Tencent تطرح Hy-Nomas لتوليد عالم فيديو تفاعلي بترخيص Apache 2.0 وعلى بطاقة RTX 4090 واحدة

رفعت Tencent على Hugging Face نموذجًا جديدًا باسم Hy-Nomas يختلف عن مولّدات الفيديو المعتادة. فهو لا يأخذ وصفًا ويعيد مقطعًا منتهيًا، بل يولّد العالم مقطعًا بعد مقطع، ويقبل أوامر نصية حرة أثناء التوليد: إضافة عنصر، أو تغيير الأسلوب أو المشهد، أو وصف حركة، أو تحريك الكاميرا.

ويعتمد ذلك على ذاكرة مستمرة من نوع KV cache تنقل السياق بين المقاطع، فيُولَّد كل مقطع جديد وهو يعرف ما حدث قبله. أما الكاميرا فتدخل النموذج على شكل مصفوفات إحداثيات عبر آلية cross-attention مخصصة، فتصبح حركتها قيمة محسوبة لا وصفًا بالكلمات. والنموذج من نوع MMDiT يولّد المقاطع بالتتابع، ويستخدم مشفّر النص من Qwen2.5-VL-7B-Instruct.

والجديد هنا هو الوصول. فالترخيص Apache 2.0، والإعداد المضغوط الذي تقدّمه الشركة يُخرج فيديو بدقة 720 في 1280 بسرعة 24 إطارًا في الثانية على بطاقة NVIDIA RTX 4090 واحدة، في 8 خطوات. لكن هذه نسخة مضغوطة لا النموذج بحجمه الكامل، إذ تستخدم أوزانًا بدقة INT8 وذاكرة INT8 وفاكّ ترميز FP8 مع نقل جزء من العمل إلى المعالج. وتشمل الحزمة مكوّنات من أطراف أخرى لكل منها ترخيصه.

ويعني ذلك أن قدرة كانت تتطلب بنية خوادم صارت في متناول بطاقة يمكن شراؤها، وهو ما يخص فرق الإعلانات وصناعة المحتوى المرئي أكثر من فرق المنتجات البرمجية.

غير أن بطاقة النموذج لا تقدّم أي ادعاء عن الجودة. فلا توجد نتيجة اختبار واحدة منشورة، ولا عدد parameters، والتقرير الفني موسوم بـ “قريبًا”. ونشرت الشركة اختبارها الخاص Hy-Nomas-Bench من 280 حالة دون نتائجه، فيبقى السؤال عن جودة النموذج مفتوحًا.