Tencent publica el informe y el benchmark de Hy-Nomas junto con comparativas con Genie 4
Tencent Hunyuan ha publicado su informe sobre Hy-Nomas y lanzado un conjunto de datos de evaluación, al tiempo que recreaba por separado ejemplos de Genie 4 en vídeos comparativos. El lanzamiento ofrece a los investigadores materiales para probar un modelo de mundo interactivo, un sistema que genera entornos visuales cambiantes en respuesta a órdenes de los usuarios. Estos materiales establecen una base de investigación, pero los clips comparativos no demuestran una paridad de rendimiento con el último modelo de Google.
La distinción es importante porque el artículo de Tencent evalúa Genie 3, junto a otros sistemas competidores, y no Genie 4. Sus resultados publicados también reconocen una debilidad: Hy-Nomas queda por detrás de Genie 3 en consistencia espacial a largo plazo. Esto hace que el anuncio sea más útil de lo que sugiere una simple competencia entre vídeos atractivos.
Para los desarrolladores, la cuestión inmediata se refiere a qué pueden examinar, reproducir y adaptar. Tencent ha hecho más práctica esa investigación mediante la publicación de recursos de investigación. Que el sistema resultante se adapte a una aplicación creativa, un prototipo interactivo o un proyecto de investigación sigue requiriendo pruebas que vayan más allá de demostraciones seleccionadas.
El informe de Hy-Nomas añade evidencia a un lanzamiento existente
El nuevo informe documenta el diseño y la evaluación del modelo, mientras que el repositorio muestra que la disponibilidad del código y la demo fue anterior.
La cronología de lanzamiento de Tencent separa varios acontecimientos que un único anuncio puede fusionar fácilmente. El repositorio oficial fecha el lanzamiento inicial del código y la demo interactiva el 21 de octubre de 2026. Incluye el informe de arXiv del 27 de octubre y los vídeos comparativos con Genie 4 del 29 de octubre.
Esta secuencia cambia la forma en que los lectores deberían interpretar la noticia. Se trata de una ampliación de un lanzamiento existente, con documentación técnica y una nueva presentación competitiva. No demuestra que todos los componentes estuvieran disponibles por primera vez de forma conjunta.
El historial de lanzamientos también describe código de entrenamiento e inferencia, acceso al modelo e integraciones con la comunidad. La inferencia consiste en ejecutar un modelo entrenado para producir resultados. Estos recursos hacen que el lanzamiento sea relevante para desarrolladores que deseen investigar detalles de implementación, en lugar de juzgar clips terminados.
Un lanzamiento de investigación tiene varios públicos con necesidades distintas. Un investigador quiere suficiente información para repetir un experimento. Un desarrollador quiere comprender los requisitos de despliegue y las interfaces. Un profesional creativo quiere saber si una interacción produce un resultado útil.
Un vídeo de anuncio puede servir al último público sin satisfacer a los demás. A la inversa, un artículo detallado puede respaldar un experimento sin demostrar que un producto resulte cómodo para el trabajo cotidiano. Por ello, los materiales de Tencent deben evaluarse según la pregunta que cada recurso pueda responder.
La disponibilidad del informe importa porque permite examinar el razonamiento del equipo. Los lectores pueden analizar cómo definen los autores la interacción, qué mide su evaluación y dónde terminan sus conclusiones. Esto crea oportunidades tanto para la crítica como para la adopción.
El momento del lanzamiento también lo sitúa junto a un nuevo anuncio de un competidor. Genie 4 de Google llegó durante la misma semana, ofreciendo a los ejemplos recreados por Tencent un punto de referencia inmediato. La comparación atrae atención, pero el paquete de investigación subyacente merece una lectura independiente.
El informe de Hy-Nomas debe tratarse como una descripción del sistema y los experimentos de los autores. No valida automáticamente cada impresión creada por material promocional. La reproducibilidad comienza cuando otro equipo puede conectar el método escrito con resultados reales bajo condiciones documentadas.
Para los lectores que conocen el proyecto a través de las redes sociales, ese es el cambio central. Ahora existe una base más sustancial para investigarlo que la mera semejanza visual. El seguimiento útil consiste en examinar qué pide el benchmark publicado que haga un modelo.
Hy-Nomas-Bench desplaza la cuestión de la apariencia a la interacción
Una colección de pruebas compartida ofrece a los investigadores una forma de examinar el comportamiento a través de órdenes sucesivas, en lugar de comparar momentos destacados aislados.
El benchmark interactivo de Tencent describe 280 casos en cuatro tareas: interacción de texto multivuelta, navegación de cámara, controles intercalados y memoria espacial. La interacción multivuelta consiste en emitir instrucciones sucesivas dentro de la misma escena cambiante. La memoria espacial se refiere a si los objetos y las disposiciones observados previamente se mantienen coherentes al volver a visitarlos.
La colección incluye prompts, secuencias de interacción y trayectorias de cámara de referencia. Una trayectoria de cámara especifica cómo se mueve el punto de vista por una escena. Estas entradas proporcionan una base para repetir una prueba, aunque la documentación del conjunto de datos separa las entradas de evaluación de la puntuación.
Esta separación merece atención. Descargar un benchmark no produce por sí solo una clasificación fiable. Alguien debe generar resultados, aplicar criterios de evaluación, registrar exclusiones y explicar cómo se manejaron las distintas interfaces de los modelos.
Consideremos una tarea creativa hipotética en la que un personaje transporta un objeto por una habitación. La primera orden establece el personaje y el objeto. Una instrucción posterior cambia la acción y un movimiento de cámara revela otra parte de la habitación.
Un sistema útil debe conectar esos momentos. Debe preservar el personaje relevante, mantener la posición modificada del objeto y responder al nuevo punto de vista. Un final visualmente atractivo no explica si esas transiciones se mantuvieron coherentes.
Por eso las pruebas de interacción importan para el desarrollo de productos. Una aplicación recibe órdenes a lo largo del tiempo, a menudo después de que los usuarios reaccionen a resultados anteriores. Su utilidad depende de gestionar esa secuencia, incluidas las solicitudes que interrumpen o revisan un plan inicial.
El benchmark también crea una base más clara para el desacuerdo. Los investigadores pueden identificar el caso en el que falla un modelo y describir el fallo. Eso resulta más práctico que discutir qué colección de vídeos promocionales parece mejor.
La presión recae en parte sobre la propia Tencent. Una vez que una colección de pruebas es pública, equipos externos pueden cuestionar la interpretación publicada. Pueden investigar si la aparente ventaja se mantiene con procedimientos de evaluación distintos o si se concentra en escenarios concretos.
Otros desarrolladores de modelos se enfrentan a una decisión relacionada. Pueden participar en evaluaciones comparables, explicar por qué la tarea no se ajusta a sus sistemas o proponer alternativas. Cada respuesta puede mejorar la comprensión si hace explícitos los supuestos subyacentes.
El alcance del benchmark aún exige cautela. Una colección centrada en la interacción no resuelve todas las cuestiones sobre calidad visual, sonido, usabilidad o fiabilidad de una aplicación. Un resultado útil responde a la pregunta medida, con sus condiciones asociadas.
Para un comprador, esto implica evitar una única etiqueta global como “mejor modelo de mundo”. Las distintas aplicaciones imponen exigencias diferentes al sistema. La evidencia relevante depende de si el trabajo prioriza la navegación, el seguimiento de instrucciones, la continuidad u otro comportamiento.
Por tanto, el valor práctico del lanzamiento es ofrecer un punto de partida común para la investigación. Su importancia a largo plazo depende de que usuarios independientes publiquen suficiente detalle para que sus hallazgos sean comparables.
El modelo separa el contexto persistente de las órdenes temporales
El enfoque técnico de Tencent aborda un problema específico de interacción: una acción debe terminar mientras sus consecuencias permanecen como parte de la escena.
Según el informe de Hy-Nomas, el sistema utiliza una arquitectura base de difusión de 8.000 millones de parámetros, una red neuronal que genera contenido visual mediante eliminación de ruido. Produce segmentos sucesivos usando las instrucciones actuales y el historial retenido. Tencent describe una atención consciente de las acciones que limita las instrucciones de acción a sus ventanas temporales previstas mientras preserva el contexto descriptivo.
El artículo también describe un Prompt Enhancer, un componente de visión y lenguaje que convierte solicitudes e historial observado en condiciones estructuradas para el siguiente segmento. Su evaluación utiliza comparaciones humanas frente a Genie 3, LingBot-World v2 y Happy Oyster. Tencent informa ventajas en interacción, pero reconoce que Hy-Nomas queda por detrás de Genie 3 en consistencia espacial a largo plazo.
Estos hallazgos sugieren una interpretación más específica que una superioridad general. Los autores presentan un sistema diseñado en torno a una interacción flexible, al tiempo que identifican la memoria como un área aún pendiente. Ambos puntos deben figurar en cualquier descripción del lanzamiento.
La diferencia entre una acción y su consecuencia se aprecia fácilmente en una escena ilustrativa. Supongamos que un usuario pide a un personaje abrir una puerta. Después, el personaje debe dejar de abrirla, mientras que el nuevo estado de la puerta sigue siendo relevante.
Repetir la orden anterior puede generar un comportamiento no deseado. Olvidar su consecuencia puede crear un error de continuidad diferente. Un sistema interactivo debe conservar suficiente historial para distinguir esos resultados cuando llegue la siguiente solicitud.
Esta es una lente útil para interpretar la arquitectura. El diseño apunta a una fuente práctica de confusión en la generación secuencial. Que resuelva este problema de forma fiable sigue siendo una cuestión empírica, especialmente cuando se acumulan varias acciones y cambios de punto de vista.
El Prompt Enhancer también afecta a cómo los investigadores deben interpretar la experiencia. La instrucción breve de un usuario y el condicionamiento detallado del generador son etapas distintas del sistema. El rendimiento corresponde al flujo de trabajo completo que se está probando.
Para los creadores de aplicaciones, esto plantea una pregunta de diagnóstico. Cuando falla un resultado, ¿interpretó el sistema incorrectamente la solicitud, generó una acción errónea o perdió un estado anterior? Estas posibilidades requieren soluciones distintas.
Una interfaz que oculta todos los pasos intermedios puede dificultar esa investigación. Un flujo de trabajo de investigación se beneficia de preservar la solicitud original, su interpretación estructurada y el segmento resultante. Juntos, ayudan a explicar dónde se desvió el comportamiento de la intención.
La tarjeta del modelo de Tencent documenta por separado una configuración de bajo consumo de memoria para una única NVIDIA GeForce RTX 4090. Utiliza componentes de precisión reducida y descarga a la CPU, que traslada los componentes inactivos a la memoria del sistema. La tarjeta también describe una salida de 720 por 1280 a 24 fotogramas por segundo en una configuración destilada.
Estas especificaciones establecen opciones de despliegue, no una garantía de capacidad de respuesta verificada de forma independiente. La tasa de reproducción de vídeo y la velocidad de generación responden a preguntas diferentes. Un desarrollador todavía necesita medir cuánto tiempo esperan los usuarios después de enviar una orden.
Esto importa porque la interacción cambia el significado de un rendimiento aceptable. Un flujo de trabajo de renderizado sin conexión puede tolerar una espera que interrumpiría la exploración. Por ello, el mismo modelo puede adaptarse a una aplicación y resultar incómodo en otra.
La contribución técnica se vuelve más útil cuando se conecta con requisitos concretos de este tipo. La arquitectura explica el mecanismo previsto. Los experimentos repetidos y documentados determinan cómo se comporta ese mecanismo en el entorno que un desarrollador realmente planea utilizar.
Las comparativas con Genie 4 establecen un punto de referencia, no una clasificación
Los ejemplos recreados por Tencent y su benchmark publicado pertenecen a formas de evidencia diferentes.
El repositorio oficial describe los vídeos del 29 de octubre como ejemplos de Genie 4 recreados con Hy-Nomas. Esa formulación identifica una comparación cualitativa. No describe la participación de Genie 4 en el protocolo de evaluación del artículo.
El anuncio de capacidades de Genie 4 de Google, publicado el 27 de octubre, describe interacción en tiempo real y audio nativo, incluidos sonido ambiental y diálogo. Google afirma que el acceso comienza con una vista previa de investigación para evaluadores de confianza, con un acceso más amplio previsto posteriormente. Estas son afirmaciones y planes de despliegue de Google, no hallazgos independientes sobre rendimiento comparativo.
Por consiguiente, las empresas presentan tipos distintos de evidencia sobre acceso y capacidades. Tencent ofrece artefactos publicados que permiten una investigación directa. Google describe un sistema experimental cuya disponibilidad inicial está controlada.
Para los desarrolladores, el acceso en sí mismo tiene valor práctico. Un modelo disponible puede examinarse dentro de las limitaciones propias de un equipo. Una vista previa restringida crea una dependencia de la admisión y de las condiciones del servicio alojado.
Eso no convierte el acceso en un sustituto de la calidad. Un sistema puede ser más fácil de obtener y aun así rendir peor en una tarea importante. A la inversa, una demostración más sólida puede seguir siendo difícil de evaluar cuando los investigadores no pueden ejecutar sus propios casos.
La presión competitiva aquí se refiere a la capacidad de fundamentar las afirmaciones. El lanzamiento de Tencent invita a la experimentación externa y expone más su comportamiento al escrutinio. El anuncio de Google aporta una referencia reciente de capacidades, pero la estructura de su vista previa limita quién puede probarlo directamente.
Las comparaciones seleccionadas pueden ayudar a identificar cuestiones que merece la pena investigar. Pueden mostrar que un tipo de escena o interacción parece estar al alcance de un sistema. No pueden revelar la distribución completa de resultados sin información sobre intentos, selección y fallos.
Un clip de apariencia similar también deja sin resolver varias posibilidades. Los sistemas podrían requerir instrucciones, preparación o tiempo de generación distintos. Podrían divergir cuando la escena continúa más allá del extracto seleccionado.
Estas incertidumbres no invalidan los vídeos. Definen qué puede concluir razonablemente un espectador a partir de ellos. Los clips son evidencia de resultados presentados, con información limitada sobre cuán representativos son esos resultados.
Una comparación justa debe ajustarse a la decisión que se está tomando. Si la cuestión es el seguimiento de instrucciones, los evaluadores necesitan órdenes comparables y una definición clara de éxito. Si se trata de usabilidad, el tiempo de espera y la recuperación ante errores pasan a ser relevantes.
Si la cuestión es el sonido, una comparación visual no puede resolverla. Si se trata de conservar la distribución de una habitación, el evaluador necesita una interacción que vuelva a la vista anterior. La prueba debe exponer el comportamiento que se afirma.
Esta es también la razón por la que los resultados del artículo sobre Genie 3 deben conservar su identidad original. Un resultado frente a un modelo anterior no puede volver a etiquetarse como evidencia contra su sucesor. Los vídeos posteriores no actualizan el benchmark por implicación.
Por ahora, la conclusión defendible es que Tencent ha proporcionado un paquete de investigación y una comparación visual oportuna. Una clasificación más amplia requiere una evaluación diseñada para los sistemas y capacidades que realmente se comparan.
La reproducibilidad depende de informar sobre los casos incómodos
Los materiales abiertos crean la oportunidad de verificar; la reproducción independiente exige decisiones transparentes sobre configuración, selección y fallos.
La pregunta escéptica más importante es si equipos externos pueden obtener un comportamiento comparable sin depender de una preparación no divulgada. Esa pregunta se aplica incluso cuando el modelo, el código y las entradas de evaluación están disponibles.
Una reproducción puede diferir por motivos comprensibles. Los cambios de software, las limitaciones de hardware y la interpretación de los prompts pueden afectar a un experimento. La respuesta debe ser documentar esas diferencias y evaluar su importancia.
La información sobre versiones resulta especialmente útil cuando un proyecto cambia con rapidez. Un resultado se refiere a los artefactos utilizados en el momento de la prueba. Sin esa conexión, los lectores posteriores pueden tener dificultades para determinar si están comparando sistemas equivalentes.
El manejo de los prompts merece el mismo cuidado. Una breve solicitud del usuario y una instrucción estructurada ampliada pueden plantear exigencias diferentes a un modelo. Un evaluador debe explicar qué representación de entrada recibió cada sistema y por qué.
La selección es otra fuente de ambigüedad. Un resultado publicado debe dejar claro si representa un intento inicial, una ejecución repetida o una salida elegida entre alternativas. De lo contrario, los lectores no pueden estimar cuánto esfuerzo produjo el ejemplo.
Los fallos también aportan información que los clips exitosos omiten. Un sistema podría manejar una instrucción inicial, pero perder continuidad tras un cambio de punto de vista. Otro podría preservar el entorno y responder mal a una acción solicitada.
Estos patrones importan porque las aplicaciones necesitan una recuperación predecible. Un desarrollador a veces puede rediseñar una interacción en torno a una limitación conocida. Un patrón de fallos sin explicación es más difícil de acomodar.
La debilidad de memoria reconocida en el artículo es, por tanto, información útil. Dirige la atención hacia un comportamiento que merece probarse antes de adoptar el sistema. Los investigadores deberían analizar dónde aparece esa limitación y hasta qué punto afecta a las tareas previstas.
La memoria también necesita una interpretación específica para cada tarea. Un cineasta que explora composiciones alternativas puede aceptar cierta variación ambiental. Una aplicación que depende de volver a una ubicación sin cambios tiene un requisito más estricto.
La misma cautela se aplica a los posibles usos de simulación. Una secuencia de apariencia plausible no es evidencia suficiente de que un sistema prediga con precisión un proceso físico. Cualquier aplicación que requiera esa precisión necesita validación frente a observaciones externas apropiadas.
Estos son límites analíticos, no afirmaciones de que Hy-Nomas haya fallado en un despliegue concreto. Los materiales públicos de investigación no establecen todos los casos de uso posibles. Los equipos de aplicación siguen siendo responsables de definir el comportamiento que necesitan y probarlo directamente.
La evaluación humana introduce otro conjunto de decisiones. Los evaluadores necesitan definiciones coherentes de éxito y un proceso para manejar resultados ambiguos. Los lectores se benefician cuando una evaluación explica cómo se resolvió el desacuerdo.
Una única puntuación agregada puede ocultar esas distinciones. La ejecución de instrucciones, la respuesta al punto de vista y la continuidad de la escena pueden fallar de forma independiente. Informarlas por separado ofrece a los desarrolladores más información sobre la probable adecuación.
Para los equipos que organizan experimentos, una base de conocimientos con búsqueda puede conectar documentos técnicos con observaciones de pruebas. El objetivo es la trazabilidad: cada conclusión debe remitir a la configuración, la entrada y la salida que la sustentan.
Esa disciplina hace que la crítica sea más productiva. En lugar de declarar que un modelo recuerda u olvida, los evaluadores pueden describir las circunstancias. En lugar de tratar un vídeo seleccionado como típico, pueden informar con qué frecuencia apareció un comportamiento similar.
El informe de Hy-Nomas proporciona material para ese debate. La siguiente etapa corresponde en parte a investigadores y desarrolladores ajenos a Tencent, cuyos hallazgos pueden reforzar, matizar o cuestionar la interpretación del equipo.
Observe resultados independientes, protocolos de comparación y despliegues utilizables
La próxima evidencia significativa procederá de experimentos repetidos, comparaciones explícitamente equiparadas y aplicaciones que expongan sus condiciones operativas.
La primera señal que observar es una reproducción independiente que utilice versiones, entradas y decisiones de evaluación documentadas. Una publicación útil vincularía sus conclusiones con los casos probados y revelaría las exclusiones. También explicaría las desviaciones importantes respecto al procedimiento de Tencent.
La coincidencia con los hallazgos publicados reforzaría la confianza en el lanzamiento como referencia de investigación. Los hallazgos divergentes serían informativos si los autores identifican causas probables. Una clasificación sin explicación aportaría mucho menos.
Debe prestarse especial atención a la distinción comunicada entre las fortalezas de interacción y las limitaciones de memoria espacial. Los resultados externos que preserven ese patrón respaldarían la descripción más matizada del artículo. Patrones diferentes sugerirían que las decisiones de implementación o evaluación merecen un examen más detenido.
La segunda señal es una comparación directa con Genie 4 que incluya un protocolo declarado. Tal evaluación debe identificar las condiciones de acceso y qué capacidades pueden equipararse realmente. Los temas visuales compartidos por sí solos son insuficientes.
Una comparación útil revelaría los prompts, la secuencia de interacción, el proceso de selección de resultados y las mediciones de tiempo relevantes. También debería distinguir el comportamiento visual del audio y de otras capacidades que queden fuera de una prueba determinada.
Si una comparación transparente encuentra un rendimiento similar en tareas compartidas, la implicación competitiva se vuelve más concreta. Si aparecen diferencias sustanciales, los desarrolladores obtienen una mejor base para elegir un enfoque. Cualquiera de los dos resultados mejora la interpretación de una semejanza promocional como si fuera una clasificación.
La tercera señal es un despliegue que siga siendo útil más allá de una demostración breve. La evidencia relevante incluye capacidad de respuesta, continuidad, recuperación tras comandos fallidos y los recursos necesarios para mantener la experiencia.
Para una aplicación creativa, eso podría significar una sesión documentada que muestre cómo los usuarios revisan una escena y se recuperan de resultados no deseados. Para la investigación, podría significar un entorno de pruebas repetible que conserve suficiente información para que otros la inspeccionen.
Estos ejemplos describen evidencia que conviene buscar, no despliegues ya establecidos por este lanzamiento. Las afirmaciones de adopción deben seguir vinculadas al uso observable. Los anuncios de integración son pistas alentadoras, pero su valor práctico depende de lo que los usuarios puedan lograr.
Una demostración en el navegador puede ayudar a los lectores a formarse una impresión inicial. No garantiza que el despliegue local se comporte de forma idéntica ni que las condiciones de acceso permanezcan constantes. La disponibilidad y el tiempo de espera deben comprobarse cuando alguien pruebe realmente el servicio.
Durante los próximos meses, el debate más útil conectará estas señales. Las pruebas independientes explican el comportamiento. Las comparaciones equiparadas establecen fortalezas relativas. Las aplicaciones documentadas muestran si esas fortalezas importan fuera del entorno de evaluación.
Por ahora, considere el informe de Hy-Nomas como un punto de partida para una investigación acotada. Elija un flujo de trabajo que le importe y, a continuación, identifique los comandos, requisitos de continuidad y tiempo de espera que puede tolerar. Conserve las entradas originales y las salidas completas, incluidos los fallos. Compare esas observaciones con las afirmaciones publicadas antes de sacar una conclusión más amplia. Si explora la demostración, continúe más allá de la atractiva escena inicial y vuelva a visitar algo que el sistema mostró anteriormente. Si ejecuta el modelo publicado, registre la configuración junto con sus hallazgos. La pregunta útil es específica: ¿preserva este sistema el comportamiento que su aplicación necesita cuando llega la siguiente instrucción?
