テンセント、世界モデル公開…Genie 3に挑む80億パラメータ「Hy-Nomas」の死角とは？

　テンセントの研究チーム「Tencent Hy Visual Generation Team」は10月27日、対話型の動画ベース世界モデル「Hy-Nomas」の論文をプレプリントサーバーのarXivで公開した。あわせて、モデルの重みとコード、評価用のベンチマークを公開したという。


　Hy-Nomasは、80億（8B）パラメータの拡散モデルを土台とする世界モデル。自由形式のテキスト指示と連続的なカメラ操作の両方に、複数ターンにわたって対応する。現在の入力と、キャッシュした過去の履歴をもとに、可変長の映像区間を順に生成する仕組みだ。公式ページは、720pの長尺映像の生成に対応するとしている。

　設計の中心は、構造化した動画キャプションと、行動を考慮した因果アテンションの組み合わせ。説明的な文脈は区間をまたいで参照できる一方、行動の指示は意図した時間枠だけに効くよう制限するという。視覚言語モデル（VLM）の「プロンプト・エンハンサー」が、利用者の要求と過去のやり取りを、次の区間向けの構造化した条件へ変換する。

　学習では、既存の動画生成モデル「HunyuanVideo 1.5」を出発点に、区間の因果性、局所的な行動条件、カメラ制御を段階的に導入した。モデル自身が生成した履歴での学習を経て、拡散蒸留も適用している。蒸留により、1区間あたりのサンプリング回数を100回から4回へ減らしたという。

　論文は、人間による評価で、Hy-Nomasが既存の世界モデルより優れた性能を示したとしている。比較対象には、グーグル・ディープマインドのGenie 3などが含まれる。評価用の「Hy-Nomas-Bench」は4種類で計280件のテストケースからなり、重みはHugging Face、コードはGitHubで入手できる。

　この分野では、グーグル・ディープマインドが10月27日（米国時間）に世界モデルのGenie 4を発表したばかりで、開発競争が続いている。