腾讯混元开源交互式世界模型 Hy-Nomas，支持多轮文字与镜头指令

腾讯混元视觉生成团队开源视频世界模型 Hy-Nomas，采用 8B 扩散骨干，可跨多轮交互遵循自由文本指令与连续镜头控制，生成长度可变的片段。其结构化视频字幕加 action-aware 因果注意力让描述性上下文跨片段可访问、动作指令只作用于目标时间窗口，视觉语言 Prompt Enhancer 负责把用户请求与多模态动作历史转成下一段的条件。