腾讯混元开源 Hy-Nomas：说句话就能改镜头和画面，视频生成进入"边拍边调"时代 本周，腾讯混元正式开源交互式视频世界模型 Hy-Nomas。跟之前"输入一段话生成一段视频"的模型不一样，这个模型把生成过程做成了"分段可控"：模型一段一段地生成视频，每生成一段，你都能用文字指令或者镜头移动的去调整接下来画面的走向。 打个比方，以前的视频生成像一次性洗照片，出来什么样就什么样；Hy-Nomas 更像是边拍边改——导演坐在监视器前，说一句"镜头往左推"，画面就按你的意思走。 这个模型能干什么：分段生成，随时插手 按已公开的技术资料，Hy-Nomas 的分段生成以 1280×720、24 帧每秒、8 步去噪的方式逐段产出。你给一段开头，模型生成一段画面；你继续用文字描述下一段要发生什么，或者直接指定镜头轨迹，模型就接着往下生成。生成过程里，画面内容、镜头语言都能被你的指令改写。 换句话说，视频不再是一条被"一次性生成完"的结果，而是一个可以持续对话、持续调整的创作过程。这对需要反复打磨镜头的场景——产品演示、场景模拟、广告分镜——意义很大。 开源到什么程度：代码权重都给了，但有一个注意点 这次开源力度不小。模型的代码和权重以 Apache 2.0 许可发布，推理代码、训练代码、数据标注代码都一起放了出来，GitHub 仓库和 Hugging Face 上的权重都已经上线（权重包体积约 196GB，10 月 23 日上传）。腾讯还一并发布了 Hy-Nomas-Bench 评估数据集，包含 280 个测试场景和 220 条参考相机轨迹，用来衡量交互控制的质量。 一个需要留意的细节：模型的 VAE 解码器（PixelUMM）采用的是英伟达的非商用许可，不是 Apache 2.0。也就是说，如果你只是研究、测试、个人创作，基本没障碍；但如果要做商业化落地，得先核对解码器这一层的许可边界。开源不等于随便商用，这句话在这里体现得挺具体. 跑起来的要求也没那么吓人。官方和第三方测试都提到，通过量化手段，模型可以在消费级显卡上部署，比如 RTX 4090 这类配置就能跑。门槛从"集群级"降到了"一台工作站"，这对小团队和独立创作者是实打实的利好。 从视频生成到"可交互世界"，混元在下一盘什么棋 把时间轴拉长看，腾讯混元在视频和 3D 方向上是连着发力的。此前已经开源过视频生成模型（如轻量化的 HunyuanVideo 1.5），也在世界模型方向发布过 3D 世界生成与重建能力。Hy-Nomas 这次的定位，是把"生成"和"交互"接起来：生成不是终点，可探索、可操控的虚拟场景才是目标。 对内容行业来说，这个方向的信号很明确：视频生成正在从"文生视频"走向"世界模型"——不仅生成画面，还生成画面背后的空间关系和物理规律。营销人迟早要面对的，是"拍一条产品视频"这件事，从"找团队、搭场景、等成片"变成"给模型描述场景，再一句一句把镜头调到自己满意"。 营销人能从这轮开源里拿到什么 第一，视频素材的迭代速度会变快。过去改一个镜头，要重新渲染、重新剪辑；分段生成模式下，直接下一条指令就行，改动的边际成本大幅下降。做产品演示、活动预热、场景类广告素材的团队，可以重点关注。 第二，门槛降低意味着产能分散。消费级显卡能跑，意味着中小团队甚至个人创作者也能做出带镜头语言的视频。当"能做视频"不再是稀缺能力，竞争会转向"谁的脚本好、谁的镜头语言有想法"——内容判断力重新变得值钱。 第三，许可边界要提前问清楚。商用前核对模型各层的许可证，是行业通行的合规流程里绕不开的一步。别等素材都上线了，才发现解码器那层有非商用限制. 需要冷静看待的部分 Hy-Nomas 目前的分段生成是逐段推进，1280×720 的分辨率对朋友圈、公众号这类竖版轻量场景够用，但离电影级成片还有距离。交互控制的稳定性也依赖你的指令质量——模型是按你的描述走的，描述得含糊，画面就容易跑偏。 另外，开源生态里同时期还有别的世界模型在跑，比如智源研究院的 Emu3.5、美团在长视频方向的尝试。这个赛道刚起步，谁都不算占住了位置，保持关注比急着下结论更实际。 THE TAKEAWAY 视频生成走到"可交互"这一步，本质上是把创作的主导权往人手里又挪了一点。工具给到你了，剩下的问题就一个：你想用它讲什么故事。这个问题的答案，AI 给不了你，得你自己想清楚.