你让 AI 把桌上的杯子推倒，再把镜头转向窗外，过一会儿回到桌边。真正可玩的虚拟世界，应该记得杯子已经倒了；普通视频生成器却更像每次重新拍一段短片，人物、位置和动作结果都可能悄悄变掉。Hy-Nomas 想解决的正是这个问题：它连续接收自然语言和相机操作，把上一段视频当作下一段的历史，让用户边看、边说、边改变世界。
这项工作的重点不只是“视频生成得更长”，而是让生成内容成为可以继续操作的环境。论文把这种系统称为视频世界模型（video world model）——模型根据当前画面、用户动作和此前历史，预测世界接下来会呈现什么。Hy-Nomas 使用一个 8B 扩散主干；扩散模型是从噪声或粗糙表示出发，经过多轮修正生成画面的模型，主干就是承担视频生成的主体部分。以下效果与开放情况均来自论文作者报告，尚无第二个独立信源交叉验证。
难点不是听懂一句话，而是别忘了上一句话
传统文生视频通常一次接收完整提示词，再生成一段固定短片。交互世界则必须随时接收新命令。用户可能先说“让角色拿起钥匙”，随后要求“向左转动镜头”，再说“打开门”。模型既要执行眼前命令，也要保留钥匙已被拿起这一结果，还不能在第三段里无缘无故重演拿钥匙。
Hy-Nomas 为此按片段生成视频。每个片段的长度可以变化，输入包括当前指令和缓存的历史。这里的 KV Cache，可以理解为模型处理长内容时留下的“草稿纸”：此前画面中有用的中间信息被保存下来，后续生成不必从头理解全部历史。作者称，这种方式可支持分钟级的连续展开，但“连续”不等于可以无限生成。
问题在于，记住所有文字也会出错。旧指令如果一直有效，模型可能反复执行过去的动作。反过来，如果旧信息全部丢掉，人物身份、房间布局和动作后果又会消失。
把“世界是什么”与“现在做什么”分开
Hy-Nomas 的关键设计，是把结构化视频描述与 action-aware causal attention 对齐。因果注意力（causal attention）是对模型“该回看什么”加上时间约束：生成当前内容时，只能读取已经出现的信息，不能偷看未来。
论文先把视频说明整理成结构化 JSON。它记录视觉风格、镜头视角、主体身份、场景变化，以及带有开始和结束时间的动作。第一段负责建立场景，之后的片段主要描述相对上一段发生了什么变化。相机运动也被单独标记。
接着，模型把文字分成两类。第一类是描述性上下文，例如“这是同一间厨房，桌边站着同一个人”。它可以跨片段保留。第二类是动作指令，例如“在第 3 到第 5 秒拿起杯子”。它只在对应时间窗口生效，离开这一片段后便不再作为可重复执行的命令。
这很像拍摄现场的两份记录：场记表保存人物、道具和位置，导演的即时口令只管当前这一条。前者要一直留着，后者不能循环播放。论文称，这套 action-aware causal attention 明显减少了动作顺序错误和跨片段重复动作，但没有在所给材料中披露具体降幅。
用户随口说，模型先整理成执行单
真实用户不会填写 JSON。Hy-Nomas 因此加入 Prompt Enhancer（PE）——一个视觉语言模型，既能读取文字，也能结合当前画面。它把用户请求和多模态交互历史整理成下一片段所需的结构化条件，并判断合适的片段时长。
比如用户只说“跟着他走，然后看看右边”，PE 需要结合眼前画面，把人物、当前场景、动作次序和镜头要求整理清楚，再交给视频主干生成。它相当于用户与生成模型之间的执行编辑，不直接画画，但负责把含糊口令改写成可按时间落实的安排。
相机控制则走另一条明确通道。W、S 对应前后移动，A、D 对应横向移动，鼠标或方向键控制偏航与俯仰。系统把这些输入逐帧累积成相机轨迹；平移和旋转都保持连续数值，因此方向、速度、尺度和持续时间可以调整。训练时，模型会在不同片段间随机切换文字控制与相机控制，以学习在同一轮交互中交替使用两种方式。
还要让模型习惯自己的失误
连续生成有一个麻烦：上一段的小错误，会成为下一段的已知事实，并逐步放大。作者采用分阶段训练，先把 HunyuanVideo 1.5 改造成按片段、按时间生成的模型，再加入自由文本交互、局部动作约束和相机控制。之后又让模型在自己生成的历史上训练。这一步叫 segment forcing，目的不是假设过去永远完美，而是让模型学会面对带有瑕疵的旧画面继续生成。
最后，团队使用 diffusion distillation（扩散蒸馏）减少生成所需的采样步骤。蒸馏可以理解为让一个较慢的生成过程把做法压缩给更快的版本，以降低多轮交互的等待成本。论文也提供 LoRA 轻量适配流程；LoRA 是只训练少量附加参数的定制方法，不必重训整个模型。
为什么值得关注
Hy-Nomas 正面处理了交互视频最棘手的矛盾：世界状态需要长期保存，动作命令却必须按时失效。它没有只靠更长的上下文硬记，而是从训练标注、注意力规则和交互入口三处同时区分“应当持久的信息”与“只执行一次的动作”。这比单纯追求更长视频更接近可玩的世界。
作者还把自由文本、连续相机运动和多轮历史放进同一个生成主干。论文报告称，Hy-Nomas 在人类评测中优于已有世界模型，并称已发布模型权重、代码、基准和轻量适配工作流。这让工作不只是一段演示，也提供了进一步检验的入口。
局限与未知
- “优于现有世界模型”目前只是作者的概括。材料没有给出对比模型名单、人类评测样本量、具体分数或统计显著性，不能据此认定它已被独立证明领先。
- 持久一致性仍不是已经解决的问题。论文把外观漂移、不合理运动、场景崩坏和空间记忆列为连续生成中的挑战；现有材料也没有提供可量化的长期保持上限。
- 权重、代码和基准的发布状态仅见作者自述。材料未提供仓库、许可证、文件完整性或第三方复现结果；“8B”也宜理解为论文所述的模型或扩散主干规模，而非已经核实的完整系统参数总量。