Tencent（テンセント）、文章とカメラ操作で世界の動画を作り続けるHy-NomasをApache 2.0で公開RTX 4090 1枚の構成も用意

Tencent（テンセント）は、テキストの指示とカメラ操作で世界の動画を1区間ずつ作り続けるモデル「Hy-Nomas」を、Hugging Face上でApache 2.0ライセンスで公開しました。当サイトの検知記録では、Hugging Faceのモデルの更新日時は2026年10月21日2時17分（UTC、日本時間では同日11時17分）です。モデルカードによると、蒸留版は8ステップのデノイズで720×1280・24FPSの出力を作り、INT8とFP8を使う別構成ならGeForce RTX 4090 1枚で動画生成ができるとしています。評価用データセット「Hy-Nomas-Bench」も同時に公開されています。

3行まとめ

1. Tencentが対話型の世界動画生成モデルHy-NomasをHugging Faceで公開。ライセンスはApache 2.0で、蒸留版は8ステップ・720×1280・24FPS（モデルカードの記載）
2. 標準構成は8GPU（sp_size=8）が前提。INT8のDiTとFP8のデコーダを使う別構成でRTX 4090 1枚に対応すると同社が説明
3. 評価用のHy-Nomas-Benchは4種・280件。今回確認した2ページには評価の点数がなく、技術レポートは「Coming Soon」

本記事の内容は、日本時間10月23日20時台に公式ページ（Hugging Faceのモデルカードは20時12分、GitHubは同12分）で確認したものです。数字はすべてTencentのモデルカードとGitHubのREADMEの記載で、筆者が動かして確かめたものではありません。

Hy-Nomasで何ができるのか

モデルカードの説明では、Hy-Nomasは「テキストの指示とカメラ操作による、自由形式で複数ターンの対話」に対応する、動画の世界生成モデルです。世界を1区間ずつ生成し、続けるうちに物を足す、画風や場面を変える、動作を指示する、視点を動かす、といった操作ができるとしています。

仕組みは、動画の圧縮表現（潜在空間）の中で拡散を行い、区間をまたぐ部分は自己回帰で進める形です。モデルカードが挙げる部品は次のとおりです。

• 区間単位の自己回帰型の拡散Transformer（DiT）。54個のdual-stream MMDiTブロックで、隠れ層の次元は2,048
• テキストエンコーダ：Qwen/Qwen2.5-VL-7B-Instructの言語モデル部分
• カメラ条件づけ：4×4のカメラ外部パラメータ行列を4フレームごとにまとめて入力
• 動画デコーダ：微調整したPixelUMM
• 前の区間の文脈を次の区間へ渡す、持続的なKVキャッシュ

テキストの指示は区間ごとに変えられます。オフライン推論では、JSONの各区間に開始・終了の秒数を書き、最初の区間で世界の最初の状態を、以降の区間では description_change で変化を記述します。モデルカードの例は、小さなオレンジ色のキツネが光る森の石の小道を歩く場面で、2秒ごとに「光る青い花が道のそばで開く」といった変化を足していく書き方です。カメラ操作を加えるときは、カメラ軌道のファイル（.npz）を指定します。

動かすのに必要なもの──標準は8GPU、1枚構成もある

動かし方は2通りあります。

モデルカードは、単一GPU構成の「18潜在フレーム」は過去の履歴の予算であり、現在の区間の長さの上限ではないと書いています。ピーク時のGPUメモリは解像度と現在の区間の長さにも左右されるため、「4090なら何でも通る」という意味ではありません。モデルカードは生成速度についても、ハードウェアや解像度、区間の長さ、履歴で変わるとしています。1区間を作るのに何秒かかるかという数字は、今回の2ページには載っていませんでした。

環境は、Docker画像（hynomasoss/hynomasoss:cu130）が推奨されています。手動で入れる場合はLinux、Python 3.12以上、uv、CUDA 13.0 Toolkit、C++コンパイラが要り、PyTorch 2.10.0（CUDA 13.0）、FlashAttention 2・3、MagiAttentionが入ります。ここまでの記載はLinuxとNVIDIA GPUが前提で、Mac単体やWindowsでの手順は今回のページにはありません。

公開されたもの──重み、LoRA、Bench、学習コード

モデルカードの資産表では、次のものが同じリポジトリに入っています。

• DiT：蒸留版（FP32）、INT8の量子化版、非蒸留のベース自己回帰DiT（FP32）
• LoRA：映画的な画質向けのCinematic LoRA、実機ロボットアームのデータセット（RealSource-World）で学習したRobotics LoRA
• 動画の圧縮・復元：DCAE-V、PixelUMM（微調整版とFP8版）
• Nomas-PE：デモ用の、指示を構造化プロンプトに変える別サービス用の資産

GitHub側には、学習・推論・デモ・データ注釈のコードがあります。LoRA微調整の設定として、READMEは次の値を挙げています。

• 非蒸留のチェックポイントから始め、区間強制（segment forcing）の学習パイプラインを使う
• rank/alphaは256、オプティマイザはMuon、学習率は1e-4で一定、2,000ステップ
• 例のパッキング計画はDP16×SP8＝128GPU前提

微調整したLoRAは、蒸留版にマージして推論に使います。INT8版のローダーは、推論時に別のLoRAアダプタを読む機能に対応していません（モデルカードの記載）。モデルカードはCinematic LoRAを「互換性のある浮動小数点のDiT」向けとしており、LoRAで画質やロボット向けの性質を足したい場合は、浮動小数点のDiTを使うことになります。

Hy-Nomas-Benchとは

同時公開のHy-Nomas-Benchは、4つのベンチマークで構成される280件のテストケースです。モデルカードによると、複数ターンの自由形式のテキスト操作、カメラ移動、テキストとカメラの組み合わせ、空間記憶を扱い、連続して世界を作る間の「操作のしやすさ」と「一貫性」を測ります。構造化プロンプト、操作の順序、キー入力のタイムライン、基準のカメラ軌道が入っているとされています。

ライセンスと日本から使うときの注意

Hy-Nomas本体はApache License 2.0です。モデルカードは、第三者のモデルや部品はそれぞれのライセンスに従うと明記しています。テキストエンコーダのQwen2.5-VL-7B-Instructは、Hugging Face経由で自動ダウンロードされる別のモデルです。

日本からの利用について、今回確認した2ページに、地域制限や日本向けの案内の記載はありません。配布の形はHugging Faceから重みを取得して自分の環境で動かすもので、この2ページに利用料金の記載はありません。自分のGPUを使う費用は別にかかり、デモの利用条件はこの2ページから読み取れませんでした。

筆者が公式ページで確認した範囲

日本時間20時12分にモデルカードを開いた時点で、Likeは0、「Inference Providers」の欄には「このモデルはどの推論プロバイダにもデプロイされていない」と出ていました。GitHubは同12分の時点で、スターが5、コミットが1件、フォークが0でした。公開直後の状態で、外部の利用実績はまだほとんど見えません。ここで書いたのはページの表示だけで、筆者はモデルのダウンロードも、デモの操作もしていません。

今回の記載だけでは分からないこと

• 性能の点数：評価用のHy-Nomas-Benchはありますが、今回確認した2ページにHy-Nomasや他モデルの点数は載っていませんでした。モデルカード自身も、アーキテクチャとサンプリングの既定値は「ベンチマーク結果ではなく構成の詳細」と書いています。GitHubのREADMEのリンクには「Technical Report（Coming Soon）」とあり、技術レポートはまだ出ていません
• 「他の動画モデルより良い」かどうか：比較は書かれていません。読者が選ぶ際の判断材料は、デモと自分の環境での確認になります
• 記載の揺れ：モデルカードは蒸留版を「8ステップ」としますが、GitHubのREADMEの資産表は蒸留版を「4/6/8ステップの高速推論」向けと書いています。どのステップ数がどんな品質かの比較は、今回のページにはありません
• 1枚構成の実測速度：4090での1区間あたりの所要時間やメモリ使用量は、今回の2ページには記載がありません
• 総パラメータ数：DiTの構造（54ブロック、隠れ層2,048、16ヘッド）は表にありますが、総パラメータ数の記載はありませんでした
• 生成できる長さの上限：全履歴を保持する標準構成ではキャッシュのメモリが増え続けるとモデルカードは説明しています。何分まで続けられるかは書かれていません

出典と確認時刻

• Tencent「tencent/Hy-Nomas」（Hugging Face）：https://huggingface.co/tencent/Hy-Nomas　日本時間2026年10月23日20時12分に確認
• Tencent-Hunyuan「Hy-Nomas」（GitHub）：https://github.com/Tencent-Hunyuan/Hy-Nomas　同20時12分に確認

本記事は続報があり次第更新します。技術レポートが公開された場合は、評価の数字を確認して追記します。