До сих пор большинство AI-генераторов видео работали по принципу "один запрос — один ролик". Tencent Hunyuan выпустила Hy-Nomas-Diffusers — модель, которая позволяет инженерам и креаторам создавать целые видеомиры, взаимодействуя с ними в реальном времени, а не перезапуская генерацию для каждой новой сцены.
Hy-Nomas-Diffusers — это первая модель для генерации видео, которая поддерживает свободное многократное взаимодействие. Пользователи могут вводить текстовые инструкции и управлять камерой, создавая мир по одному видеосегменту за раз. Это позволяет добавлять новые объекты, менять стили и сцены, описывать действия или контролировать камеру, пока генерация продолжается.
Ключевая особенность модели — использование постоянного KV-кэша (key/value cache), который переносит контекст между сегментами. Это обеспечивает непрерывность и согласованность в развивающемся видеомире, что является шагом вперед по сравнению с однократными генерациями конкурентов вроде RunwayML или Pika Labs.
Модель построена на архитектуре сегментно-авторегрессивного диффузионного трансформера (DiT) с текстовым кодировщиком Qwen и декодером PixelUMM. Hy-Nomas-Diffusers доступна на Hugging Face с весами BF16 и интегрирована с библиотекой Diffusers, что упрощает её использование для разработчиков.
Hy-Nomas-Diffusers для интерактивного сторителлинга и процедурной генерации контента, но Tencent пока не раскрыла подробности о вычислительных требованиях для длительной непрерывной генерации и масштабирования.