Tencent publica relatório e benchmark Hy-Nomas junto com comparações ao Genie 4

A Tencent Hunyuan publicou seu relatório Hy-Nomas e lançou um conjunto de dados de avaliação, enquanto recriou separadamente exemplos do Genie 4 em vídeos comparativos. O lançamento oferece aos pesquisadores materiais para testar um modelo de mundo interativo, um sistema que gera ambientes visuais em evolução em resposta a comandos do usuário. Esses materiais estabelecem uma base de pesquisa, mas os clipes comparativos não demonstram paridade de desempenho com o modelo mais recente do Google.

A distinção importa porque o artigo da Tencent avalia o Genie 3, ao lado de outros sistemas concorrentes, e não o Genie 4. Suas conclusões publicadas também reconhecem uma limitação: o Hy-Nomas fica atrás do Genie 3 em consistência espacial de longo prazo. Isso torna o anúncio mais útil do que uma simples disputa entre vídeos visualmente atraentes poderia sugerir.

Para desenvolvedores, a questão imediata diz respeito ao que podem examinar, reproduzir e adaptar. A Tencent tornou essa investigação mais prática por meio dos artefatos de pesquisa lançados. Ainda é preciso obter evidências além de demonstrações selecionadas para saber se o sistema resultante atende a uma aplicação criativa, um protótipo interativo ou um projeto de pesquisa.

O relatório Hy-Nomas acrescenta evidências a um lançamento já existente

O novo relatório documenta o design e a avaliação do modelo, enquanto o repositório mostra que o código e a demonstração já estavam disponíveis antes dele.

A cronologia de lançamento da Tencent separa vários eventos que um único anúncio pode facilmente condensar. O repositório oficial data o lançamento inicial do código e da demonstração interativa em 21 de outubro de 2026. Ele lista o relatório no arXiv em 27 de outubro e os vídeos de comparação com o Genie 4 em 29 de outubro.

Essa sequência muda a forma como os leitores devem interpretar a notícia. Trata-se de uma ampliação de um lançamento existente, com documentação técnica e uma nova apresentação competitiva. Não é evidência de que todos os componentes tenham se tornado disponíveis pela primeira vez em conjunto.

O histórico de lançamentos também descreve código de treinamento e inferência, acesso ao modelo e integrações com a comunidade. Inferência significa executar um modelo treinado para produzir resultados. Esses recursos tornam o lançamento relevante para desenvolvedores que desejam investigar detalhes de implementação, em vez de apenas julgar clipes finalizados.

Um lançamento de pesquisa tem vários públicos, com necessidades distintas. Um pesquisador quer informação suficiente para repetir um experimento. Um desenvolvedor quer entender requisitos e interfaces de implantação. Um profissional criativo quer saber se uma interação produz um resultado útil.

Um vídeo de anúncio pode atender ao último público sem satisfazer os demais. Da mesma forma, um artigo detalhado pode apoiar um experimento sem demonstrar que um produto é conveniente para o trabalho cotidiano. Os materiais da Tencent devem, portanto, ser avaliados conforme a pergunta que cada artefato é capaz de responder.

A disponibilidade do relatório importa porque torna o raciocínio da equipe passível de análise. Os leitores podem examinar como os autores definem interação, o que sua avaliação mede e onde suas conclusões terminam. Isso cria oportunidades tanto para crítica quanto para adoção.

O momento do lançamento também o coloca ao lado de um novo anúncio concorrente. O Genie 4 do Google chegou na mesma semana, dando aos exemplos recriados da Tencent um ponto de referência imediato. A comparação chama atenção, mas o pacote de pesquisa subjacente merece uma leitura separada.

O relatório Hy-Nomas deve ser tratado como uma descrição do sistema e dos experimentos dos autores. Ele não valida automaticamente todas as impressões criadas por imagens promocionais. A reprodutibilidade começa quando outra equipe consegue conectar o método escrito a resultados reais sob condições documentadas.

Para leitores que conheceram o projeto pelas redes sociais, essa é a mudança central. Agora existe uma base mais substancial para investigação do que a mera semelhança visual. O acompanhamento útil é examinar o que o benchmark lançado pede que um modelo faça.

Hy-Nomas-Bench desloca a questão da aparência para a interação

Uma coleção de testes compartilhada oferece aos pesquisadores uma forma de examinar o comportamento em comandos sucessivos, em vez de comparar destaques isolados.

O benchmark interativo da Tencent descreve 280 casos em quatro tarefas: interação textual em múltiplos turnos, navegação de câmera, controles intercalados e memória espacial. Interação em múltiplos turnos significa emitir instruções sucessivas dentro da mesma cena em evolução. Memória espacial diz respeito a se objetos e layouts observados anteriormente permanecem consistentes quando revisitados.

A coleção inclui prompts, sequências de interação e trajetórias de câmera de referência. Uma trajetória de câmera especifica como o ponto de vista se move por uma cena. Essas entradas fornecem uma base para repetir um teste, embora a documentação do conjunto de dados separe as entradas de avaliação da pontuação.

Essa separação merece atenção. Baixar um benchmark não produz, por si só, um ranking confiável. É preciso gerar resultados, aplicar critérios de avaliação, registrar exclusões e explicar como diferentes interfaces de modelo foram tratadas.

Considere uma tarefa criativa hipotética envolvendo um personagem que carrega um objeto por uma sala. O primeiro comando estabelece o personagem e o objeto. Uma instrução posterior altera a ação, e um movimento de câmera revela outra parte da sala.

Um sistema útil precisa conectar esses momentos. Ele deve preservar o personagem relevante, manter a posição alterada do objeto e responder ao novo ponto de vista. Um desfecho visualmente atraente não explica se essas transições permaneceram coerentes.

É por isso que testes de interação importam para o desenvolvimento de produtos. Uma aplicação recebe comandos ao longo do tempo, muitas vezes depois que usuários reagem a resultados anteriores. Sua utilidade depende de lidar com essa sequência, incluindo solicitações que interrompem ou revisam um plano inicial.

O benchmark também cria uma base mais clara para discordâncias. Pesquisadores podem identificar o caso em que um modelo falha e descrever a falha. Isso é mais acionável do que discutir qual coleção de vídeos promocionais parece melhor.

A pressão recai em parte sobre a própria Tencent. Quando uma coleção de testes é pública, equipes externas podem contestar a interpretação publicada. Elas podem investigar se a vantagem aparente sobrevive a procedimentos de avaliação diferentes ou se fica concentrada em cenários específicos.

Outros desenvolvedores de modelos enfrentam uma escolha relacionada. Podem participar de avaliações comparáveis, explicar por que a tarefa não se adequa aos seus sistemas ou propor alternativas. Cada resposta pode melhorar o entendimento se tornar explícitas as premissas subjacentes.

O escopo do benchmark ainda exige moderação. Uma coleção focada em interação não resolve todas as questões sobre qualidade visual, som, usabilidade ou confiabilidade de aplicações. Um resultado útil responde à pergunta medida, com suas condições anexadas.

Para um comprador, isso significa evitar um único rótulo geral, como “melhor modelo de mundo”. Diferentes aplicações impõem exigências diferentes ao sistema. A evidência relevante depende de o trabalho enfatizar navegação, seguimento de instruções, continuidade ou outro comportamento.

O valor prático do lançamento é, portanto, um ponto de partida comum para investigação. Seu significado de longo prazo depende de usuários independentes publicarem detalhes suficientes para tornar suas conclusões comparáveis.

O modelo separa o contexto duradouro dos comandos temporários

A abordagem técnica da Tencent aborda um problema específico de interação: uma ação deve terminar, enquanto suas consequências permanecem parte da cena.

Segundo o relatório Hy-Nomas, o sistema usa uma arquitetura de difusão com 8 bilhões de parâmetros, uma rede neural que gera conteúdo visual por meio de remoção de ruído. Ele produz segmentos sucessivos usando instruções atuais e histórico retido. A Tencent descreve uma atenção consciente de ações que limita instruções de ação às janelas de tempo pretendidas, preservando o contexto descritivo.

O artigo também descreve um Prompt Enhancer, um componente de visão e linguagem que converte solicitações e histórico observado em condições estruturadas para o próximo segmento. Sua avaliação usa comparações humanas com Genie 3, LingBot-World v2 e Happy Oyster. A Tencent relata vantagens em interação, mas reconhece que o Hy-Nomas fica atrás do Genie 3 em consistência espacial de longo prazo.

Essas conclusões sugerem uma interpretação mais específica do que superioridade geral. Os autores apresentam um sistema concebido em torno de interação flexível, enquanto identificam a memória como uma área inacabada. Ambos os pontos devem constar em qualquer relato sobre o lançamento.

A diferença entre uma ação e sua consequência é fácil de perceber em uma cena ilustrativa. Suponha que um usuário peça a um personagem para abrir uma porta. Depois disso, o personagem deve parar de abri-la, enquanto o novo estado da porta permanece relevante.

Repetir o comando anterior pode criar um comportamento indesejado. Esquecer sua consequência pode criar um erro diferente de continuidade. Um sistema interativo precisa preservar histórico suficiente para distinguir esses resultados quando chega a próxima solicitação.

Essa é uma lente útil para interpretar a arquitetura. O design mira uma fonte prática de confusão na geração sequencial. Ainda é uma questão empírica saber se resolve esse problema de modo confiável, especialmente quando várias ações e mudanças de ponto de vista se acumulam.

O Prompt Enhancer também afeta como pesquisadores devem interpretar a experiência. A instrução curta de um usuário e o condicionamento detalhado do gerador são etapas diferentes do sistema. O desempenho pertence ao fluxo de trabalho completo que está sendo testado.

Para desenvolvedores de aplicações, isso levanta uma questão diagnóstica. Quando um resultado falha, o sistema interpretou incorretamente a solicitação, gerou a ação errada ou perdeu um estado anterior? Essas possibilidades exigem soluções diferentes.

Uma interface que oculta todas as etapas intermediárias pode dificultar essa investigação. Um fluxo de trabalho de pesquisa se beneficia ao preservar a solicitação original, sua interpretação estruturada e o segmento resultante. Juntos, eles ajudam a explicar onde o comportamento se desviou da intenção.

O cartão do modelo da Tencent documenta separadamente uma configuração de baixa memória para uma única NVIDIA GeForce RTX 4090. Ela usa componentes de precisão reduzida e descarregamento para CPU, que move componentes inativos para a memória do sistema. O cartão também descreve saída de 720 por 1280 a 24 quadros por segundo em uma configuração destilada.

Essas especificações estabelecem opções de implantação, não uma garantia de responsividade verificada de forma independente. A taxa de reprodução de vídeo e a velocidade de geração respondem a perguntas diferentes. Um desenvolvedor ainda precisa medir quanto tempo os usuários esperam após enviar um comando.

Isso importa porque a interação muda o significado de desempenho aceitável. Um fluxo de trabalho de renderização offline pode tolerar esperas que interromperiam a exploração. Portanto, o mesmo modelo pode se adequar a uma aplicação e parecer incômodo em outra.

A contribuição técnica se torna mais útil quando conectada a requisitos concretos desse tipo. A arquitetura explica o mecanismo pretendido. Experimentos repetidos e documentados determinam como esse mecanismo se comporta no ambiente que um desenvolvedor realmente pretende usar.

Comparações com o Genie 4 estabelecem um ponto de referência, não um ranking

Os exemplos recriados pela Tencent e seu benchmark publicado pertencem a formas diferentes de evidência.

O repositório oficial descreve os vídeos de 29 de outubro como exemplos do Genie 4 recriados com Hy-Nomas. Essa formulação identifica uma comparação qualitativa. Ela não descreve a participação do Genie 4 no protocolo de avaliação do artigo.

O anúncio das capacidades do Genie 4 do Google, publicado em 27 de outubro, descreve interação em tempo real e áudio nativo, incluindo som ambiente e diálogos. O Google afirma que o acesso começa com uma prévia de pesquisa para testadores confiáveis, com acesso mais amplo planejado. Essas são alegações e planos de lançamento do Google, e não conclusões independentes sobre desempenho comparativo.

Consequentemente, as empresas apresentam diferentes tipos de evidência de acesso e capacidade. A Tencent oferece artefatos lançados que permitem investigação direta. O Google descreve um sistema experimental cuja disponibilidade inicial é controlada.

Para desenvolvedores, o próprio acesso tem valor prático. Um modelo disponível pode ser examinado dentro das limitações de uma equipe. Uma prévia restrita cria dependência de aprovação e das condições do serviço hospedado.

Isso não torna o acesso um substituto para qualidade. Um sistema pode ser mais fácil de obter e ainda ter desempenho pior em uma tarefa importante. Por outro lado, uma demonstração mais forte pode continuar difícil de avaliar quando pesquisadores não conseguem executar seus próprios casos.

A pressão competitiva aqui envolve a capacidade de fundamentar alegações. O lançamento da Tencent convida à experimentação externa, deixando seu comportamento mais aberto ao escrutínio. O anúncio do Google oferece uma referência recente de capacidade, mas a estrutura de prévia limita quem pode testá-lo diretamente.

Comparações selecionadas podem ajudar a identificar questões que valem ser investigadas. Elas podem mostrar que um tipo de cena ou interação parece estar ao alcance de um sistema. Não conseguem revelar a distribuição completa dos resultados sem informações sobre tentativas, seleção e falhas.

Um clipe com aparência semelhante também deixa várias possibilidades em aberto. Os sistemas podem exigir instruções, preparação ou tempo de geração diferentes. Eles podem divergir quando a cena continua além do trecho selecionado.

Essas incertezas não invalidam os vídeos. Elas definem o que um espectador pode razoavelmente concluir a partir deles. Os clipes são evidência de resultados apresentados, com informações limitadas sobre o quanto esses resultados são representativos.

Uma comparação justa deve corresponder à decisão que está sendo tomada. Se a questão envolve seguir instruções, os avaliadores precisam de comandos comparáveis e de uma definição clara de sucesso. Se envolve usabilidade, o tempo de espera e a recuperação de erros se tornam relevantes.

Se a questão envolve som, uma comparação visual não pode resolvê-la. Se envolve manter o layout de uma sala, o avaliador precisa de uma interação que retorne à visão anterior. O teste deve expor o comportamento alegado.

Esse é também o motivo pelo qual os resultados do Genie 3 no artigo devem manter sua identidade original. Um resultado contra um modelo anterior não pode ser rebatizado como evidência contra seu sucessor. Os vídeos posteriores não atualizam o benchmark por implicação.

Por enquanto, a conclusão defensável é que a Tencent forneceu um pacote de pesquisa e uma comparação visual oportuna. Uma classificação mais ampla exige uma avaliação concebida para os sistemas e capacidades efetivamente comparados.

A reprodutibilidade depende de relatar os casos incômodos

Materiais abertos criam a oportunidade de verificação; a reprodução independente exige decisões transparentes sobre configurações, seleção e falhas.

A principal pergunta cética é se equipes externas conseguem obter comportamento comparável sem depender de preparação não divulgada. Essa pergunta se aplica mesmo quando o modelo, o código e as entradas de avaliação estão disponíveis.

Uma reprodução pode diferir por motivos compreensíveis. Mudanças no software, limitações de hardware e interpretações dos prompts podem afetar um experimento. A resposta deve ser documentar essas diferenças e avaliar sua importância.

As informações de versão são particularmente úteis quando um projeto muda rapidamente. Um resultado se refere aos artefatos usados no momento do teste. Sem essa conexão, leitores posteriores podem ter dificuldade para determinar se estão comparando sistemas equivalentes.

O tratamento dos prompts merece o mesmo cuidado. Uma solicitação curta do usuário e uma instrução estruturada expandida podem impor exigências diferentes a um modelo. Um avaliador deve explicar qual representação de entrada cada sistema recebeu e por quê.

A seleção é outra fonte de ambiguidade. Um resultado publicado deve deixar claro se representa uma tentativa inicial, uma execução repetida ou uma saída escolhida entre alternativas. Caso contrário, os leitores não conseguem estimar quanto esforço produziu o exemplo.

As falhas também carregam informações que clipes bem-sucedidos omitem. Um sistema pode lidar com uma instrução inicial, mas perder continuidade após uma mudança de ponto de vista. Outro pode preservar o ambiente enquanto responde mal a uma ação solicitada.

Esses padrões importam porque as aplicações precisam de recuperação previsível. Um desenvolvedor pode, às vezes, redesenhar uma interação em torno de uma limitação conhecida. Um padrão de falha inexplicado é mais difícil de acomodar.

A fraqueza de memória reconhecida no artigo é, portanto, uma informação útil. Ela direciona a atenção para um comportamento que merece testes antes da adoção. Pesquisadores devem investigar onde essa limitação aparece e com que intensidade ela afeta as tarefas pretendidas.

A memória também exige uma interpretação específica à tarefa. Um cineasta explorando composições alternativas pode aceitar alguma variação ambiental. Uma aplicação que depende de retornar a um local inalterado tem uma exigência mais rígida.

A mesma cautela se aplica a possíveis usos de simulação. Uma sequência de aparência plausível não é evidência suficiente de que um sistema prevê com precisão um processo físico. Qualquer aplicação que exija essa precisão precisa de validação em relação a observações externas apropriadas.

Esses são limites analíticos, e não alegações de que Hy-Nomas falhou em uma implantação específica. Materiais públicos de pesquisa não estabelecem todos os casos de uso possíveis. As equipes de aplicação continuam responsáveis por definir o comportamento de que precisam e testá-lo diretamente.

A avaliação humana introduz outro conjunto de decisões. Avaliadores precisam de definições consistentes de sucesso e de um processo para lidar com resultados ambíguos. Os leitores se beneficiam quando uma avaliação explica como divergências foram resolvidas.

Uma única pontuação agregada pode ocultar essas distinções. Execução de instruções, resposta ao ponto de vista e continuidade da cena podem falhar de forma independente. Relatá-las separadamente fornece aos desenvolvedores mais informações sobre a provável adequação.

Para equipes que organizam experimentos, uma base de conhecimento pesquisável pode conectar documentos técnicos a observações de testes. O objetivo é a rastreabilidade: cada conclusão deve levar de volta à configuração, à entrada e à saída que a sustentam.

Essa disciplina torna a crítica mais produtiva. Em vez de declarar que um modelo se lembra ou esquece, os avaliadores podem descrever as circunstâncias. Em vez de tratar um vídeo selecionado como típico, podem relatar com que frequência um comportamento semelhante apareceu.

O relatório do Hy-Nomas fornece material para essa discussão. A próxima etapa cabe, em parte, a pesquisadores e desenvolvedores fora da Tencent, cujas conclusões podem fortalecer, qualificar ou contestar a interpretação da equipe.

Acompanhe resultados independentes, protocolos de comparação e implantações utilizáveis

A próxima evidência relevante virá de experimentos repetidos, comparações explicitamente alinhadas e aplicações que exponham suas condições operacionais.

O primeiro sinal a observar é uma reprodução independente que use versões, entradas e decisões de avaliação documentadas. Uma publicação útil conectaria suas conclusões aos casos testados e divulgaria exclusões. Ela também explicaria desvios materiais do procedimento da Tencent.

A concordância com as conclusões publicadas fortaleceria a confiança no lançamento como uma referência de pesquisa. Resultados divergentes seriam informativos se os autores identificassem causas prováveis. Uma classificação sem explicação agregaria muito menos.

Atenção especial deve ser dada à distinção relatada entre pontos fortes de interação e limitações de memória espacial. Resultados externos que preservem esse padrão apoiariam o relato mais nuançado do artigo. Padrões diferentes sugeririam que escolhas de implementação ou avaliação merecem exame mais atento.

O segundo sinal é uma comparação direta com o Genie 4, com um protocolo declarado. Essa avaliação precisa identificar as condições de acesso e quais capacidades podem realmente ser alinhadas. Apenas temas visuais compartilhados são insuficientes.

Uma comparação útil divulgaria os prompts, a sequência de interação, o processo de seleção das saídas e medições relevantes de tempo. Ela também deveria distinguir o comportamento visual de áudio e de outras capacidades que estejam fora de um teste específico.

Se uma comparação transparente encontrar desempenho semelhante em tarefas compartilhadas, a implicação competitiva se torna mais concreta. Se surgirem diferenças substanciais, os desenvolvedores terão uma base melhor para escolher uma abordagem. Qualquer um dos resultados é superior a interpretar semelhança promocional como uma classificação.

O terceiro sinal é uma implantação que permaneça útil além de uma breve demonstração. A evidência relevante inclui capacidade de resposta, continuidade, recuperação após comandos malsucedidos e os recursos necessários para sustentar a experiência.

Para uma aplicação criativa, isso pode significar uma sessão documentada mostrando como os usuários revisam uma cena e se recuperam de resultados indesejados. Para pesquisa, pode significar um ambiente de teste repetível que preserve informações suficientes para que outros possam inspecioná-lo.

Esses exemplos descrevem evidências que vale buscar, e não implantações já estabelecidas por este lançamento. Alegações de adoção devem permanecer vinculadas ao uso observável. Anúncios de integração são pistas encorajadoras, mas seu valor prático depende do que os usuários conseguem realizar.

Uma demonstração no navegador pode ajudar os leitores a formar uma impressão inicial. Ela não garante que uma implantação local se comportará de forma idêntica, nem que as condições de acesso permanecerão constantes. A disponibilidade e o tempo de espera devem ser verificados quando alguém realmente tentar usar o serviço.

Nos próximos meses, a discussão mais útil conectará esses sinais. Testes independentes explicam o comportamento. Comparações alinhadas estabelecem pontos fortes relativos. Aplicações documentadas mostram se esses pontos fortes importam fora do contexto de avaliação.

Por enquanto, trate o relatório do Hy-Nomas como um ponto de partida para uma investigação delimitada. Escolha um fluxo de trabalho que importe para você e, em seguida, identifique os comandos, os requisitos de continuidade e o tempo de espera que ele pode tolerar. Guarde as entradas originais e as saídas completas, incluindo falhas. Compare essas observações com as alegações publicadas antes de tirar uma conclusão mais ampla. Se explorar a demonstração, vá além da atraente cena inicial e retorne a algo que o sistema mostrou anteriormente. Se executar o modelo lançado, registre a configuração junto às suas conclusões. A pergunta útil é específica: este sistema preserva o comportamento de que sua aplicação precisa quando a próxima instrução chega?