que foi testado recorre a oito GPU NVIDIA B200, pelo menos 128 GB de memória no servidor e cerca de 80 GB de ficheiros de pesos, e o exemplo de afinação está dimensionado para 128 GPU.
A adesão inicial é visível, mas ainda pequena. A 26 de outubro, a publicação do anúncio somava cerca de 60 mil visualizações e 900 gostos no X, adaptações comunitárias para o ComfyUI tinham surgido no Hugging Face em poucas horas e o repositório no GitHub contava cerca de 186 estrelas. O relatório técnico aparece como «em breve» e a Tencent ainda não divulgou comparações numéricas com outros modelos de mundos, pelo que as afirmações sobre qualidade e coerência assentam, para já, nas suas próprias demonstrações.
Para quem desenvolve jogos, simulações ou IA incorporada em robôs, um modelo de mundos interativo com licença aberta, código de afinação e um adaptador para robótica é um acréscimo relevante numa área em que muitos dos sistemas mais conhecidos não podem ser descarregados. O seu verdadeiro valor ficará mais claro quando chegarem o relatório e os testes independentes.