Hy-Nomas：面向自由形式交互式世界生成的视频世界模型

Hy-Nomas 以 8B 扩散骨干实现多轮交互式视频世界生成并开源。

资讯摘要

论文提出 Hy-Nomas，一个基于 8B 扩散骨干的视频世界模型，支持自由形式文本指令与连续相机控制，可在多轮交互中生成变长视频片段，并依据当前输入与缓存历史保持上下文。其核心设计将结构化视频描述与动作感知因果注意力对齐，使描述性上下文跨片段可访问、动作指令限定在对应时间窗内；视觉语言 Prompt Enhancer 负责把用户请求与多模态交互历史转为下一片段的条件。作者报告人类评估中优于现有世界模型，并发布模型权重、代码与基准。

要点速读

1. Hy-Nomas 采用 8B 扩散骨干，支持自由形式文本指令和连续相机控制的多轮交互生成。
2. 设计上将结构化视频描述与动作感知因果注意力对齐，动作指令限制在预期时间窗内。
3. 作者报告人类评估优于现有世界模型，并发布模型权重、代码、基准及轻量适配流程。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:20（北京时间）。