jay 自测日记录 · 2026-10-30
总分：40/50 知识盲区：①「持久 KV cache」只背出「历史可寻址 ≠ 稳定 3D 场景图」，讲不清它承载什么（先前 latent token 作后续 segment 的注意力上下文兼自回归生成输入），因而说不透它为何不提供几何约束——无 3D 表示、无位姿检查，漂移是外观与几何均无约束的直接后果；②「动作感知因果注意力」只记「时间窗约束」，讲不清与普通因果注意力的结构差异：描述性上下文跨段可查＝全局绑定，动作限窗生效＝局部绑定，作用域之别非强弱之别；③「多阶段课程」四步只背顺序（因果生成→文本交互→相机控制→在自己生成的历史上训练），讲不清为何最后一步才治误差累积：前三步历史外部给定，最后一步是被污染的自生成历史，分布不同，早期引入会污染主任务；④「Bench 不含生成视频与评分」只当复现须知，讲不出评测结构性后果：280 case 的 prompt/交互序列/键盘时间线 + 220 条参考轨迹＝输入侧全给、输出侧全无，「280 case」≠ 280 次可打分的测试；⑤单卡 4090 的「INT8 权重 + INT8 KV cache + FP8 解码 + CPU offload + 18 latent frame 滑窗」只记配置，讲不清滑窗 = 用一致性换显存：裁掉「历史可寻址」的深度，一致性上限被主动调低。
- 来源论文：arXiv 2610.36729 — Hy-Nomas（腾讯混元 Hunyuan 开源自由交互世界生成模型，2026-10-27）
- 被使用文件：
organized/guides/x-tip-2115563792180588875.md
题目一（世界模型 vs 文生视频 · KV cache 承载什么）
问：与普通文生视频的差别？KV cache 承载什么？为何它不保证一致？
答：普通文生视频一次产出固定短片，输入输出一对一；Hy-Nomas 是持续生成中的世界，用户多轮下自由文本指令或相机轨迹控视角。
KV cache 承载：此前生成帧的 latent token 被保留，作为后续 segment 的注意力上下文兼自回归续写的生成输入。
为何不保证一致：KV cache 只给引用能力，不给几何约束。模型内无独立 3D 场景表示，无位姿与相机轨迹一致性检查。跨段漂移、物体消失，是「上下文可引用但几何无约束」的直接后果。故材料明说：一致性不是保证，是世界模型共性局限而非本仓库 bug。
评分：8/10 扣分：分界与「不提供几何约束」的推论答到；扣在没点出 KV cache 的双重身份（既是上下文又是生成输入），也没说清与「无条件重生成」的差别在于采样起点被历史锚定。
题目二（动作感知因果注意力 · 作用域差别）
问：「结构化视频字幕」与「动作感知因果注意力」对齐什么？描述性上下文与动作指令的作用域差在哪？与普通因果注意力有何别？
答：对齐的是结构化字幕的时间标注与注意力的可见性范围。每个 segment 带 contained_actions，start_time/end_time 用 MM:SS.mmm；因果注意力据此把动作指令绑定到指定窗口内才生效。
作用域：描述性上下文（谁、在哪、风格）是全局绑定——跨段持续可查，提供身份与风格锚；动作指令是局部绑定——只在其窗口内生效。「动作感知」不是把注意力调强，而是改变每条指令可被注意到的时间范围。这解释了为何交互指令能改世界而动作只作用于局部。
与普通因果注意力的差异：普通因果只保证不偷看未来（方向性）；动作感知再加一层时间窗语义掩码，把动作 token 可见性收窄到指定窗口。故是「因果（方向）+ 窗口（范围）」两级约束。
评分：8/10
扣分：全局/局部绑定与两级约束都对；扣在没把这与离线 prompt schema 强绑定连起来（segments/contained_actions/MM:SS.mmm 是机制的输入形式，故自由文本在线输入须先经 PE 转结构化）。
题目三（训练课程 · 为何最后一步才治误差累积）
问：课程为「因果生成→文本交互→相机控制→在自己生成的历史上训练」。为何最后一步必须最后？治什么？
答：治长序列误差累积。每段生成都成为下一段的证据，小误差放大成外观漂移、动作不 plausible、场景崩坏。论文用「在模型自己生成的历史上训练」缓解，但材料明说不能根除。
为何最后（推断，材料只给顺序与「缓解不根除」）：前三步的历史来源是外部给定的，最后一步是模型自生成、被误差污染的，两者数据分布不同。若早期引入自生成历史，主任务监督会与自生成噪声混在一起——此时因果生成能力尚未成形，噪声主导训练。故顺序是课程设计：先在干净历史上学会生成与交互，最后再针对「部署时真正会遇到的那种历史」适配。
评分：7/10 扣分：分布差异解释成立，但属我的推断，应显式标注（已标注）；材料亦未给第四步具体形态（继续微调？损失重加权？）。
题目四（评测集结构 · 「280 case」怎么读）
问：280 个 test case、220 条参考相机轨迹、四个 split。含什么、不含什么？「拿它评测」意味？
答：含：结构化 prompt、交互序列、键盘时间线、参考相机轨迹（220 条）。不含：生成视频、抽帧、评分。
故「280 case」不能读作 280 次可直接打分的测试。它是输入侧全给、输出侧全无：每条 case 说明用什么 prompt、怎么交互、相机怎么走，但无目标视频、无抽帧、无评分函数。端到端打分须自己跑推理（720×1280@24fps、8 步 Euler、CFG 1.0、seed 42）出视频，再自建抽取与评分。
四个 split：多轮自由文本交互、相机导航、文本+相机混合控制、空间记忆。220 < 280，说明参考轨迹与 case 非一一对应——部分纯文本 case 不需相机轨迹。
评分：8/10 扣分：输入/输出侧切分与「280≠280 次可打分测试」答到；扣在没点出「220<280」的结构性推论：相机 split 可独立评测，文本 split 可评性全依赖自建评分，而空间记忆 split 要评的恰是长期一致性——正是材料自认未解决的长板。
题目五（部署边界 · 显存换一致性）
问：标准 8 卡；单卡 RTX 4090 靠什么跑起？「滑窗 18 个 latent frame」交换什么？INT8 路径有何连带限制？
答：8 卡标准：inference.yaml 默认 sp_size=8（序列并行）+ 分布式 PixelUMM 解码。
单卡 4090（single_gpu_low_mem_inference.yaml）：INT8 DiT 权重、INT8 KV cache、FP8 解码器（VAE/PixelUMM_FT_FP8）、CPU offload、FlexAttention + CUTLASS FP8，加滑窗历史（默认 18 个 latent frame）。官方提示：CPU offload 需足够系统内存且带来 CPU–GPU 传输开销。
滑窗交换什么：裁掉的是「历史可寻址」的深度。历史越短，后续 segment 能回指的证据越少 → 跨轮一致性上限被主动调低。故单卡不是等效降级，而是拿一致性上限换显存。
INT8 连带限制：INT8 加载路径推理时不支持再挂载独立 LoRA adapter，LoRA 须先合并进浮点 DiT，牺牲了 LoRA 热插拔。
评分：9/10
扣分：四点覆盖；扣在没把「滑窗 18 帧」与「单段 30 latent frame（segment_latent_lengths=[30,30]）」放一起算覆盖率（18 远小于 30，滑窗作用于跨轮而非段内），也没点出「8 卡 vs 单卡」不只是算力差异而是能力档位差异。
总评
总分：40/50（较 10-29 的 36 分 +4）
强弱：最强在边界与交换关系（题五 9、题四 8）——能把「滑窗 18 帧」读成「用一致性上限换显存」而非清单复述，也能把 280 case 拆成「输入侧全给、输出侧全无」。最弱在训练机制归因（题三 7）：四阶段课程只能给出「分布差异」这一推断，需标注为推测。
同构：连续第七日同形——能列结论、推不出机制（本轮缺「第四步究竟怎么训」）。进步是本轮仅一处推测（题三），其余均能由材料推出；退步处是把「220<280」这类结构性数量关系当成可用证据而非待追问口径。