中/EN
开源项目
开源项目

一张4090跑世界模型：腾讯混元Hy-Nomas开源深评

腾讯混元开源交互式视频世界生成模型 Hy-Nomas（代码 10-21 先行、权重 10-23 上线，约 8B，Apache 2.0 附第三方声明）：文本+镜头轨迹多轮控制、persistent KV cache 跨段记忆，54 块双流 MMDiT 加 Qwen2.5-VL-7B 文本编码器；输出 704×1280@24FPS（播放帧率非生成速度），4/6/8 步蒸馏三口径并存；Hy-Nomas-Bench 280 用例系官方自报、发布时无第三方横比。单卡 RTX 4090 依托 INT8 权重+FP8 解码器+CPU offload 可跑（最小下载约 22.5GB），折损如实写明：INT8 不可挂 LoRA、滑窗牺牲长程记忆、FP8 内核仅编 SM89（3090 不行）。冷水：KV cache 不保证 3D 场景图稳定、无确定性刚体物理、官方零显存与延迟数字。

发布于 2026年10月27日9 分钟阅读
<!-- hy-nomas-interactive-world-opensource-resource | open-source | 一张4090跑世界模型：腾讯混元Hy-Nomas开源深评 -->

一、单卡 4090 能跑的世界模型，这次能玩

「世界模型」这个词过去一年被用得很滥：要么闭源只放 demo，要么权重开放但门槛直指八卡服务器，多数人只能看个热闹。10 月 21 日，腾讯混元把交互式世界生成模型 Hy-Nomas 的代码仓先行推上 GitHub（Tencent-Hunyuan/Hy-Nomas）；10 月 23 日 11:18 UTC，196.4GB、共 46 个文件的权重在 Hugging Face 一次提交落盘【二手，来源为第三方核对仓库 commit 数据】；官方 X 账号同日官宣【官方】。README 第一句就把门槛钉在消费级：采用低显存推理配置，可在单张 RTX 4090 上运行【官方】。仓库地址：github.com/Tencent-Hunyuan/Hy-Nomas。

先把分工说清楚：站内 10 月 16 日的实时可玩世界模型横评与另一篇世界模型横评旧文管「多家横评比选」，本篇只做 Hy-Nomas 单体深评——架构、许可证、交互粒度与消费级部署门槛，四件事拆到底，不与横评比选重复劳动。

截至 2026-10-27 的 GitHub API 实测【官方】，仓库 241 stars、28 forks，创建于 10 月 21 日，Python 编写，尚无 release。对一个上线刚满一周的世界模型仓库，这个热度只能算起步：社区集成（ComfyUI、WanGP 等路线）正在落地，第三方实测数据还很少，本文所有数字都会标明出处。

二、可交互，到底交互什么

官网 hy-nomas.hy.tencent.com 的定位是 Interactive World Modeling，列了五大能力板块：多轮提示控制、文本与相机交错控制、长世界生成、一致世界记忆、多视角多风格，并排展示了 83 个真实生成的世界【官方自报】。落到机制上，Hy-Nomas 的交互靠三件事撑起来。

第一件是分段自回归生成。世界被切成一个一个 segment 逐段推进，每一段都可以由新的文字提示或相机控制信号驱动，理论上可以一直续下去，官网口径最长 60 秒、360K token 上下文【官方】。第二件是 persistent KV cache：上一段生成的文本与视频键值被缓存下来带入下一段，构成跨段记忆，这是「世界」而不是「一段段孤立视频」的关键。第三件是相机条件：相机外参矩阵以逐块 cross-attention 的方式注入视频流，你可以调度镜头推拉摇移，也可以像切换机位一样换视角。

一句话概括体验差异：从「抽卡」到「导航」。传统视频生成是一次性抽签，抽歪了只能重摇；分段加跨段记忆意味着你可以改天气、换时间、调度镜头，在同一个世界里多轮编辑下去。对比闭源阵营的 Genie 3——不开放权重、限 60 秒、订阅门槛——Hy-Nomas 把权重、代码、评测集全部放出，这个对照点就够了，细节横比留给站内旧文。

在线 demo 需注册账号【二手】，并依赖 Nomas-PE 提示增强服务把口语指令转成结构化提示【官方】；注意这个提示增强模型本身就有 55.6GB、18 个分片【二手】，Web demo 走的是另一条多卡路线，与后文的单卡离线推理不是一回事。官网还展示了 60 秒长生成的玩法：用五轮文本提示，每轮续写约 12 秒，拼出一条完整的一分钟世界漫游【二手】。这个例子的价值不在炫技，而在它验证了「分段生成加跨段记忆」这套机制真的能把上下文串起来——至于串得稳不稳，第五节还有话要说。

三、架构与口径：数字先对齐

参数量写「约 8B」【官方，官网口径】；坊间流传的 8.6B 在官网与可核材料中均未出现，不采。骨干是 54 个双流 MMDiT 块，没有单流块，隐藏维度 2048、16 头注意力【转引】；文本编码器取 Qwen2.5-VL-7B-Instruct，其隐层经两层 token refiner 精炼后接入主干【转引】；视频解码器为 PixelUMM，单步解码【转引】；潜空间由 DCAE-V 承担，32 通道、32 倍空间压缩、4 倍时间压缩【转引】。

相机条件值得单独一句：外参矩阵加内参矩阵逐块以 cross-attention 注入视频流【转引】，这不是「给个运镜方向词」的粗颗粒控制，而是把相机姿态当成逐帧几何条件喂进去，所以镜头推拉摇移的精度上限比多数「运镜提示词」方案高。顺带交代血统：这是腾讯混元世界模型线的又一作，此前开源的 HY-World 2.0 产出 3D mesh 与高斯泼溅，可编辑成网格资产；Hy-Nomas 输出的是流式视频，没有可下载的 3D 网格，两者是不同项目，别混为一谈【转引】。

分辨率与帧率要掰开说。官网口径写 720p【官方】，但代码与 Diffusers 示例的实际输出是 704×1280@24FPS——704 不等于 720，720p 是约称，本篇统一用 704×1280 口径。更要紧的是，24FPS 是播放帧率，不是生成速度，实测吞吐取决于硬件、分辨率、段长与历史长度【官方原话】。

蒸馏步数的口径也是并存的：蒸馏权重支持 4、6、8 步快速去噪，交互 demo 默认 8 步，Diffusers 示例用 4 步【官方】。三个数字都对，只是出处不同，选型时按自己的路线对号入座即可。

四、4090 部署实录：四件套与它们的代价

部署路径官方给得完整：推荐 Docker 镜像；手动安装需要 Linux、Python 3.12+、uv、CUDA 13.0 Toolkit 与 C++ 编译器，依赖里含 PyTorch 2.10.0 与 FlashAttention、MagiAttention【官方】。4090 单卡走的是仓库里的低显存配置，核心命令摘要如下：

bash
# 下载权重（必须保持仓库目录结构，官方用 hf 命令）
export Hy_Nomas_Model_Path=/path/to/Hy-Nomas
hf download tencent/Hy-Nomas --local-dir "${Hy_Nomas_Model_Path}"

# 4090 单卡低显存推理：INT8 DiT + FP8 解码器
bash scripts/inference/inference_from_config.sh configs/experiment/single_gpu_low_mem_inference.yaml \
  dit_weight="${Hy_Nomas_Model_Path}/DiT/distilled_int8/diffusion_pytorch_model_ema_0_995_int8.safetensors" \
  model.vae.checkpoint="${Hy_Nomas_Model_Path}/VAE/PixelUMM_FT_FP8/diffusion_pytorch_model_fp8.safetensors" \
  inference.prompt=/path/to/prompts.json \
  inference.save_path=./outputs/single_gpu

先算权重账本【二手】：INT8 DiT 约 9.06GB，FP8 版 PixelUMM 解码器约 9.13GB，加上 DCAE-V 约 4.28GB 等组件，4090 路线最小下载约 22.5GB，不必拉全量 196.4GB。这是「一张 4090 跑世界模型」在存储侧的真实含义。

显存侧靠四件套压进 24GB，而四件套各有代价，逐条说清【官方 README 与码级细节转引】：

其一，INT8 权重与 INT8 KV cache：线性层与注意力的计算仍保持 BF16，量化的只是存储。代价是 INT8 推理加载器不支持同时挂载单独 LoRA——想在 4090 上玩自己微调的风格，此路不通。其二，CPU offload：文本编码器、DiT、VAE 在各自处理阶段进 GPU、用完回 CPU。代价是搬运开销，且系统内存要装得下全部模型，外加随会话增长、从 GPU 归档下来的 KV 历史——官方原话明言 CPU offload 需要足够系统内存并增加传输开销。其三，滑动窗口历史：GPU 上只保留 18 个历史帧（past_frames=18），更早的上下文归档到 CPU。代价是长程记忆被截断，跑远了模型可能忘了你最初建的世界。其四，FP8 解码内核走 CUTLASS，仅支持 Ada 架构 SM89——24GB 显存的卡里只有 4090 能走官方路径，3090 是 Ampere SM86，不行。这个坑 README 没写，是从源码编译参数里挖出来的【二手】。

还有一个官方没说的空白：任何档位都没有给出显存峰值、系统内存需求或延迟数字，只说「峰值显存取决于分辨率与片段长度」【官方】。想预判自己的机器行不行，目前只能靠社区实测。也要把对照面摆出来：4090 低显存模式是特殊优化路线，标准推理配置走的是八卡序列并行、FP32 权重加全历史 KV cache 常驻显存【官方】，两条路线的性能与一致性表现不可混谈；实时交互版 Reactor 的参考配置甚至是八张 B200【二手】。官方说「单卡能跑」没有说错，只是没把代价写在标题里。

速度参照有一条二手数据：ComfyUI 社区路线（nynxz/Hy-Nomas）已经跑通，RTX 5090 实测 3 秒的段约 21 秒生成、每个窗口约 4 秒解码【二手】。比 5090 更弱的 4090 只会更慢——「能跑」与「实时交互」之间隔着明显的距离，这句冷水后面还要再泼一次。

微调这条路也交代一下。LoRA 微调必须从未蒸馏的 base_ar 检查点起步，训完再合并回蒸馏权重【官方】；官方给的参考配置是 LoRA rank 与 alpha 均为 256、Muon 优化器、恒定学习率 1e-4、2000 步，参考训练规模是 128 张 GPU【官方】——个人复现微调的门槛，读一遍这行配置就该有数了。官方放了两枚适配器权重可以直接取用：Cinematic LoRA 用电影感数据提升视觉质量，Robotics LoRA 基于真实机械臂数据集 RealSource-World 训练，指向机器人仿真方向【官方】。想走 4090 路线的注意前文的折损其一：INT8 推理模式挂不了 LoRA，要玩微调就得回到标准权重路线。

五、冷水与 Bench：哪些话不能替官方说

第一盆冷水：persistent KV cache 带来的一致性不等于稳定的 3D 场景图。一致性靠注意力缓存维持，官方从未承诺场景的 3D 结构稳定；复杂运镜或长编辑之后，物体变形、消失都有可能。它也不是带物理引擎的游戏世界，没有确定性刚体物理，碰撞与重力不可靠，别拿游戏引擎的预期去套。

第二盆冷水是评测。Hy-Nomas-Bench 覆盖 4 套测试集共 280 用例、含 220 条参考相机轨迹，维度覆盖多轮文本指令、相机导航、文本与相机混合控制、空间记忆【官方自报】。但必须点破：发布时 Bench 不含任何分数，既没有 Hy-Nomas 自己的成绩，也没有任何第三方横比。把它理解为一份可被第三方复检的开源考卷，比当成成绩单诚实得多。

第三件事与许可证有关。README 与 badge 均称 Apache 2.0，LICENSE 文件实为 Apache 2.0 全文加腾讯版权声明与第三方清单的合并文件，因此 GitHub 的许可证检测显示 NOASSERTION【官方】。另有一处要留意：PixelUMM 解码器系腾讯对 NVIDIA 版本的微调，有第三方称其衍生权重或受 NVIDIA 非商用许可约束——此说待官方模型卡复核，商用前请自行确认【二手，待核】。

技术报告的状态也有矛盾：官网挂着 Tech Report (Coming Soon)，仓库 README 则称技术报告 PDF 已更新【官方口径冲突，如实并列】。Diffusers 支持目前依赖第三方 fork 仓库，尚未进 diffusers 主线【官方】。这些不是要否定这个项目——架构交代、部署文档、评测集在开源世界模型里都算给得足——而是提醒：这是一份上线一周的早期开源，社区还在踩坑，成绩单还没发。

常见问题

Q1： 我只有一张 4090，真的能本地跑吗？

A1：能，走仓库的 single_gpu_low_mem_inference.yaml 低显存配置，最小下载约 22.5GB【二手】。但有三件事要备好：系统内存要装得下全部模型与 KV 归档、CUDA 13.0 环境、以及接受 INT8 量化与 18 帧滑窗的折损。3090 及其他 24GB 卡走不了官方 FP8 解码路径。

Q2： 4090 模式下能挂 LoRA 吗？

A2：不能。INT8 推理加载器不支持同时挂载单独 LoRA【转引】。要玩官方提供的 Cinematic 或 Robotics LoRA，需走标准 BF16 权重路线，显存要求随之抬高。微调本身更重：LoRA 训练参考配置是 128 张 GPU，个人复现门槛极高【官方】。

Q3： 24FPS 是生成速度吗？

A3：不是。24FPS 是输出视频的播放帧率，生成速度取决于硬件、分辨率、段长与历史长度，官方未公布任何吞吐数字【官方】。目前可参考的只有 ComfyUI 社区在 5090 上的二手实测：3 秒段约 21 秒生成加约 4 秒解码【二手】，离实时有明显距离。

Q4： 可以商用吗？

A4：主体许可是 Apache 2.0（附第三方声明文件，GitHub 检测显示 NOASSERTION）【官方】。但 PixelUMM 解码器系腾讯微调自 NVIDIA 版本，有第三方称其衍生权重或受 NVIDIA 非商用许可约束，此点待官方模型卡复核，商用部署前建议先过一遍许可条款【二手，待核】。

Q5： Hy-Nomas-Bench 有成绩单吗？

A5：没有。发布时 Bench 只有 4 套 280 用例与 220 条参考轨迹，不含任何模型分数，也无第三方横比【官方自报】。它是一份开放评测集，第三方可以拿它复检 Hy-Nomas 或测竞品；在成绩出现之前，任何「SOTA」式说法都没有依据。

参考来源

延伸阅读

本文基于公开仓库与官方页面整理（截至 2026-10-27），所有数字均标注出处，以官方页面为准。

本文由 AI 辅助生成，经人工审核编辑。最后更新：2026-10-27

常见问题

我只有一张 4090，真的能本地跑吗？
A1：能，走仓库的 single_gpu_low_mem_inference.yaml 低显存配置，最小下载约 22.5GB【二手】。但有三件事要备好：系统内存要装得下全部模型与 KV 归档、CUDA 13.0 环境、以及接受 INT8 量化与 18 帧滑窗的折损。3090 及其他 24GB 卡走不了官方 FP8 解码路径。
4090 模式下能挂 LoRA 吗？
A2：不能。INT8 推理加载器不支持同时挂载单独 LoRA【转引】。要玩官方提供的 Cinematic 或 Robotics LoRA，需走标准 BF16 权重路线，显存要求随之抬高。微调本身更重：LoRA 训练参考配置是 128 张 GPU，个人复现门槛极高【官方】。
24FPS 是生成速度吗？
A3：不是。24FPS 是输出视频的播放帧率，生成速度取决于硬件、分辨率、段长与历史长度，官方未公布任何吞吐数字【官方】。目前可参考的只有 ComfyUI 社区在 5090 上的二手实测：3 秒段约 21 秒生成加约 4 秒解码【二手】，离实时有明显距离。
可以商用吗？
A4：主体许可是 Apache 2.0（附第三方声明文件，GitHub 检测显示 NOASSERTION）【官方】。但 PixelUMM 解码器系腾讯微调自 NVIDIA 版本，有第三方称其衍生权重或受 NVIDIA 非商用许可约束，此点待官方模型卡复核，商用部署前建议先过一遍许可条款【二手，待核】。
Hy-Nomas-Bench 有成绩单吗？
A5：没有。发布时 Bench 只有 4 套 280 用例与 220 条参考轨迹，不含任何模型分数，也无第三方横比【官方自报】。它是一份开放评测集，第三方可以拿它复检 Hy-Nomas 或测竞品；在成绩出现之前，任何「SOTA」式说法都没有依据。 **参考来源** - GitHub 仓库 Tencent-Hunyuan/Hy-Nomas（README、README_CN、LICENSE 与低显存推理配置）：https://github.com/Tencent-Hunyuan/Hy-Nomas - 官网 hy-nomas.hy.tencent.com（8B/720p/60s/360K token 规格与五大能力板块，均为官方自报口径）：https://hy-nomas.hy.tencent.com/ - Hugging Face 权重仓 tencent/Hy-Nomas（196.4GB、46 文件，2026-10-23 上架）：https://huggingface.co/tencent/Hy-Nomas - 官方 X 账号 @TencentHunyuan 官宣帖（2026-10-23）：https://x.com/TencentHunyuan - GitHub API 实测快照（2026-10-27，241 stars/28 forks）：https://api.github.com/repos/Tencent-Hunyuan/Hy-Nomas - dev.to/alanwest 单卡部署拆解（4090 配置字段与 22.5GB 下载口径）：https://dev.to/alanwest/how-to-run-tencent-hy-nomas-locally-on-an-rtx-4090-live-demo-needs-8-gpus-15a3

相关文章

开源项目

AI 记忆框架开源第一：腾讯 3B 干翻 Opus 5

腾讯混元 2026-10-16 把 Hy Memory 2.0 三层全开源：模型层 Hy-Memory-30B-A3B（总参数 30B、每 token 激活约 3B 的 MoE，HuggingFace tencent/Hy-Memory-30B-A3B，arXiv 2610.22196）、SDK 层 hy-memory（PyPI 当前 2.0.3）与工具层 MemHub（CLI v1.0.3，npm memhub-cli 引导安装）。许可证破案：GitHub API 报 NOASSERTION（非标准文本），raw LICENSE 原文为 Apache-2.0 且带 Tencent 前言、无附加限制条目——本文以 LICENSE 原文为准。官方文档模型名混用「Hy-Memory-30A3B」与「Hy-Memory-30B-A3B」两种写法，以 HF 仓库实名为准。官方基准（厂商口径）：四套记忆系统对比 55.49 分第一，超过 Opus 5（54.62）与 DeepSeek-Flash（53.64），Qwen3-30B-A3B 仅 44.37；MemoryArena 55.31% 领先第二名 EverOS 10.2 个百分点；CodeMemoryBench 64.2%/35.6%；SWE-ContextBench 28.3%；LoCoMo 72.6% 且记忆 token 从 1159 降到 703（-39.3%）。内部业务验证（厂商口径）：自选股多跳召回 50% 提到 90%、iWiki 相对提升 48.6%。定位是「记忆写入工位替身」（智囊团解读，二手）：模型专门负责记忆写入与更新，理论上可挂在 Mem0、MemOS 等既有记忆系统下面干活。MemHub 工具数两口径并写：README 列 5 种，官方公众号稿称 10 种，以实际 CLI 输出为准。局限五条如实写：跑分为厂商口径第三方未复现、preview 阶段 API 可能变、MemHub 仅 Linux/macOS、模型 30B 级本地部署有门槛、英文文档尚薄。仓库地址：github.com/Tencent-Hunyuan/Hy-Memory（实测可达）。与站内分工：ai-agent-long-term-memory-sop（2026-08-08）讲 mem0/Letta 自建方案，本篇讲腾讯现成开箱方案。

2026年10月20日10 分钟阅读
开源项目

LTX-2开源：22B权重66GB，画面声音一个模型全包

LTX-2 开源深拆（2026-10-02 GitHub 实核）：Lightricks/LTX-2 9,569 星、Python、推送停在 10 月 2 日；官方定位首个 DiT 架构的音视频一体基础模型，画面与同步音频一次生成。LTX-2.5 组成：22B 蒸馏 transformer（bf16）+ Gemma 4 12B 定制文本编码器（与 Google 原版不通用）+ 视频/音频双 VAE + 空间与时间上采样器，全套约 66GiB；DistilledPipeline 仅 8 个预设 sigma（阶段 1 八步 + 阶段 2 四步）最快出片，FP8 量化与 CPU/磁盘 offload 降显存，4K 为 3840x2176（README 特别注明非 2160）；12 条管线含 DFR 生产级、DubIt 保口型换词配音、Retake 局部重生成、SDR 转 HDR（BT.2020/HLG + ACEScct EXR）；ltx-trainer 支持 LoRA/全量微调/IC-LoRA，ComfyUI 有官方插件。许可证核真：GitHub License 栏 NOASSERTION，实为自定义 LTX Community License（2026-08-11 起 LTX-2.5 适用），非 OSI 开源——个人非商业免费，年收入 1000 万美元及以上实体任何商用须购买 Commercial Use Agreement，衍生品定义含蒸馏，分发须随附完整协议。自部署唯一解的价值：数据不出内网、批量边际成本趋近电费、LoRA 风格资产独占。

2026年10月3日10 分钟阅读
开源项目

8GB 跑 7.5 万个 agent：AWS 开源挂起运行时 Infinity

AWS 开源挂起式 agent 运行时 Infinity：代码在 hydro-project 组织（aws/ 与 aws/hydro 均 404），Apache-2.0、Rust 实现，Hydro 项目出自 AWS 与 UC Berkeley 合作。官方基准 80,000 个 agent、每个 20 轮共 320 万次 completions，单线程 EPYC 9R14 上每 agent 内存约 100KB，据此推算 8GB 内存约容纳 75,000 个（推算值，树莓派 5 仅为内存类比）。本文拆 serverless 四件套设计、模拟模型基准限定词、社区批评清单（持久化 I/O、竞态转移、25 stars 未受市场检验）与上手路径。

2026年10月26日9 分钟阅读