Hy-Nomas：支持自由形式交互的世界生成模型

研究团队提出Hy-Nomas视频世界模型，采用8B扩散主干网络，支持自由形式文本指令和连续相机控制，可在多轮交互中生成可变长度视频片段。模型通过结构化视频标题与动作感知因果注意力机制，结合视觉语言提示增强器，实现历史上下文与动作指令的分离处理。研究采用多阶段课程训练和扩散蒸馏方法，在人类评估中表现优于现有世界模型，并已发布模型权重、代码和基准测试。