🎮 一张 4090 跑一个世界

它和文生视频不是一类东西

10 月 21 日腾讯混元放出 Hy-Nomas，10 月 27 日补上 arXiv 技术报告。它不是你写一句提示、吐一段固定短片那种工具：它以「段」为单位往下推演同一个世界，每生成一段，就把这一段的注意力键值追加进一个持续增长的 KV 缓存；下一轮你继续下指令（加个物体、换风格、让角色做动作），或者直接给相机轨迹，模型在已经生成的全部历史之上接着推。所以你是实时「导演」一个可以探索的世界，不是点一次出一段。

规格：8B 量级扩散骨干（54 块双流 MMDiT，文本编码器用的是 Qwen2.5-VL-7B-Instruct），输出 720p（1280×704）、24fps、单次最长 60 秒，上下文 360K token。相机控制不是猜的——外参 [N,4,4]、内参 [N,3,3] 作为独立的条件信号输入每个双流块；文字负责「场景里有什么」，几何负责「镜头怎么走」，两件事分开喂。

门槛被压到了消费级

标准配置要 8 路序列并行，也就是 8 张 GPU；官方另外给了一套单张 RTX 4090 的低显存配置：DiT 权重与 KV 缓存走 INT8（计算仍是 BF16）、滑窗截断历史、CPU 卸载、FlexAttention 与 CUTLASS FP8 解码，再叠上 4 到 8 步的蒸馏去噪。更狠的是社区侧：有人在 Google TPU v6e-4（4 芯片）上实测 720p，每秒视频约需 0.933 秒计算，跑满 60 秒没有掉帧。

开源放得比较彻底：权重、推理与训练代码、280 例的 Hy-Nomas-Bench 评测基准，Apache 2.0，还带一条 LoRA 微调路径和从本地视频准备训练数据的标注流程。生态推进也快：10 月 23 日 Diffusers 示例、10 月 25 日 WanGP 支持、10 月 26 日 SGLang 与 ComfyUI 集成。

那条容易被忽略的 Robotics LoRA

随模型一起发布的 Robotics LoRA，是用双臂人形机器人的操作数据训的。这个细节比跑分重要：Hy-Nomas 被当作物理 AI 的「合成训练环境」在建设——给机器人一个可控、可重复、可以随便失败的世界，比在真机上试错便宜几个数量级。适用场景因此也很清楚：游戏原型验证、机器人操作仿真、影视分镜预演。

要说的局限有三条。其一，摘要里「超越现有世界模型」是团队自己的说法，目前没有独立基准可交叉验证，「和 Genie 4 功能一致」也是论文作者的原话。其二，长会话成本绕不过去：KV 缓存与系统内存随会话变长无上限增长，CPU 卸载路径要求系统内存装下整份历史。其三，连续生成越久，人物与场景漂移的风险越大，重要镜头仍要人工挑。