论文页面 - Hy-Nomas：迈向自由形式的交互式世界生成

来源：https://huggingface.co/papers/2610.36729 发布于 10月27日

#2 每日最佳论文 (https://huggingface.co/papers/date/2026-10-28) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

Hy-Nomas 是一个视频世界模型，使用因果注意力和结构化字幕，在保留交互历史的同时，遵循多轮文本和相机指令。

交互式世界生成 (https://huggingface.co/papers?q=Interactive%20world%20generation) 要求模型在保留相关历史和动作后果的同时，连续执行多条指令。我们提出 Hy-Nomas，一个拥有 8B 扩散骨干 (https://huggingface.co/papers?q=diffusion%20backbone) 的视频世界模型 (https://huggingface.co/papers?q=video%20world%20model)，支持自由形式的文本指令和跨多个交互回合的连续相机控制。它根据当前输入和缓存的历史信息生成长度可变的片段。我们的核心设计将结构化视频字幕与动作感知因果注意力 (https://huggingface.co/papers?q=action-aware%20causal%20attention) 对齐：描述性上下文在各片段之间保持可访问，而动作指令则被限制在其目标时间窗口内。一个视觉语言提示增强器 (PE) (https://huggingface.co/papers?q=vision-language%20Prompt%20Enhancer) 将用户请求和多模态交互历史转化为下一片段的结构化条件。一个多阶段课程 (https://huggingface.co/papers?q=multi-stage%20curriculum) 逐步引入因果生成、文本交互、相机控制，以及基于模型生成历史的训练，最后进行扩散蒸馏 (https://huggingface.co/papers?q=diffusion%20distillation)。在人工评估中，Hy-Nomas 优于现有世界模型。我们发布模型权重、代码和基准测试，并提供轻量级适配工作流，以支持交互式世界生成 (https://huggingface.co/papers?q=interactive%20world%20generation) 的可复现研究。

查看 arXiv 页面 (https://arxiv.org/abs/2610.36729) 查看 PDF (https://arxiv.org/pdf/2610.36729) 项目页面 (https://hy-nomas.hy.tencent.com/) GitHub 274 (https://github.com/Tencent-Hunyuan/Hy-Nomas) 加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.36729)

在您的 agent 中获取本文：

hf papers read 2610.36729

没有最新的 CLI？ curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 0

暂无模型链接本文。

在模型 README.md 中引用 arxiv.org/abs/2610.36729 即可从此页面链接。

引用本文的数据集 0

暂无数据集链接本文。

在数据集 README.md 中引用 arxiv.org/abs/2610.36729 即可从此页面链接。

引用本文的 Space 0

暂无 Space 链接本文。

在 Space README.md 中引用 arxiv.org/abs/2610.36729 即可从此页面链接。

收录本文的合集 2