Hy-Nomas hält eine Videowelt auf einer 24-GB-Karte stabil, ignoriert aber das Wetter

Fünf Sekunden Video, etwa neunzig Sekunden GPU-Arbeit und ein Fuchs, der drei Aufrufe später immer noch derselbe Fuchs ist. Das ist Hy-Nomas, das neue offene Video-Weltmodell von Tencent Hunyuan, auf einer einzigen RTX 4090 mit 24 GB in unserer Cloud, mit dem Ein-Karten-Rezept der Autoren. Der Standardstart verlangt acht GPUs. Die Ein-Karten-Version lief, kam auf höchstens 18,5 GiB und hielt die Szene über drei Runden stabil. Außerdem steht es unter Apache-2.0, frei für kommerzielle Nutzung. Wenn Sie Modelle deployen, heißt das: eine Welt, die Sie per Text steuern, Aufruf für Aufruf, auf einer Karte, die Sie stundenweise mieten können. Was es noch nicht gut kann, ist Anweisungen befolgen: Einer von vier Szenenwechseln kam an. Nutzen Sie es für Prototypen von Szenen, die von Runde zu Runde konsistent bleiben müssen, und testen Sie Ihre eigenen Prompts, bevor Sie sich darauf verlassen, dass es das Wetter ändert.

Ein Videomodell, das sich merkt, was es gezeichnet hat

Die meisten offenen Videomodelle nehmen eine Vorgabe, rendern einen Clip und vergessen ihn. Hy-Nomas arbeitet in Runden. Jede Runde fügt derselben Szene fünf Sekunden hinzu, mit einer neuen Textanweisung. Bevor es das nächste Stück zeichnet, liest es seine Notizen zu allem, was es schon gezeichnet hat. Dieses Gedächtnis ist der ganze Sinn: Figur, Weg und Licht tragen sich von einem Aufruf zum nächsten weiter.

Das Paper erschien am 27. Oktober mit 39 Autoren. Die Anweisungen liest das Modell mit einem geliehenen offenen Modell, Qwen2.5-VL-7B. Gewichte und Code liegen auf Hugging Face und GitHub.

Der Download ist kleiner, als er aussieht. Das vollständige Repository hat 196 GB, aber das Ein-Karten-Rezept liest nur drei Teile, etwa 35 GB.

Das Ein-Karten-Rezept funktioniert, etwa 18-mal langsamer als Echtzeit

Neben dem Start mit acht GPUs veröffentlichen die Autoren ein zweites Rezept für eine RTX 4090. Es komprimiert die großen Teile und parkt sie im Arbeitsspeicher des Rechners; jeder kommt nur für seine eigene Stufe auf die GPU. Eine Geschwindigkeit nennt das Paper dafür nicht. Das war unsere Frage.

Fuchswelt, eine RTX 4090	GPU-Zeit	Maximaler GPU-Speicher
Runde 1: Der Fuchs läuft den Weg entlang	88,4 s	17,4 GiB
Runde 2: Blaue Blumen öffnen sich	93,1 s	17,6 GiB
Runde 3: Schnee, der Fuchs bleibt stehen	88,2 s	17,9 GiB

Warmgelaufen brauchte jedes 5-Sekunden-Segment 88 bis 94 Sekunden. Hält dieses Tempo, sind eine Minute Welt zwölf Runden und etwa 18 Minuten GPU-Arbeit. Der erste Aufruf nach einem frischen Start dauerte bis zu 138 Sekunden.

Die Szene hielt. Der Fuchs behielt sein Fell, seine Größe und seinen Gang. Die Bäume und das Licht blieben, wo sie waren. In einer zweiten Welt behielt ein Leuchtturmwärter zwischen den Aufrufen seinen Regenmantel und seine Laterne. Jeder Aufruf war eine eigene Anfrage, anderthalb Minuten auseinander, und das Ergebnis wirkte trotzdem wie eine einzige Aufnahme.

Es ist auch reproduzierbar. Dieselben Runden mit demselben Seed ergaben über vier Läufe byte-identische Videodateien, auf einer Maschine. Für ein Team heißt das: Ein Bugreport kann die exakten Eingaben mitliefern und den exakten Clip reproduzieren.

Die Steuerung ist die Schwachstelle: Blumen ja, Schnee und Sturm nein

Hy-Nomas fügte das Objekt hinzu, um das wir gebeten hatten. In Runde zwei erschienen blaue Blumen neben dem Weg, während der Fuchs vorbeilief. Änderungen an der ganzen Szene kamen nie. Schnee fiel nicht, auch nicht mit deutlicheren Formulierungen, und ein Sturm in der Welt des Wärters zog nie auf. Das ist ein Szenenwechsel von vier. Der Fuchs lief außerdem weiter, als er stehen bleiben und nach oben schauen sollte, und der Wärter hob seine Laterne nie.

Es spielte wie eine Band, die drei Songs lang den Groove hält und den Tonartwechsel verpasst, den der Sänger angesagt hat. Ein Verdacht: Wir haben unsere Prompts von Hand geschrieben, ohne Nomas-PE, den viel größeren Umschreiber, den die Demo der Autoren auf jede Anweisung anwendet. Ob er das Wetter repariert, haben wir nicht getestet; nehmen Sie das also als Vermutung.

Für wen das interessant ist, und welche Karte

Wenn Sie Szenen, Spielideen oder kurze Sequenzen prototypen, die konsistent bleiben müssen, probieren Sie es aus. Wenn Sie Echtzeit brauchen, schauen Sie sich anderswo um. Wenn das Modell szenenweite Änderungen befolgen soll, testen Sie zuerst Ihre eigenen Prompts.

Die Karte zählt mehr als sonst. Eine echte RTX 4090 mit 24 GB lief, und dieselbe Karte, auf 20 GiB begrenzt, schaffte zwei Runden. Auf 16 GiB begrenzt lief ihr der Speicher aus, bevor sie irgendetwas zeichnete. Ein Teil des Rezepts läuft nur auf NVIDIAs Ada-Generation, der Familie der RTX 4090; eine neuere RTX 5090 oder eine ältere A40 sollte daran also scheitern, getestet haben wir sie aber nicht. Auch der Arbeitsspeicher wächst, um etwa 5,9 GiB pro 5 Sekunden Welt.

Auf unserer Plattform hielt ein kleines eigenes Programm (unser Wrapper um den Generierungsdienst der Autoren) eine Welt zwischen den Aufrufen im Speicher. Jeder Aufruf schickt eine Runde und bekommt ein 5-Sekunden-MP4 zurück. Das heißt: Eine Karte bedient eine Welt und einen Nutzer zur selben Zeit.

Die ehrliche Grenze: Wir haben zwei kurze Welten getestet, die längste mit drei Runden oder 15 Sekunden Video, ein Seed pro Welt, keine Kamerafahrten, und unsere Plattformsoftware lief auf unserem eigenen Server; der gehostete Dienst selbst ist hier also nicht getestet.

Den vollständigen Test mit jeder Zeitmessung, der Speicherleiter und den Korrekturen, die wir brauchten, lesen Sie im Research-Beitrag zu Hy-Nomas.