Tencent Hy-Nomas คืออะไร? เปิดโค้ดพร้อม Bench 280 เคส

Quick answer

Tencent Hunyuan เผยแพร่ Hy-Nomas พร้อมโค้ด น้ำหนักโมเดล และชุดประเมิน Hy-Nomas-Bench ในช่วงวันที่ 23 ตุลาคม 2026 ตามประวัติ repository ทางการ โมเดลสร้างวิดีโอเป็นช่วงต่อเนื่องและรับคำสั่งข้อความหรือเส้นทางกล้องเพื่อเปลี่ยนฉากระหว่างทาง จุดที่ควรแยกให้ออกคือ 280 กรณีใน benchmark เป็นชุดทดสอบที่ผู้พัฒนาเผยแพร่ ยังไม่ใช่คะแนนว่าระบบทำได้ดีเพียงใด เพราะหน้า dataset ไม่ได้ให้วิดีโอผลลัพธ์หรือคะแนนประเมิน

เอกสารระบุการตั้งค่า inference วิดีโอแบบใช้ GPU RTX 4090 ใบเดียว แต่ตัวเลข 24 FPS หมายถึงอัตราเฟรมของวิดีโอขาออก ไม่ใช่ความเร็วสร้างวิดีโอ และหน้าเดียวกันระบุว่าเดโมเว็บต้องใช้บริการ Nomas-PE แยกต่างหาก

สิ่งที่ Tencent เปิดเผย

Hy-Nomas เป็นโมเดลสร้างวิดีโอแบบแบ่งเป็นช่วง (segment) ให้ผู้ใช้ส่งคำสั่งใหม่ได้ระหว่างการสร้าง เช่น เปลี่ยนวัตถุ ฉาก สไตล์ การกระทำ หรือมุมกล้อง ระบบใช้ diffusion transformer สร้างช่วงวิดีโอถัดไป และเก็บบริบทจากช่วงก่อนหน้าไว้ใน KV cache เพื่อป้อนต่อเมื่อสร้างช่วงถัดไป

แนวคิดนี้ทำให้ผู้ใช้เปลี่ยนฉากระหว่างทางได้ ต่างจากการส่ง prompt ครั้งเดียวเพื่อสร้างคลิปก้อนเดียว แต่คำว่า “โลกต่อเนื่อง” ในชื่อแนวทางไม่ได้ยืนยันว่าเป็นฉากสามมิติที่มีฟิสิกส์จริงหรือสถานะวัตถุถูกต้องทุกเฟรม ผลลัพธ์ที่เอกสารระบุคือวิดีโอ ส่วนการคงอัตลักษณ์และตำแหน่งของวัตถุเป็นคุณสมบัติที่ต้องวัดจากงานทดสอบ

แผนภาพกลไก Hy-Nomas: ข้อความและกล้องกำกับการสร้างวิดีโอเป็นช่วง โดย KV cache ส่งบริบทจากช่วงก่อนหน้าต่อไป — แผนภาพอธิบายกลไกตามเอกสารผู้พัฒนา ไม่ใช่ภาพหน้าจอจากการทดลองใช้งาน

280 กรณีทดสอบบอกอะไร และยังไม่บอกอะไร

Hy-Nomas-Bench แบ่งโจทย์เป็นสี่กลุ่ม ได้แก่ การทำตามข้อความหลายรอบ 60 กรณี การนำทางกล้อง 100 กรณี การสลับข้อความกับกล้อง 60 กรณี และความจำเชิงพื้นที่ 60 กรณี รวม 280 กรณี ทดสอบความสามารถเฉพาะด้าน เช่น ทำตามคำสั่งต่อเนื่อง ควบคุมมุมกล้อง และกลับไปยังจุดเดิมแล้วรักษาความสอดคล้องของฉาก

หน้า dataset ระบุว่ามี prompt ลำดับการโต้ตอบ และเส้นทางกล้องอ้างอิง 220 เส้นทาง แต่ไม่ได้เผยแพร่วิดีโอที่โมเดลสร้าง เฟรมอ้างอิง/ย้อนกลับ หรือคะแนนประเมิน ดังนั้นเราตรวจยืนยันจำนวนและรูปแบบชุดทดสอบได้ แต่ยังสรุปไม่ได้จากข้อมูลนี้ว่า Hy-Nomas ผ่านกี่กรณี หรือดีกว่าโมเดลอื่นหรือไม่ และยังไม่พบการทำซ้ำผลโดยผู้ประเมินอิสระ

จำนวนกรณีทดสอบ Hy-Nomas-Bench แยกสี่กลุ่ม รวม 280 กรณี โดยกลุ่มนำทางกล้องมี 100 กรณีและอีกสามกลุ่มมี 60 กรณีต่อกลุ่ม — ตัวเลขคือจำนวนโจทย์ในชุดทดสอบ ไม่ใช่คะแนนความสามารถของโมเดล; ข้อมูลจากหน้า Hy-Nomas-Bench

ลองเลือกคำถามที่อยากประเมิน

แต่ละชุดวัดคนละพฤติกรรม การเลือกด้านล่างจะแสดงจำนวนกรณีและขอบเขตของข้อสรุปที่โจทย์ชุดนั้นรองรับ ทุกตัวเลขมาจากการแจกแจงใน dataset ของ Tencent ไม่ใช่ผลรันทดสอบซ้ำ

ข้อความหลายรอบ — 60 กรณี

คำถาม: ระบบทำตามคำสั่งที่เปลี่ยนไปในแต่ละช่วง และรักษาตัวละคร/ฉากเดิมได้แค่ไหน? ชุดนี้มี 2–6 ช่วงต่อกรณีและใช้ดูการทำตาม prompt กับความต่อเนื่องของตัวละคร ขอบเขต: ไม่ใช่หลักฐานว่าคลิปทุกชิ้นสอดคล้องหรือทำงานได้ในทุก prompt

นำทางกล้อง — 100 กรณี

คำถาม: มุมมองเคลื่อนตามคำสั่งได้หรือไม่? มี 49 ฉาก การเคลื่อนไหวกล้องพื้นฐาน 8 แบบ และคู่การกดปุ่ม 24 แบบ ขอบเขต: วัดการควบคุมกล้องตามชุดโจทย์ ไม่ได้ทดสอบฟิสิกส์สามมิติหรือการนำทางหุ่นยนต์จริง

สลับข้อความ + กล้อง — 60 กรณี

คำถาม: เมื่อสลับการบอกฉากด้วยข้อความและการกำกับกล้อง การสร้างยังทำตามทั้งสองอย่างได้หรือไม่? ชุดนี้แยกช่วงที่ใช้ prompt กับช่วงที่ใช้ camera control ขอบเขต: เอกสารเผยแพร่โจทย์ แต่ไม่ได้ให้คะแนนผลลัพธ์เพื่อสรุปประสิทธิภาพ

ความจำเชิงพื้นที่ — 60 กรณี

คำถาม: เมื่อกล้องเดินออกจากเป้าหมายแล้วกลับมา ฉากและวัตถุคงเดิมหรือไม่? แต่ละกรณีมีการออกไปและย้อนกลับ 4 คู่ ขอบเขต: เป็นการตรวจความสอดคล้องเชิงภาพในวิดีโอ ไม่ได้ยืนยันว่าโมเดลมีความจำถาวรหรือสร้างแผนที่โลกจริง

เลือกหัวข้อเพื่อเปิดคำอธิบาย; ปิดหัวข้อเดิมเพื่อกลับสู่มุมมองเริ่มต้น คำอธิบายทั้งหมดอยู่ในหน้าและอ่านได้โดยไม่ต้องใช้ JavaScript

ข้อควรระวังเรื่องสเปกและฮาร์ดแวร์

model card ระบุการสร้างที่ 720 × 1280 และ 24 FPS หลังใช้การ denoise 8 ขั้น ค่า FPS เป็นเฟรมเรตสำหรับเล่นวิดีโอ ไม่ใช่จำนวนเฟรมที่สร้างได้ต่อวินาทีจริง และ 8 ขั้นเป็นการตั้งค่าการสุ่มตัวอย่าง ไม่ใช่ตัวชี้วัด latency

โหมด single-GPU ที่เอกสารอธิบายใช้ RTX 4090 สำหรับ inference วิดีโอ โดยใช้ INT8 กับ DiT และ KV cache, FP8 กับ decoder และ offload ไปยัง CPU เอกสารจำกัดประวัติที่อยู่ใน GPU ไว้ที่ 18 latent frames แต่เก็บประวัติบางส่วนไว้บน CPU ต่อไป ข้อจำกัดนี้ไม่ใช่เพดานของความยาวช่วงวิดีโอปัจจุบันหรือหน่วยความจำระบบทั้งหมด และผู้พัฒนาไม่ได้ให้ตัวเลข RAM หรือเวลาในการสร้างที่ยืนยันได้

สำหรับเดโมเว็บยังมีบริการ Nomas-PE ที่ช่วยขยาย prompt และทรัพยากรเสิร์ฟแยก ดังนั้น “รัน inference บน RTX 4090 ใบเดียวได้” ไม่ได้แปลว่าเดโมออนไลน์ทั้งหมดทำงานบน GPU ใบเดียว สภาพแวดล้อมคู่มือยังระบุ Linux, ไดรเวอร์ NVIDIA ที่เข้ากันได้, CUDA 13.0 และการติดตั้ง dependencies สำหรับการรันในเครื่อง การประกาศสเปกจึงไม่ใช่การทดสอบผลิตภัณฑ์โดยเรา

อินโฟกราฟิกแยกขอบเขตสเปก: 24 FPS เป็นเฟรมเรตวิดีโอขาออก, RTX 4090 เป็นค่าตั้ง inference วิดีโอ และเดโมเว็บใช้ Nomas-PE แยก — สเปกจาก model card ของผู้พัฒนา; ไม่ใช่ผลวัดความเร็วหรือการทดสอบอิสระ

คำว่า open-source ควรอ่านอย่างไร

repository ระบุ Apache License 2.0 สำหรับโครงการ Hy-Nomas และ model card ระบุ license เดียวกัน แต่เอกสารบอกด้วยว่าส่วนประกอบจากบุคคลที่สามอาจมีเงื่อนไขต่างออกไป จึงควรตรวจ license ของ dependency และโมเดลที่ต้องดาวน์โหลดแยกก่อนนำไปใช้เชิงพาณิชย์

ณ วันที่ตรวจ repository ระบุว่า technical report “Coming Soon” และยังไม่มีคะแนน benchmark ที่เผยแพร่ เราไม่พบการประเมินอิสระในแหล่งที่ตรวจ ดังนั้นข้อสรุปที่พอดีกับหลักฐานคือ Tencent เปิดทรัพยากรสำหรับทดลองและกำหนดโจทย์ประเมินไว้แล้ว แต่ยังเร็วเกินไปจะตัดสินคุณภาพ ความเร็ว หรือความได้เปรียบเมื่อเทียบกับระบบอื่น

สรุป

Hy-Nomas เป็นการเผยแพร่โมเดลสร้างวิดีโอแบบโต้ตอบที่เปิดทั้งโค้ด น้ำหนัก และชุดโจทย์วัด text/camera control โดยมีจุดเด่นด้านการต่อคำสั่งระหว่างช่วงวิดีโอ ส่วนที่พิสูจน์ได้ตอนนี้คือเนื้อหาใน repository, license และจำนวนโจทย์ที่เผยแพร่ ส่วนความต่อเนื่องของภาพในโลกจริง ความเร็วในการสร้าง และคุณภาพเมื่อเทียบคู่แข่งยังต้องอาศัยคะแนนและการทำซ้ำอิสระ

คำถามที่พบบ่อย

Hy-Nomas สร้างโลก 3D ที่เดินสำรวจได้หรือไม่?

เอกสารระบุการสร้างวิดีโอและควบคุมข้อความ/กล้อง ไม่ได้พิสูจน์ว่าเป็นฉาก 3D ที่มีฟิสิกส์หรือการโต้ตอบแบบเกม

24 FPS หมายถึงสร้างวิดีโอได้ 24 เฟรมต่อวินาทีหรือไม่?

ไม่ใช่ เป็นเฟรมเรตของวิดีโอขาออก ความเร็วสร้างจริงขึ้นกับฮาร์ดแวร์ ความละเอียด ความยาวคลิป และการตั้งค่า ซึ่งไม่มีผลทดสอบอิสระในแหล่งที่ตรวจ

RTX 4090 เครื่องเดียวเพียงพอสำหรับเดโมทั้งหมดไหม?

เอกสารระบุโหมด inference วิดีโอแบบ low-memory สำหรับ GPU รุ่นนี้ ส่วนเดโมเว็บยังต้องมี Nomas-PE และบริการเสิร์ฟแยก

280 กรณีเป็นคะแนนที่โมเดลทำได้หรือไม่?

ไม่ใช่ เป็นจำนวนโจทย์ในชุด benchmark ที่เผยแพร่ หน้า dataset ไม่ได้ให้ผลวิดีโอหรือคะแนน

อ่านต่อ

แหล่งอ้างอิง

หมายเหตุ: อ่านเอกสารและไฟล์ทางการของผู้พัฒนา ไม่ติดตั้งหรือรันโมเดล และไม่ทดสอบเดโม Benchmark เป็นชุดโจทย์ของผู้พัฒนา ไม่ใช่การยืนยันผลโดยบุคคลอิสระ

Tencent เปิด Hy-Nomas: วิดีโอโลกที่เปลี่ยนตามคำสั่ง แต่ 280 เคสยังไม่ใช่คะแนนชนะ