Tencent 發布 Hy-Nomas 報告及基準測試，並附 Genie 4 比較

Tencent Hunyuan 已發布其 Hy-Nomas 報告及一套評測資料集，並另外在比較影片中重現 Genie 4 的示例。此次發布為研究人員提供測試互動式世界模型的材料；這類系統會因應用戶指令生成持續演變的視覺環境。這些材料建立了研究基準，但比較片段並不足以證明其效能與 Google 最新模型相當。

這個區別相當重要，因為 Tencent 的論文評估的是 Genie 3，以及其他競爭系統，而非 Genie 4。其公布的結果亦承認一項弱點：Hy-Nomas 在長期空間一致性方面落後於 Genie 3。因此，這項發布的價值不止於一場由吸引人影片組成的簡單競賽。

對開發者而言，眼前的問題是他們可檢視、重現及調整甚麼。Tencent 透過發布研究成果，令這類研究更具可行性。然而，這個系統是否適合創意應用、互動原型或研究項目，仍需要在精選示範以外取得更多證據。

Hy-Nomas 報告為既有發布補充證據

新報告記錄模型的設計及評估，而儲存庫顯示程式碼和示範版早於報告推出。

Tencent 的發布時間線區分了數個容易被單一公告混為一談的事件。官方儲存庫顯示，初始程式碼發布及互動示範版日期為 2026 年 10 月 21 日，並列出 10 月 27 日的 arXiv 報告，以及 10 月 29 日的 Genie 4 比較影片。

這個次序改變了讀者應如何理解這則消息。這是對既有發布的擴展，加入技術文件及最新的競爭性展示；並非證明每一個組件均於同一時間首次推出。

發布歷史亦介紹訓練及推論程式碼、模型存取方式和社群整合。推論是指執行已訓練模型以產生輸出。這些資源令此次發布與希望研究實作細節、而非只評判成品片段的開發者相關。

研究發布面向多類需求不同的受眾。研究人員需要足夠資料以重複實驗；開發者希望了解部署要求及介面；創意工作者則想知道一次互動能否產生有用成果。

公告影片可以服務最後一類受眾，卻未必滿足其他人的需要。相反，詳盡論文可以支援實驗，卻未必能顯示產品是否方便日常使用。因此，應根據每項成果可回答的問題來評估 Tencent 的材料。

報告的可用性相當重要，因為它讓團隊的推理過程可供檢視。讀者可以研究作者如何界定互動、其評估衡量甚麼，以及結論止於何處。這既創造採用機會，也帶來批評空間。

發布時機亦讓這項工作與一個新競爭者公告並列。Google 的 Genie 4 於同一周推出，令 Tencent 重現的示例立即有了參照點。比較吸引了注意，但其背後的研究套件值得獨立閱讀。

Hy-Nomas 報告應被視為作者對其系統及實驗的描述。它不會自動證實宣傳片段所帶來的每一種印象。可重現性始於另一團隊能否在有記錄的條件下，把書面方法連繫至實際輸出。

對透過社交媒體認識這個項目的讀者而言，這是核心改變。現時有比視覺相似度更實質的研究基礎。下一個有價值的步驟，是檢視已發布的基準測試要求模型完成甚麼工作。

Hy-Nomas-Bench 將問題由外觀轉向互動

共享測試集合讓研究人員可檢視模型在連續指令下的行為，而非比較孤立的精選片段。

Tencent 的互動基準測試描述了涵蓋四項任務的 280 個案例：多輪文字互動、鏡頭導航、交錯控制及空間記憶。多輪互動是指在同一個持續演變的場景中發出連續指令。空間記憶則關乎先前觀察到的物件及布局在重訪時能否保持一致。

該集合包括提示詞、互動序列及參考鏡頭軌跡。鏡頭軌跡指定視點如何在場景中移動。這些輸入為重複測試提供基礎，儘管資料集文件將評估輸入與評分分開處理。

這個區分值得留意。下載一套基準測試本身不會產生可靠排名。有人必須生成輸出、套用評估準則、記錄排除項目，並說明如何處理不同模型介面。

試想一個假設性的創意任務：角色帶着物件穿過房間。第一道指令建立角色和物件；其後一項指令改變動作，而鏡頭移動揭示房間另一部分。

一個有用的系統必須將這些時刻連繫起來。它應保留相關角色、延續物件改變後的位置，並回應新視點。視覺上吸引的結尾並不能說明這些轉換是否維持連貫。

這正是互動測試對產品開發重要的原因。應用程式會隨時間接收指令，往往在用戶回應早前輸出後才收到新要求。其實用性取決於能否處理這個序列，包括中斷或修訂原有計劃的要求。

基準測試亦為分歧提供更清晰基礎。研究人員可指出模型失敗的案例並描述失敗情況。這比爭論哪一組宣傳影片看來較好，更具可操作性。

壓力部分落在 Tencent 自身。一旦測試集合公開，外部團隊便可質疑已發布的詮釋。他們可研究表面優勢能否在不同評估程序下維持，還是只集中於特定情境。

其他模型開發者亦面臨相關選擇。他們可以參與可比較的評估、解釋為何任務不適合其系統，或提出替代方案。只要讓背後假設更明確，每一種回應都有助加深理解。

基準測試的範圍仍須審慎看待。着重互動的集合不能解決所有關於視覺質素、聲音、易用性或應用可靠性的問題。有用的結果，應連同其適用條件回答被量度的問題。

對買家而言，這意味着避免用「最佳世界模型」這類單一整體標籤。不同應用對系統有不同要求。相關證據取決於工作着重導航、遵循指令、連續性，還是其他行為。

因此，此次發布的實際價值在於提供共同的研究起點。它的長遠意義取決於獨立使用者是否發布足夠細節，讓其發現可供比較。

模型把持續情境與暫時指令分開處理

Tencent 的技術方法針對一個特定互動問題：動作應在結束後停止，但其後果仍應成為場景的一部分。

根據 Hy-Nomas 報告，該系統採用一個 80 億參數的擴散骨幹網絡，這是一種透過去噪生成視覺內容的神經網絡。它會使用當前指令及保留的歷史記錄，生成連續片段。Tencent 描述了一種具動作感知能力的注意力機制，將動作指令限制於其預定時間窗，同時保留描述性情境。

論文亦描述 Prompt Enhancer，一個視覺語言組件，將要求及觀察到的歷史記錄轉換為下一個片段的結構化條件。其評估採用人類比較，對手包括 Genie 3、LingBot-World v2 和 Happy Oyster。Tencent 報告互動方面的優勢，但承認 Hy-Nomas 在長期空間一致性上落後於 Genie 3。

這些發現指向一種比整體優越性更具體的詮釋。作者提出一個圍繞靈活互動設計的系統，同時指出記憶仍是未完成的範疇。任何對此次發布的說明都應包含這兩點。

動作與其後果之間的差別，在示例場景中很容易看到。假設用戶要求角色開門。其後，角色應停止開門，但門的新狀態仍應保持相關。

重複舊指令可能產生不必要的行為；忘記其後果則可能造成另一種連續性錯誤。當下一項要求到來時，互動系統需要保留足夠歷史，以區分這些結果。

這是閱讀其架構時一個有用角度。該設計針對序列生成中一個實際的混亂來源。它能否可靠地解決問題，仍屬實證問題，尤其當多個動作和視點變更逐漸累積時。

Prompt Enhancer 亦影響研究人員應如何理解這種體驗。用戶的簡短指令與生成器的詳細條件設定，是系統中不同階段。效能應歸於正在測試的完整工作流程。

對應用程式開發者而言，這帶來一個診斷問題。當輸出失敗時，系統是錯誤理解要求、生成錯誤動作，還是遺失了較早的狀態？這些可能性需要不同補救方法。

隱藏所有中間步驟的介面，可能令這類研究變得困難。研究工作流程應保留原始要求、其結構化詮釋及產生的片段。三者合在一起，有助解釋行為在哪裏偏離意圖。

Tencent 的模型卡另行記錄了一種適用於單張 NVIDIA GeForce RTX 4090 的低記憶體配置。它使用低精度組件及 CPU 卸載，後者會把閒置組件移至系統記憶體。模型卡亦描述精簡配置下每秒 24 幀、720 x 1280 的輸出。

這些規格確立的是部署選項，並非經獨立驗證的回應速度保證。影片播放速率與生成速度回答的是不同問題。開發者仍需量度用戶提交指令後的等待時間。

這一點很重要，因為互動改變了可接受效能的含義。離線渲染工作流程可容忍會打斷探索的等待時間。同一模型因此可能適合某一種應用，卻在另一種應用中顯得不順暢。

當技術貢獻與這類具體要求連繫時，其價值最為明顯。架構解釋預期機制；反覆進行且有記錄的實驗，才能判定該機制在開發者實際計劃使用的環境中如何運作。

Genie 4 比較建立參照點，而非排名

Tencent 重現的示例與其已發布的基準測試，屬於不同形式的證據。

官方儲存庫將 10 月 29 日的影片描述為以 Hy-Nomas 重現的 Genie 4 範例。這種表述指出的是定性比較，並未表示 Genie 4 參與了該論文的評估流程。

Google 在 10 月 27 日發布的 Genie 4 capabilities 公告，介紹即時互動與原生音訊，包括環境聲和對話。Google 表示，服務會先以研究預覽形式向受信任的測試者開放，日後再擴大存取範圍。這些是 Google 的說法及推出計劃，並非關於比較效能的獨立研究結果。

因此，兩家公司所呈現的是不同類型的存取與能力證據。Tencent 提供已發布的成品，支援直接研究與檢驗。Google 則介紹一個初始供應受控的實驗系統。

對開發者而言，存取本身具備實際價值。可取得的模型能在團隊自身的限制條件下接受檢驗。受限預覽則令使用取決於是否獲准參與，以及託管服務的使用條件。

但存取便利並不能取代品質。一個系統可以較容易取得，卻仍可能在重要任務上表現較差。相反，即使示範效果更強，若研究人員無法自行執行測試個案，仍會難以評估。

此處的競爭壓力，在於證實主張的能力。Tencent 的發布邀請外界進行實驗，使其行為更能接受審視。Google 的公告提供了新的能力參考，但其預覽架構限制了可直接測試的人數。

經挑選的比較可幫助找出值得研究的問題，亦可顯示某類場景或互動看來在系統能力範圍內。然而，在沒有嘗試次數、挑選方法及失敗情況的資料下，無法揭示完整的結果分布。

外觀相似的片段同樣留下多項未解可能。系統或許需要不同指令、準備工序或生成時間；當場景延續至所選片段以外時，結果亦可能出現分歧。

這些不確定性不會令影片失效，而是界定觀眾可從中合理得出的結論。片段是所展示輸出的證據，但有關這些輸出是否具代表性的資訊有限。

公平的比較應配合所要作出的決定。若問題關乎遵循指令，評估者需要可比較的命令及清晰的成功定義；若關乎易用性，等待時間及從錯誤中恢復的能力便變得重要。

若問題關乎聲音，純視覺比較無法定論；若關乎保留房間佈局，評估者需要一項會返回先前視角的互動。測試必須揭示所聲稱的行為。

這亦是論文中 Genie 3 結果應保留其原有定位的原因。針對較早模型的結果，不能重新標示為針對其後繼者的證據。後來的影片不會透過暗示更新基準測試。

目前可站得住腳的結論是，Tencent 提供了一套研究材料及一項及時的視覺比較。更廣泛的排名仍需要為實際比較的系統與能力而設計的評估。

可重現性取決於是否報告棘手個案

公開材料創造了驗證機會；獨立重現則需要就設定、挑選與失敗情況作出透明決定。

最有力的質疑是，外部團隊能否在不依賴未披露準備工作的情況下，取得可比較的行為。即使模型、程式碼與評估輸入均可取得，這個問題仍然適用。

重現結果可能因合理原因而不同。軟件改動、硬件限制及對提示詞的理解均可影響實驗。適當的做法是記錄這些差異，並評估其重要性。

當項目快速變動時，版本資料尤其有用。一項結果是指向測試當時所使用的成品；缺乏這種連結，後來的讀者可能難以判定自己比較的是否等效系統。

提示詞處理同樣值得審慎對待。簡短的使用者請求與擴展後的結構化指令，可能對模型提出不同要求。評估者應說明每個系統收到哪種輸入表示方式，以及原因何在。

挑選亦是另一個含糊來源。已發布的結果應清楚說明，它代表首次嘗試、重複運行，還是從多個候選輸出中挑選的結果。否則，讀者無法估計產生該範例花費了多少工夫。

失敗同樣帶有成功片段所未呈現的資訊。一個系統可能能處理初始指令，卻在視角改變後失去連續性；另一個則可能保留環境，卻未能妥善回應所要求的動作。

這些模式很重要，因為應用程式需要可預測的恢復方式。開發者有時可圍繞已知限制重新設計互動；無法解釋的失敗模式則較難遷就。

因此，論文承認的記憶弱點是有用資訊。它將注意力引向採用前值得測試的行為。研究人員應研究該限制在哪些情況出現，以及它如何影響其預定任務。

記憶亦需要按任務作出詮釋。探索不同構圖的電影製作者，或可接受一定程度的環境變化；依賴返回未改變位置的應用程式，則有更嚴格要求。

對潛在模擬用途亦應採取相同審慎態度。外觀看似合理的序列，並不足以證明系統能準確預測物理過程。任何需要此種準確度的應用，都必須以合適的外部觀察結果加以驗證。

這些是分析上的限制，並非聲稱 Hy-Nomas 在某個特定部署中失敗。公開研究材料並不能證實所有可能的使用情境。應用團隊仍有責任界定所需行為，並直接測試。

人工評估引入另一組決定。評分者需要一致的成功定義，以及處理模糊結果的流程。當評估說明如何解決分歧時，讀者會更受益。

單一綜合分數可能掩蓋這些差異。指令執行、視角反應及場景連續性均可能獨立失敗。分開報告可讓開發者更了解可能的適配程度。

對籌劃實驗的團隊而言，可搜尋的知識庫可將技術文件與測試觀察連結起來。目標是可追溯性：每個結論都應可追溯至支撐它的設定、輸入及輸出。

這種紀律令批評更具建設性。評估者不必宣稱模型記得或遺忘，而可描述具體情況；不必把經挑選的影片當作典型表現，而可報告相似行為出現的頻率。

Hy-Nomas 報告為這種討論提供材料。下一階段部分屬於 Tencent 以外的研究人員與開發者，他們的發現可強化、限定或質疑團隊的詮釋。

留意獨立結果、比較流程及可用的部署

下一項有意義的證據，將來自重複實驗、明確配對的比較，以及展示運作條件的應用程式。

首個值得留意的訊號，是採用已記錄版本、輸入及評估決定的獨立重現。一篇有用的發布內容會將結論連結至已測試個案，並披露排除項目，亦會說明與 Tencent 流程有重大差異之處。

若結果與已發布發現一致，將加強人們對該發布作為研究基準的信心。若作者識別出可能成因，不同結果亦具參考價值；無法解釋的排名則價值大為降低。

應特別留意已報告的互動優勢與空間記憶限制之間的差異。若外部結果保留該模式，將支持論文較細緻的論述；若出現不同模式，則意味實作或評估選擇值得更仔細檢視。

第二個訊號，是採用已說明流程的直接 Genie 4 比較。這類評估需要識別存取條件，以及哪些能力實際上可以配對。僅有共同視覺主題並不足夠。

一項有用的比較會披露提示詞、互動序列、輸出挑選過程及相關時間量度，亦應區分視覺行為與不在特定測試範圍內的音訊及其他能力。

若透明比較發現系統在共同任務上表現相近，競爭含意便更具體；若出現重大差異，開發者便有更佳基礎選擇方法。無論結果如何，都比把宣傳上的相似性解讀為排名更有價值。

第三個訊號，是在短暫示範以外仍保持實用的部署。相關證據包括反應速度、連續性、從失敗命令中恢復的能力，以及維持體驗所需資源。

對創意應用程式而言，這可能代表一段有文件記錄的使用時段，展示使用者如何修改場景及從不理想結果中恢復。對研究而言，這可能代表可重複的測試環境，保留足夠資料供他人檢視。

這些例子描述的是值得尋找的證據，而非本次發布已確立的部署。採用相關主張應保持與可觀察的使用情況掛鈎。整合公告是令人鼓舞的線索，但其實際價值取決於使用者可完成甚麼。

瀏覽器示範可幫助讀者形成初步印象，但不能保證本地部署會有完全相同行為，亦不能保證存取條件維持不變。當有人實際嘗試服務時，應檢查可用性及等待時間。

未來數月，最有用的討論將會把這些訊號連結起來。獨立測試解釋行為；配對比較確立相對優勢；有記錄的應用程式則展示這些優勢在評估場景以外是否重要。

目前，應把 Hy-Nomas 報告視為一項有界限研究的起點。選擇對你重要的工作流程，然後識別它可容忍的命令、連續性要求及等待時間。保留原始輸入及完整輸出，包括失敗情況。在得出更廣泛結論前，將這些觀察與已發布的主張比較。若你探索示範，請不要停留於吸引人的開場場景，並重新造訪系統先前展示過的內容。若你運行已發布模型，請連同你的發現記錄設定。有用的問題很具體：當下一道指令到來時，這個系統是否保留你的應用程式所需的行為？