讲到天亮，明晚接着讲：腾讯混元 Hy-Nomas 想让视频「续写同一个世界」
腾讯混元开源交互式世界模型 Hy-Nomas：按段续写视频，靠 KV 缓存记住前面生成的世界，蒸馏版 8 步出片，INT8 量化后单张 4090 能跑。
山鲁佐德每天夜里给国王讲一个故事，讲到天快亮的时候停下，留一个扣子，第二天夜里接着讲。《一千零一夜》能讲下去，靠的不是哪一个故事特别精彩，而是讲故事的人始终记得昨晚讲到了哪里：谁还在山洞里，谁的灯还没擦，谁欠了谁一个承诺。故事一旦忘了前情，下一夜就只能重新开头，国王听腻了，讲故事的人也就活不成了。所以我一直觉得，会讲故事和会接着讲故事，是两门手艺，后一门更难。
这些年的文生视频，在我这个外行老狗看来，多半还停在第一门手艺上。你写一段话，它还你几秒画面，好看是真好看，可你要是想说「刚才那个房间，往左转一下，桌上的杯子换成红色」，它多半要从头再生成一遍，房间还是那个房间的样子，却已经不是那个房间了。每一次都是新的一夜，每一夜都从「从前有座山」讲起。
腾讯混元最近开源的 Hy-Nomas，想做的就是第二门手艺。据它在 Hugging Face 模型卡、GitHub 仓库和官网上的介绍，这是一个可交互的视频世界模型，不是一次性把视频生成完，而是一段一段地往下续写同一个世界。续写的时候，你可以改里面的物体、风格、动作，也可以塞进一条相机轨迹，让镜头往哪里走。中文媒体的报道见于 10 月 24 日。我对这件事感兴趣，不是因为它画得多漂亮，而是因为它把「记得前情」当成了正经的工程问题来对待。
怎么记得前情呢？官方给出的结构是段式自回归的 DiT，配上 Qwen 的文本编码器、相机条件和 PixelUMM 解码器，段与段之间留着一份持久的 KV cache。说得土一点，就是讲故事的人每讲完一段，都把这一段的要紧处记在一本随身的小本子上，下一段开讲之前先翻一翻。这本小本子不是摆设，官方在单卡低显存的配置里专门写了一个「历史 GPU 预算」，默认是 18 个 latent frames，意思是本子能记多厚，是要算着来的。记得太少，世界会走样，记得太多，机器扛不住，这和人上了年纪以后的处境差不多，老狗对此深有体会。
文本这一路，据官方说，用的是 Qwen2.5-VL-7B-Instruct 里语言模型的那一部分，出来的 3584 维表示经过一个 refiner，再压到 2048 维，交给主干。主干是 54 个双流 MMDiT 块，hidden 2048，16 个头。这些数字我照抄在这里，不是为了显得懂行，而是想说明一件事：它并没有为了「续写」另起炉灶，造一个前所未有的怪物，而是把这几年大家已经熟悉的零件，按照「一段接一段」的规矩重新码放了一遍。很多时候，新东西就是旧零件换了个摆法，手艺人对此大概不会陌生。
我更在意的是相机那一路。官方写，相机条件走一个叫 extrinsics_attn 的模块，把归一化的 4×4 外参按 4 帧一组压成 64 维，视频 token 再对这些相机信息做 cross-attention。翻成人话，就是你告诉它镜头怎么动，它不只是在画面上做个平移的样子，而是让每一段画面都去「看一眼」镜头此刻在哪里、朝着哪里。一个世界之所以像一个世界，很大程度上在于你转身再转回来，东西还在原处。官方另外发了一个评测集 Hy-Nomas-Bench，四类共 280 例，分别是多轮文本、相机导航、交错控制和空间记忆。最后那一类的名字起得很老实，空间记忆，说的正是转身再转回来这件事。至于它在这个评测集上考得怎么样，那是腾讯自己出题自己考，听个大概可以，当定论还早。
推理上的安排也透着一股精打细算。据官方说，蒸馏后的模型推理只要 8 步去噪，默认输出 720×1280、24 FPS。标准配置默认要 8 张卡做序列并行，这显然不是给普通人准备的。好在另有一套单卡 RTX 4090 的低显存配置：DiT 和 KV 用 INT8，解码器用 FP8，再加上 CPU offload。这一段和前面的数字都是腾讯自己报出来的，没有经过独立验证，我也没有亲手跑过，不敢替它打包票说流畅不流畅，只能说，肯为一张消费级显卡单独写一套配置，至少说明做的人心里想着桌面上的那台机器，而不只是机房。
开源出来的东西不少，蒸馏版 DiT 有 FP32 和 INT8 两种，另有 base 自回归 DiT、一个 Cinematic LoRA、一个 Robotics LoRA，还有 DCAE-V 编码器和 PixelUMM 解码器及其 FP8 版本，许可证是 Apache-2.0。DCAE-V 的 latent 规格写作 f32t4c32，也就是 32 个通道，空间压缩 32 倍，时间压缩 4 倍。想自己动手的人，官方给了 Docker 镜像 hynomasoss/hynomasoss:cu130，也可以用 uv sync --extra all 装依赖。
「可交互」这个词，在这里也值得多看一眼。以前看视频，人是坐在台下的，导演拍什么你看什么。后来有了文生视频，人算是递上了一张点菜单，菜怎么做，还是厨房说了算。到了一段一段续写的时候，人就有点像是坐在山鲁佐德床边的那个国王了，听到一半可以插一句嘴，说这个人不该进山洞，镜头往东边看看，讲故事的人得接住这句话，还不能把前面讲过的忘掉。这对讲故事的人要求高了，对听故事的人其实也要求高了，你得知道自己想看什么。
那个 Robotics LoRA 值得多说一句。据官方资产清单，它是用 RealSource-World 的真实机械臂数据集训练的。这让我想起一个朴素的道理：机器人要学会在一个房间里干活，最好先在一个「记得住」的房间里练。如果每一次转身，桌子就挪了位置，杯子就换了颜色，那练出来的本事是不作数的。一个能续写、能记住空间的视频模型，在这里的用处，比拿来拍短片要实在得多。官方的说明是，把它合进蒸馏版 DiT，用来增强生成世界的机器人仿真能力。当然，眼下它只是资产清单里的一个 LoRA，像是给机器人仿真留的一个口子，至于这个口子将来能长成什么样，眼下谁也说不准，我也不打算替它画饼。
写到这里，难免要泼一点冷水，这是老狗的习惯。一个世界能续写，不等于这个世界就是真的。KV cache 记住的，是模型自己生成过的画面，不是物理世界的规律，它记得杯子在桌上，未必懂得杯子为什么不会自己飘起来。所以「世界模型」这四个字，我更愿意把它读成一种志向，而不是一份已经交付的成绩单。志向本身没什么不好，人总得先想着往哪里去，才可能走到那里去。
回到山鲁佐德。她讲了一千零一夜，后来国王不杀她了，不是因为某一个故事讲得惊天动地，而是因为一夜接着一夜，故事里的人和事都还在，听的人慢慢就住进去了。视频生成走到今天，画面好看已经不稀罕，稀罕的是明天接着讲的时候，昨天的房间还在，桌上的杯子还是那只杯子。能做到这一点，才算是开始讲一个世界，而不只是放一段烟花，句号。
来源：Hugging Face 模型卡；GitHub 仓库；官方项目页；ai123。许可证为 Apache-2.0；单卡 4090 方案需 INT8 DiT、INT8 KV 缓存、FP8 解码器和 CPU 卸载，标准配置默认 8 卡序列并行；Hy-Nomas-Bench（4 项、280 例）为腾讯自建评测，效果均为官方自报；Robotics LoRA 的前景为作者推测。