概要
Hy-Nomasは、複数ターンのテキスト指示とカメラ操作によって、自由形式のインタラクティブな動画世界を生成するモデルです。動画をセグメント単位で自己回帰的に生成し、KVキャッシュを使って過去の文脈を引き継ぎます。技術報告では、拡散バックボーンは80億パラメータとされています。(huggingface.co)
能力と用途
- 生成を続けながら、物体、動作、画風、場面などをテキストで指定できます。カメラ軌道による視点制御にも対応します。
- 標準の蒸留推論設定は、720×1280、24 FPS、8ステップのノイズ除去を使用します。
- インタラクティブな動画世界の制作・探索や研究に利用でき、独自動画データを使ったLoRAファインチューニングにも対応します。コード、モデル重み、デモ、評価用ベンチマークが公開されています。(huggingface.co)
制限と利用条件
- 標準推論設定は1推論グループあたり8 GPUを必要とします。別の低メモリ設定ではRTX 4090を1基使用できますが、量子化やCPUオフロードが必要で、システムRAMも消費します。(huggingface.co)
- Webデモには別途Nomas-PEサービスが必要です。単一GPU対応は動画推論についての説明であり、デモ全体が単一GPUで動作することを意味しません。24 FPSは出力動画の再生フレームレートであり、リアルタイム生成の保証ではありません。(huggingface.co)
- ライセンスはApache-2.0です。第三者モデルやコンポーネントにはそれぞれのライセンスが適用されます。(huggingface.co)
公開日
2026年10月21日に初期コードとインタラクティブデモが公開されました。技術報告のarXiv公開は2026年10月27日です。(github.com)
価格
2026年11月15日確認時点で、Tencent Cloudの中国国内向け価格表と国際向け価格表のいずれにも、Hy-Nomas固有の公式API価格を確認できませんでした。入力・出力それぞれの課金方式、単位、金額は未確認です。公開重みを自前で実行する場合も、計算資源などの費用は別途発生し得ます。(cloud.tencent.com)