描述
Hy-Nomas 是一个先进的视频世界生成模型,旨在通过文本指令和相机控制促进自由形式的多轮交互。该模型一次生成一个视频片段,允许用户在生成过程中引入对象、改变风格以及控制场景和相机角度。模型架构集成了段自回归扩散变换器(DiT)、Qwen 文本编码器、相机条件模块和 PixelUMM 视频解码器。一个持久的键/值缓存保持片段之间的上下文,确保世界生成的连续性。
阅读更多
该模型支持灵活的部署选项,包括标准序列并行配置和单 GPU 配置,使其适用于各种硬件设置。用户可以通过网络演示与模型进行交互,实时展示其能力。Hy-Nomas 还包括 Hy-Nomas-Bench,这是一个基准套件,旨在评估在连续世界生成过程中互动可控性和一致性。
Hy-Nomas 在压缩的视频潜在空间中执行扩散,并在视频片段之间进行自回归。文本、相机运动和缓存历史条件化每个新片段的生成,允许动态和互动的视频创作。模型的架构具有 54 个双流 MMDiT 块,文本和视频通过片段级因果联合注意力进行交互。
模型的视频潜在表示为 DCAE-V 潜在,默认推理管道使用经过微调的 PixelUMM 解码器对其进行解码。该设置允许高效的视频生成,输出质量高。Hy-Nomas 采用 Apache-2.0 许可证,用户可以通过 Hugging Face 平台访问模型及其组件。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端, 自托管
- 平台网页版
Hy-Nomas亮点
通过文本和相机控制实现自由形式的交互
段自回归扩散变换器架构
持久的键/值缓存以保持上下文
灵活的部署,支持标准和单 GPU 配置
Hy-Nomas-Bench 用于评估互动可控性
压缩视频潜在空间扩散
54 个双流 MMDiT 块
经过微调的 PixelUMM 视频解码器
Hy-Nomas入门
访问模型:访问 Hugging Face
身份验证:设置账户
设置环境:准备硬件和软件
通过 API 集成:使用提供的端点
优化:调整设置以获得所需输出
Hy-Nomas的使用案例
- 互动视频创作
- 游戏开发
- 虚拟现实
- 电影制作
- 教育内容










