一句话看懂：Hugging Face Papers 收录的论文提出 Hy-Nomas，一个 8B 扩散骨干的视频世界模型，可在多轮交互中同时接受自由文本指令和连续镜头控制，并公开模型权重、代码和评测基准。
事件核心：发生了什么
根据论文摘要（信息截至 2026 年 10 月 27 日的发布页，未核验全文实验），Hy-Nomas 面向“交互式世界生成”：用户可以在连续多轮中下达指令，模型需要继承相关历史并体现此前动作的后果。其核心设计是把结构化视频caption与“动作感知”的因果注意力对齐——描述性上下文可跨片段访问，动作指令则被限制在对应时间窗口内。此外，一个视觉语言 Prompt Enhancer 把用户请求和多模态交互历史转成下一段视频的结构化条件。训练采用多阶段课程，逐步引入因果生成、文本交互、镜头控制和模型自生成历史上的训练，最后做扩散蒸馏。作者称在人工评测中优于现有世界模型。
为什么重要
当前视频生成模型多是一次性出片，难以把“多轮指令 + 连续运镜”做成可复用的交互能力。Hy-Nomas 试图解决两个工程难点：历史信息如何保留、动作指令如何不过期地影响后续片段。若方法成立，这类世界模型可用于交互式内容与环境模拟，也可能为游戏、影视预演和 AI 应用提供新的接口形态。需要强调，公开信息仍以论文摘要为主，尚无独立复现或同行评审结论。
对用户/开发者/创作者的影响
作者宣布开源模型权重、代码和基准，并附带轻量适配流程，这对开发者研究交互式视频生成较友好，可基于缓存历史做二次实验。创作者层面，连续镜头控制更贴近分镜工作流，但 8B 扩散骨干的推理算力需求不低，实际体验取决于部署条件。普通用户暂不宜将其视为成熟产品：摘要没有给出可用产品、API 或价格信息。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是社区能否复现人工评测优势，以及评测任务和指标是否公开；二是开源权重与适配流程能否在消费级或单卡环境跑通，推理成本是否可控；三是交互式世界生成方向是否引来更多大模型团队跟进，并在镜头一致性上形成可比基准。
