Hy-Nomas：8B扩散骨干实现自由形式交互式世界生成

据论文Hy-Nomas，研究团队提出一种视频世界模型，采用8B扩散骨干，支持自由形式文本指令与连续相机控制，可跨多轮交互生成变长视频片段。该设计的核心是将结构化视频描述与动作感知因果注意力对齐：描述性上下文可跨片段访问，动作指令则被限制在预定时间窗口内。视觉语言提示增强器（PE）将用户请求与多模态交互历史转化为下一片段的结构化条件。训练采用多阶段课程，逐步引入因果生成、文本交互、相机控制及基于模型生成历史的训练，随后进行扩散蒸馏。据作者称，人工评估中Hy-Nomas表现优于现有世界模型；团队将发布模型权重、代码与基准，并提供轻量适配流程。该论文为预印本，结论尚未经同行评审。