开车开着就变飞机：腾讯开源了可交互世界模型，Demo 不用排队

腾讯混元放出了 Hy-Nomas，一个可交互视频世界模型。它接受多轮文字指令和连续相机控制，生成可变长视频片段。官方把模型权重、代码、Bench 和 Demo 一起开了，Demo 不需要排队。

论文摘要给的核心信息很直接：8B 扩散骨干，支持自由文本指令和连续相机控制，跨多个交互轮次生成。模型会缓存历史，当前输入和过去片段一起决定下一段视频。它的设计把结构化视频字幕和动作感知因果注意力对齐：描述性上下文可以跨片段访问，动作指令被限制在预期的时间窗口里。

这句话翻成日常用法就是，模型记得住场景，但一句“左转”只会在该生效的那段里生效。Saksham Jain 在回复里提到，把每个动作提示限制在自己的时间窗是个好设计，否则一句“左转”会渗到后面每个片段。这个细节对多轮交互很关键。

另一个组件是 VLM Prompt Enhancer，把用户请求和多模态交互历史翻译成下一段的结构化条件。训练上用了多阶段课程，逐步引入因果生成、文本交互、相机控制、模型生成历史训练，最后做扩散蒸馏。摘要里的人类评估称，Hy-Nomas 优于现有世界模型。

Rui Zhao 在回复里放了一段演示：开车，展开翅膀，起飞，降落，躲坦克火力，逃离。键盘控制和文本提示可以切换。

作者 Weizhi Wang 在回复 AK 时说，Hy-Nomas 支持与 Genie4 类似的功能，区别是模型完全开源。开源清单包括模型权重、代码、Bench 和一套轻量适配流程，目标指向可复现的交互世界生成研究。

入口在这里：

Rui Zhao 还贴了 Hy-Nomas 在 Space 里运行的简单演示。想先看效果，不必等名单。

开源到这个程度，比单看一段炫技视频更值得看。世界模型能不能复现、能不能被改，权重和训练流程放不放，才是后面见分晓的地方。