Tencent, komutlarla yönlendirilen video üreten Hy-Nomas modelini açtı

Tencent, metin ve kamera komutlarıyla 60 saniyeye kadar video üretebilen Hy-Nomas modelinin kodlarını ve dosyalarını erişime açtı. Teknik rapor için ise "yakında" ifadesi yer alıyor.

Teknoblog'un haberine göre Tencent, sekiz milyar parametreli Hy-Nomas modelinin kodlarını ve dosyalarını erişime açtı. Model, 720p çözünürlükte 60 saniyeye kadar kesintisiz video üretimini birden fazla turda metin ve kamera kontrolüyle birleştiriyor.

Kullanıcılar, üretim sürerken sonraki bölümün sahnesini, eylemini veya kamera yönünü tarif edebiliyor. Şirketin gösterdiği örnekler arasında bir karakterin taş sütunlara tırmanması ve ardından başka bir hareket yapması yer alıyor.

Aktarıldığına göre sistem videoyu bölümler hâlinde üretiyor ve önceki metin ile görüntü bilgilerinin anahtar-değer önbelleğini sonraki bölümlere taşıyarak sahne tutarlılığını korumayı hedefliyor. Proje sayfasında 360 bin token bağlam kapasitesi belirtiliyor. Ancak seçilen örneklerin tüm sahnelerde kusursuz fizik veya nesne sürekliliği anlamına gelmediği vurgulanıyor.

Yayımlanan depoda çıkarım betiklerinin yanı sıra eğitim, etkileşimli demo ve veri etiketleme kodları da bulunuyor. Kullanıcılar kendi video verileriyle LoRA uyarlaması hazırlayabiliyor; Tencent ayrıca sinematik görüntü kalitesi ve robotik simülasyonu için ayrı LoRA dosyaları sunuyor.

Tek bir NVIDIA GeForce RTX 4090 üzerinde çalışma seçeneği INT8 model ağırlıkları ve önbellek kullanıyor, gerektiğinde bileşenleri işlemci belleğine aktarıyor. Bu durum yeterli sistem belleği gerektiriyor ve ek gecikmeye yol açabiliyor. Standart kurulum için Linux, uyumlu NVIDIA sürücüsü ve CUDA ortamı isteniyor.

Model dosyaları Hugging Face, kaynak kodu ise GitHub üzerinden sunuluyor; projenin resmî sayfasında çevrimiçi deneme bağlantısı da yer alıyor. Teknik rapor henüz yayımlanmadığı için araştırmanın tüm değerlendirme sonuçları ayrı bir raporla tamamlanmış değil.