自由記述の対話型ワールド生成を目指すHy-Nomas

Hy-Nomasは8Bの拡散バックボーンを持つ動画ワールドモデルで、複数ターンにわたる自由記述のテキスト指示と連続カメラ制御に対応する。因果的注意と構造化キャプションにより対話履歴を保持し、行動指示は意図した時間窓に限定する。人間評価で既存のワールドモデルを上回り、モデル重み、コード、ベンチマークを公開した。