腾讯发布 Hy-Nomas 报告与基准测试，并展示与 Genie 4 的对比

腾讯混元已发布 Hy-Nomas 报告及评估数据集，同时另行通过对比视频复现 Genie 4 的示例。这次发布为研究人员提供了测试交互式世界模型的材料；这类系统能够响应用户指令，生成持续演变的视觉环境。这些材料确立了研究基线，但对比视频并不能证明其性能已与 Google 的最新模型持平。

这一差别至关重要，因为腾讯的论文评测的是 Genie 3，以及其他竞争系统，而非 Genie 4。其公开结论也承认一项弱点：Hy-Nomas 在长期空间一致性方面落后于 Genie 3。因此，这项发布的价值远不止于一场由吸睛视频构成的简单竞赛。

对开发者而言，眼下的问题在于哪些内容可以被检查、复现和改造。腾讯通过发布研究资料，使这类探究更具可行性。但该系统是否适合创意应用、交互式原型或研究项目，仍需要精选演示之外的证据加以验证。

Hy-Nomas 报告为既有发布补充了证据

新报告记录了模型的设计与评估，而代码库显示，代码和演示的提供早于该报告。

腾讯的发布时间线区分了若干很容易被一则公告合并叙述的事件。官方代码库将首次代码发布和交互式演示的日期标为 2026 年 10 月 21 日，列出 arXiv 报告的日期为 10 月 27 日，Genie 4 对比视频则为 10 月 29 日。

这一顺序改变了读者解读新闻的方式。这是对既有发布的扩展，补充了技术文档和新的竞争性展示，并非证明所有组件首次同时可用的证据。

发布历史还介绍了训练和推理代码、模型访问方式以及社区集成。推理是指运行已训练的模型以生成输出。这些资源让此次发布与希望研究实现细节、而非只评判成片的开发者相关。

研究发布面向多个需求不同的群体。研究人员希望获得足以复现实验的信息；开发者希望了解部署要求和接口；创意从业者则希望知道交互能否产生有用的结果。

一则宣传视频可以服务于最后一类受众，却未必满足其他人的需求。反过来，一篇详尽的论文可以支持实验，却未必能证明产品适合日常使用。因此，应依据每项材料所能回答的问题来评估腾讯的资料。

报告的可获取性很重要，因为它使团队的推理过程可供检验。读者可以查看作者如何定义交互、评估衡量什么，以及其结论止于何处。这既为采用创造机会，也为批评提供空间。

发布时间也使该发布紧邻一项新的竞争对手公告。Google 的 Genie 4 在同一周推出，让腾讯复现的示例立即有了参照对象。对比吸引了注意力，但其背后的研究资料包值得被单独审读。

Hy-Nomas 报告应被视为对作者系统和实验的描述。它不会自动验证宣传影像所带来的每一种印象。当另一团队能够在有文档记录的条件下，将书面方法与实际输出联系起来时，可复现性才真正开始。

对于通过社交媒体接触该项目的读者而言，这就是核心变化。如今，调查不再只能基于视觉相似性，而有了更具实质性的依据。一个有价值的后续动作，是考察已发布的基准测试要求模型完成什么任务。

Hy-Nomas-Bench 将问题从外观转向交互

共享测试集让研究人员能够检验模型跨连续指令的行为，而非比较彼此孤立的亮点片段。

腾讯的交互式基准测试介绍了涵盖四项任务的 280 个案例：多轮文本交互、相机导航、交错控制和空间记忆。多轮交互是指在同一持续演变的场景中连续发出指令。空间记忆则关注在再次访问时，此前观察到的物体和布局能否保持一致。

该集合包含提示词、交互序列和参考相机轨迹。相机轨迹规定了视角如何在场景中移动。这些输入为重复测试提供基础，不过数据集文档将评估输入与评分分开说明。

这一分离值得关注。仅下载一个基准测试集，并不会自动产生可信的排名。仍需有人生成输出、应用评估标准、记录排除项，并说明如何处理不同的模型接口。

设想一个假设性的创意任务：角色带着一件物体穿过房间。第一条指令设定角色和物体；后续指令改变动作，而一次相机移动揭示房间的另一部分。

一个有用的系统必须将这些时刻连接起来。它应保留相关角色、延续物体变化后的位置，并响应新的视角。一个视觉上吸引人的结尾，并不能说明这些转换是否始终保持连贯。

这正是交互测试对产品开发很重要的原因。应用会随时间接收指令，往往是在用户对早先输出作出反应之后。其效用取决于能否处理这一序列，包括打断或修订初始计划的请求。

该基准测试也为分歧提供了更清晰的基础。研究人员可以指出模型失败的具体案例并描述失败方式。这比争论哪一组宣传视频看起来更好更具可操作性。

压力也部分落在腾讯自身。一旦测试集公开，外部团队便可以质疑公开解读。他们可以调查表面上的优势是否能在不同评估程序下延续，还是仅集中于特定场景。

其他模型开发者面临相关选择：参与可比较的评估、解释为何该任务不适合其系统，或提出替代方案。只要让底层假设变得明确，每种回应都能增进理解。

该基准测试的范围仍需审慎看待。一个聚焦交互的集合，并不能解决关于视觉质量、声音、易用性或应用可靠性的所有问题。有价值的结果应回答被测量的问题，并附带其适用条件。

对购买者而言，这意味着应避免采用诸如“最佳世界模型”的单一总体标签。不同应用对系统提出不同要求。相关证据取决于任务侧重导航、遵循指令、连续性，还是其他行为。

因此，此次发布的实际价值在于提供了一个共同的研究起点。其长期意义取决于独立使用者是否公开足够细节，使其发现能够相互比较。

该模型将持久上下文与临时指令分离

腾讯的技术方法针对一个具体交互问题：动作应当结束，但其后果应继续作为场景的一部分保留。

根据 Hy-Nomas 报告，该系统采用一个 80 亿参数的扩散骨干网络，这是一种通过去噪生成视觉内容的神经网络。它利用当前指令和保留的历史生成连续片段。腾讯描述了一种动作感知注意力机制，将动作指令限制在其预定的时间窗口内，同时保留描述性上下文。

论文还介绍了 Prompt Enhancer，这是一种视觉语言组件，可将请求和已观察到的历史转换为下一片段的结构化条件。其评估采用人工比较，对手包括 Genie 3、LingBot-World v2 和 Happy Oyster。腾讯报告了交互方面的优势，但承认 Hy-Nomas 在长期空间一致性上落后于 Genie 3。

这些发现表明，应作出比整体优越性更具体的解读。作者展示了一个围绕灵活交互而设计的系统，同时指出记忆仍是尚未完成的领域。两点都应纳入对这次发布的叙述中。

动作与其后果之间的区别，可以通过一个示例场景轻易看出。假设用户要求角色打开一扇门。之后，角色应停止开门，而门的新状态仍应保持相关性。

重复旧指令可能造成不必要的行为；遗忘其后果则会带来另一种连续性错误。交互式系统需要保留足够的历史信息，以便在下一请求到来时区分这些结果。

这是解读该架构的一个有用视角。该设计针对序列生成中的一个实际混淆来源。它能否可靠解决这一问题，仍是一个实证问题，尤其当多个动作和视角变化不断累积时。

Prompt Enhancer 也影响研究人员对使用体验的解读。用户的简短指令与生成器的详细条件设定，属于系统的不同阶段。性能归属于正在测试的完整工作流。

对应用构建者来说，这带来一个诊断问题：当输出失败时，是系统错误理解了请求、生成了错误动作，还是丢失了先前状态？这些可能性需要不同的补救措施。

隐藏所有中间步骤的界面，可能使这类调查变得困难。研究工作流应保留原始请求、其结构化解读和最终生成片段。它们结合起来，有助于说明行为在何处偏离了意图。

腾讯的模型卡另行记录了适用于单张 NVIDIA GeForce RTX 4090 的低内存配置。它采用低精度组件和 CPU 卸载，将未激活组件转移至系统内存。该模型卡还描述了一种蒸馏配置下 720×1280、每秒 24 帧的输出。

这些规格说明的是部署选项，并非经独立验证的响应速度保证。视频播放帧率和生成速度回答的是不同问题。开发者仍需测量用户提交指令后需要等待多久。

这很重要，因为交互改变了可接受性能的含义。离线渲染工作流可以容忍会打断探索过程的等待。因此，同一模型可能适合一种应用，却在另一种应用中显得笨拙。

当技术贡献与此类具体需求相连时，其价值才最为明确。架构解释了预期机制；重复且有文档记录的实验，才能确定该机制在开发者实际计划使用的环境中如何表现。

Genie 4 对比确立了参考点，而非排名

腾讯复现的示例与其公开基准测试属于不同形式的证据。

官方仓库将 10 月 29 日的视频描述为使用 Hy-Nomas 复现的 Genie 4 示例。这一表述指向定性比较，并未说明 Genie 4 参与了论文的评估协议。

Google 于 10 月 27 日发布的 Genie 4 capabilities 公告介绍了实时交互和原生音频，包括环境音与对话。Google 表示，访问权限将首先以研究预览形式提供给受信任的测试人员，随后计划扩大开放范围。这些是 Google 的主张与发布计划，而非有关相对性能的独立结论。

因此，两家公司提供的是不同类型的访问与能力证据。Tencent 提供了已发布的材料，支持直接研究。Google 描述的则是一套实验性系统，其初始可用性受到控制。

对开发者而言，访问本身具有实际价值。可获得的模型可以在团队自身的约束条件下进行检验。受限预览则意味着依赖于获准访问以及托管服务的使用条件。

但这并不意味着可访问性可以替代质量。一个系统可能更容易获得，却在重要任务上的表现更差。反之，更强的演示也可能难以评估，因为研究人员无法运行自己的案例。

这里的竞争压力关乎证明主张的能力。Tencent 的发布邀请外部实验，使其行为更易受到审查。Google 的公告提供了新的能力参照，但其预览结构限制了能够直接测试它的人群。

经过筛选的对比可以帮助识别值得研究的问题。它们可以表明某类场景或交互似乎处于系统能力范围之内。但如果没有关于尝试次数、选择过程和失败情况的信息，就无法揭示结果的完整分布。

外观相似的视频片段同样留下了若干未解的可能性。不同系统可能需要不同的指令、准备工作或生成时间。当场景延续到所选片段之外时，它们也可能出现分歧。

这些不确定性并不会否定视频。它们界定了观众能够从中合理得出的结论。视频片段是所展示输出的证据，但对于这些输出的代表性，提供的信息有限。

公平的比较应与所要作出的决策相匹配。如果问题涉及指令遵循，评估者需要可比的命令和清晰的成功定义。如果涉及易用性，则等待时间与从错误中恢复的能力也变得相关。

如果问题涉及声音，视觉对比无法给出定论。如果涉及保持房间布局，评估者需要一种能回到先前视角的交互。测试必须呈现所声称的行为。

这也是为什么论文中的 Genie 3 结果应保留其原本身份。针对早期模型的结果不能被重新标记为针对其后继模型的证据。后续视频不会通过暗示更新基准测试。

目前，站得住脚的结论是：Tencent 提供了一个研究包以及及时的视觉对比。更广泛的排名需要为实际比较的系统和能力专门设计评估。

可复现性取决于对棘手案例的报告

开放材料创造了验证机会；独立复现则需要对设置、选择和失败情况作出透明决策。

最有力的质疑是，外部团队能否在不依赖未披露准备工作的情况下获得可比行为。即使模型、代码和评估输入都已提供，这个问题依然适用。

出于可以理解的原因，复现结果可能不同。软件变动、硬件限制和对提示词的理解都可能影响实验。应对方式是记录这些差异，并评估其重要性。

当项目快速变化时，版本信息尤其有用。一项结果对应的是测试时使用的材料。如果缺少这种关联，后来的读者可能难以判断自己比较的是否是等价系统。

对提示词的处理同样应谨慎。简短的用户请求与扩展后的结构化指令，可能对模型提出不同要求。评估者应说明每个系统接收了何种输入表示，以及原因。

选择过程是另一个模糊来源。已发布的结果应明确说明，它代表首次尝试、重复运行，还是从多个候选输出中选出的结果。否则，读者无法估计生成该示例投入了多少工作。

失败同样包含成功视频遗漏的信息。一个系统可能能处理初始指令，却会在视角变化后失去连续性。另一个系统可能保持环境不变，却对请求的动作响应不佳。

这些模式很重要，因为应用需要可预测的恢复能力。开发者有时可以围绕已知限制重新设计交互。无法解释的失败模式则更难适应。

因此，论文承认的记忆弱点是有价值的信息。它将注意力引向一项在采用前值得测试的行为。研究人员应调查该限制出现的位置，以及它对预期任务的影响程度。

记忆也需要按任务具体解读。探索不同构图的电影制作人可能接受一定程度的环境变化。依赖回到未变化地点的应用则有更严格的要求。

对潜在模拟用途也应保持同样谨慎。一个看似合理的序列，并不足以证明系统能够准确预测物理过程。任何需要这种准确性的应用，都需要根据恰当的外部观测进行验证。

这些是分析上的限制，而非声称 Hy-Nomas 在某一具体部署中已经失败。公开研究材料无法证明每一种可能的使用场景。应用团队仍有责任定义自己需要的行为，并直接进行测试。

人工评估带来了另一组决策。评分者需要一致的成功定义，以及处理模糊结果的流程。当评估说明如何解决分歧时，读者会更受益。

单一汇总分数可能掩盖这些差异。指令执行、视角响应和场景连续性可以彼此独立地失败。分别报告它们，能让开发者获得更多关于潜在适配性的资讯。

对于组织实验的团队而言，可搜索的知识库 可以将技术文档与测试观察关联起来。目标是可追溯性：每一项结论都应能回溯到支持它的配置、输入和输出。

这种纪律会让批评更具建设性。评估者不必笼统地断言模型会记住或忘记，而可以描述具体情境。他们也不应把一个经过挑选的视频视为典型表现，而应报告类似行为出现的频率。

Hy-Nomas 报告为这一讨论提供了材料。下一阶段部分属于 Tencent 之外的研究人员和开发者，他们的发现可以强化、限定或挑战团队的解读。

关注独立结果、比较协议和可用部署

下一项有意义的证据将来自重复实验、明确匹配的比较，以及公开其运行条件的应用。

第一个值得关注的信号，是使用已记录版本、输入和评估决策进行的独立复现。一份有价值的发布应将结论与测试案例相联系，并披露排除项。它还应解释与 Tencent 流程存在的实质性偏离。

若与已发布发现一致，将增强人们对该发布作为研究基线的信心。若出现不同发现，只要作者能指出可能原因，同样具有信息价值。无法解释的排名则价值小得多。

尤其应关注报告中交互优势与空间记忆局限之间的区别。若外部结果保留这一模式，将支持论文更细致的论述。若呈现不同模式，则表明实施或评估选择值得更仔细审查。

第二个信号，是采用明确协议的直接 Genie 4 对比。这类评估需要说明访问条件，以及哪些能力实际上可以匹配。仅有共同的视觉主题并不足够。

一项有价值的比较应披露提示词、交互序列、输出选择过程和相关时间测量。它还应将视觉行为与特定测试范围之外的音频及其他能力区分开来。

如果透明的对比发现双方在共享任务上的表现相近，竞争含义就会更加具体。如果出现显著差异，开发者将获得更好的选择依据。无论哪种结果，都优于把宣传层面的相似性解读为排名。

第三个信号，是在短暂演示之外仍保持实用价值的部署。相关证据包括响应速度、连续性、从失败命令中恢复的能力，以及维持体验所需的资源。

对于创意应用，这可能意味着一次有记录的会话，展示用户如何修改场景并从不理想结果中恢复。对于研究而言，这可能意味着可重复的测试环境，保留足够的信息供他人检查。

这些例子描述的是值得寻找的证据，而不是此次发布已经建立的部署。采用主张应始终与可观察的使用情况相联系。集成公告是令人鼓舞的线索，但其实际价值取决于用户能够完成什么。

浏览器演示可以帮助读者形成初步印象。但它并不能保证本地部署会表现相同，也不能保证访问条件始终不变。可用性和等待时间应在人们实际尝试服务时进行核查。

在未来几个月中，最有价值的讨论将把这些信号联系起来。独立测试解释行为。匹配比较确立相对优势。有记录的应用则表明这些优势在评估环境之外是否重要。

目前，应将 Hy-Nomas 报告视为一项有边界调查的起点。选择对你重要的工作流程，然后识别它能够容忍的命令、连续性要求和等待时间。保留原始输入和完整输出，包括失败案例。在得出更广泛结论之前，将这些观察与已发布主张进行比较。如果你探索演示，请不要止步于吸引人的开场场景，并重新访问系统先前展示过的内容。如果你运行已发布的模型，请将配置与发现一同记录。有用的问题是具体的：当下一条指令到来时，这个系统是否保留了你的应用所需的行为？