Hy-Nomas：面向自由形式交互式世界生成的视频世界模型

Hy-Nomas 是一个 8B 扩散骨干的视频世界模型，支持多轮自由文本指令与连续相机控制，并在生成新片段时保留交互历史。其核心设计将结构化视频字幕与动作感知因果注意力对齐，让描述性上下文跨片段可访问，而动作指令被限制在各自的时间窗口内；视觉语言 Prompt Enhancer 负责把用户请求和多模态交互历史转成下一片段的结构化条件。