Hy-Nomas：迈向自由形式指令驱动的交互式世界生成
Hy-Nomas 是一种基于 80 亿参数扩散模型的视频世界模型，支持在多轮交互中使用自由形式文本指令和连续摄像机控制，同时保留相关历史信息。其设计将结构化视频描述与动作感知因果注意力结合起来，使描述性上下文能够跨片段延续，并将动作指令限制在预定时间范围内。视觉语言组件会把用户请求和多模态交互历史转化为下一片段的生成条件。研究团队称，在人工评估中，Hy-Nomas 的表现优于现有世界模型。团队还公开模型权重、代码和基准测试，以支持可复现研究。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。