Apollo World مقابل Hy-Nomas: بكسلات يجب أن تبدو صحيحة، ومستشعرات يجب أن تكون صحيحة

اعرض على شخصين المقطع نفسه البالغ عشر ثوانٍ لسيارة تقترب من تقاطع، وسيتفقان على أنه يبدو جيدًا. اعرضه على منظومة تخطيط، فلن يكون قابلًا للاستخدام إلا إصدار واحد، لأن الإصدار الآخر فيه مشاة يشير ظلهم في الاتجاه الخاطئ، ورصيف يعلو 40 سنتيمترًا أكثر من اللازم، ولا يوجد أي عائد ليدار على الإطلاق. هذه الفجوة هي الفرق كله بين Apollo World وHy-Nomas. Hy-Nomas هو نموذج عالم فيديو تفاعلي مفتوح الأوزان من Tencent Hunyuan: نموذج بـ8 مليارات معامل يولّد فيديو بدقة 720p من موجه نصي ومسار كاميرا، صدر بموجب Apache 2.0 في أواخر أكتوبر 2026. أما Apollo World فهو محاكي Baidu المدفوع بالوكلاء، كُشف عنه في 3 نوفمبر 2026، ويصدر ملاحظات كاميرا وليدار لمدينة افتراضية تتفاعل فيها حركة المرور مع المركبة قيد الاختبار. يُحكم على أحدهما بالعين. ويُحكم على الآخر بما إذا كانت السيارة تتحسن في القيادة.

كلاهما يُسمى بحق «نموذجًا عالميًا». لكن واحدًا منهما فقط يمكن تنزيله بعد ظهر اليوم، والآخر وحده مصمم لتغذية منظومة إدراك. وهذه المقايضة هي موضوع المقال.

فخ الوفاء

تُحسّن نماذج العالم الفيديوية لما سيقبله المشاهد. ليس هذا انتقادًا؛ بل هو الهدف الصحيح لنموذج توليدي، وهو سبب قدرة Hy-Nomas على إنتاج سير مقنع في شارع لم يره قط. لكن المعقولية الإدراكية والاتساق الفيزيائي هدفان مختلفان، وهما يفترقان تحديدًا في المجال الذي تقوم عليه القيادة الذاتية.

النموذج المدرَّب على التنبؤ بالإطار التالي يتعلم أن السيارات تبطئ قرب التقاطعات وأن الظلال تمتد مبتعدة عن مصدر الضوء. لكنه لا يتعلم، من البكسلات وحدها، أن المسافة بين خطي مسار هي 3.5 متر، أو أن نبضة ليدار تعود من طريق مبلل بشدة محددة، أو أن أحد المشاة الذي بدأ بالفعل بالخطو إلى الطريق لا يستطيع أن ينتقل فجأة عائدًا إلى الرصيف عندما تفرمل المركبة نفسها. اطلب منه تدفقًا من المستشعرات فسينتج شيئًا يشبه تدفق مستشعرات. أما ما إذا كانت الأرقام فيه بالمقياس المتري فذلك سؤال منفصل لم يسأله هدف التدريب قط.

تُبنى مواد إطلاق Baidu حول ذلك الاعتراض. وقال وانغ ليانغ، كبير المهندسين المعماريين في مجموعة القيادة الذكية لدى Baidu، على المسرح إن النموذج العالمي لا ينبغي أن يكون رسّامًا يُنتج فيديو مبهرًا، بل مُمتحِنًا لسلامة القيادة، ومعيار «2+3» الذي تلاه هو صراحةً مُرشِّح للنماذج التي تبدو صحيحة من دون أن تكون كذلك. السببية والتفاعلية هما البوابتان؛ أما الدقة الفيزيائية والاستمرارية والأداء في الوقت الحقيقي فهي الخصائص الخاضعة للتقييم. ومهما يكن المعيار غير ذلك، فهو وصف لنمط فشل مولّد الفيديو عند تطبيقه على منظومة قيادة.

ما الذي تصدره Hy-Nomas فعليًا

Hy-Nomas هو محوّل انتشار تلقائي انحداري على مستوى المقاطع، وليس مولد فيديو بضربة واحدة. ينتج مقاطع متغيرة الطول مشروطة بتاريخ مخزّن مؤقتًا، وهكذا يحافظ على التماسك أثناء حركة الكاميرا: فـ"ذاكرة العالم" هي ذاكرة KV مؤقتة تُنقل إلى الأمام، ويُحدَّث محتواها عند توليد مقاطع جديدة.

• الحجم — نحو 8 مليارات معامل عبر 54 كتلة MMDiT ثنائية المسار بحجم مخفي 2,048.

• المدخلات — نص حر إلى جانب مسار كاميرا متواصل، مع مُحسّن أوامر اختياري هو Nomas-PE، يعيد صياغة النثر غير المنظم إلى تعليقات JSON منظمة.

• الإخراج — 720 × 1280 بمعدل 24 إطارًا في الثانية، باستخدام مفكّك ترميز PixelUMM المضبوط بدقة على كامنات DCAE-V، ضمن ثماني خطوات مقطّرة لإزالة التشويش.

• الأوزان — tencent/Hy-Nomas على Hugging Face بموجب Apache 2.0، بحجم يقارب 196GB، مع الشيفرة على GitHub وعرض تجريبي مستضاف.

• العتاد — يتطلب النشر الافتراضي ثماني وحدات GPU. ثمة مسار ببطاقة RTX 4090 واحدة يعتمد على DiT بدقة INT8 وذاكرة KV مؤقتة، ومُفكِّك ترميز FP8 مع تفريغ إلى CPU، بذاكرة تقارب 38GB.

ظهر التقرير التقني arXiv 2610.36729 في 27 أكتوبر 2026، ويصف الحيلة التي تجعل التفاعل متعدد الأدوار ممكنًا: تُحاذى التعليقات التوضيحية المهيكلة مع نمط انتباه سببي واعٍ بالإجراءات، بحيث يظل السياق الوصفي مستمرًا عبر المقاطع بينما تبقى تعليمات الإجراء محصورة في النافذة التي صدرت فيها. أما التقييم فهو معيار مرجعي من 280 حالة عبر أربعة مسارات — النص متعدد الأدوار، والتنقل بالكاميرا، والنص والكاميرا المتداخلان، والذاكرة المكانية — مع مقارنات ثنائية بشرية ضد Genie 3 وLingBot-World v2 وHappy Oyster. ويفوز Hy-Nomas في التفاعل واتباع التعليمات، بمعدل فوز مُبلّغ عنه يبلغ نحو 65% في اتباع التعليمات، ويخسر أمام Genie 3 في الذاكرة المكانية طويلة المدى. تلك هي مقارنات المؤلفين على المعيار المرجعي الخاص بالمؤلفين، وهي أكثر الادعاءات القابلة للتحقق في هذا المقال لأن الأوزان متاحة للعموم.

ما الذي لا تنشره Apollo World

كان إفصاح Apollo World عبارة عن إحاطة عن القدرات، وما غاب عنه لا يقل دلالة عن الادعاءات. فلا يوجد عدد للمعاملات، ولا بنية معمارية، ولا ورقة بحثية، ولا جدول معايير بخطوط أساس مسمّاة، ولا أوزان، ولا API، ولا سعر. ما قالته Baidu فعلاً هو أن النموذج يدعم بالفعل الاختبار والتحقق العالميين لدى Apollo Go، وأنه يستطيع تغطية نحو 100,000 كيلومتر من القيادة المحاكاة يوميًا — مصاغًا ذلك على أنه قرابة ثلاث سنوات من الاختبار المتواصل بواسطة سيارة مزوّدة بسائق أمان — وأن Apollo Go تعمل في 28 مدينة بأكثر من 23 مليون رحلة، و350 مليون كيلومتر من القيادة الذاتية، وأكثر من 240 مليون كيلومتر بقيادة بلا سائق تمامًا.

الرقم البالغ 100,000 كيلومتر هو الذي ينبغي التعامل معه بحذر. فهو رقم صادر عن الشركة لا يقف خلفه أي قياس خارجي، والمقارنة التي يستند إليها — ثلاث سنوات من تشغيل سيارة اختبار بشكل متواصل — تعتمد على مسافة سنوية مفترضة لم تذكرها Baidu. هذا لا يجعله خاطئًا. بل يجعله غير قابل للتحقق، وهو أمر مختلف وأكثر فائدة أن تعرفه.

ادعاءات التصميم، في المقابل، محددة بما يكفي لتكون قابلة للجدال. فكل مشارك في حركة المرور وكيلٌ يقرر، لا عنصرٌ ديكوري يتبع نصًا. والكاميرا والليدار يُولَّدان في الزمن الحقيقي. والرحلات تُغلق من طرف إلى طرف، من قبول الطلب إلى إنزال الراكب، عبر نقاط انطلاق ووجهات اعتباطية. والمنظومة بأكملها محدودة بدورة قرار مدتها جزء من ثلاثين من الثانية، نحو 33 مللي ثانية، وهذا ما يجعل خصائص الثبات والكمون أساسية لا تزيينية.

تطبيق معايير التقييم الخاصة بـ Baidu على Hy-Nomas

التمرين المثير للاهتمام ليس مقارنة الاثنين من حيث التسويق، بل أخذ عقارات Apollo World الخمسة وتوجيهها نحو النموذج الموجود فعلاً.

السببية: ينجح Hy-Nomas، بالمعنى الذي يقصده Baidu. فهو انحداري ذاتيًا على مستوى المقاطع ويشترط التاريخ، لذا يُولَّد المستقبل من الحاضر بدلًا من تجميعه وملئه رجعيًا. التفاعلية: جزئيًا. يستجيب لتعليمات نصية وحركات الكاميرا، لكنها أوامر مخرج، لا أفعال وكلاء آخرين. ولا شيء في المشهد يتفاعل مع أي شيء آخر في المشهد. الدقة الفيزيائية: غير مقاسة، وغير قابلة للقياس من العمل المنشور، الذي يقيّم مقابل التفضيل البشري بدلًا من الحقيقة الأرضية المترية. الاستمرارية: هذه هي نقطة الضعف الموثقة — فالورقة نفسها تفيد بأنه متأخر عن Genie 3 في الذاكرة المكانية طويلة الأمد، وهي بالضبط خاصية الانحراف التي يشير إليها Baidu. الزمن الحقيقي: 24 إطارًا في الثانية خلال ثماني خطوات مقطّرة سريع بالنسبة لنموذج انتشار، لكن النشر المرجعي يستخدم ثماني وحدات GPU، وميزانية 33 مللي ثانية ليست في السياق نفسه.

لا شيء من ذلك يجعل Hy-Nomas نموذجًا سيئًا. بل يجعله أداة مختلفة. وعند الحكم عليه كعالَم فيديو تفاعلي — وهو ما بُني ليكون — فهو ينافس أفضل ما هو متاح، وهو مفتوح، وهو ما لا يكاد يفعله أي من منافسيه. وعند الحكم عليه كمحاكي قيادة، فإنه يفشل في أربعة من اختبارات Baidu الخمسة، وكان سيفشل فيها حتى لو كانت الأوزان أفضل بمرتين.

كم تكلفة تشغيل كل منها

Hy-Nomas لها سعر يمكنك حسابه. الأوزان مجانية بموجب Apache 2.0؛ أما التكلفة فهي الجهاز. تحتاج بطاقة 4090 واحدة تعمل على المسار المُكمَّم إلى نحو 38GB من الذاكرة بعد احتساب نقل المعالجة إلى CPU، وتُنتج دقة 720p بمعدل 24 إطارًا في الثانية. النشر المرجعي بثماني وحدات GPU هو النسخة التي تصفها الاختبارات المعيارية. إذا كنت تُولّد بضع مئات من المقاطع لسؤال بحثي، فبطاقة واحدة تكفي؛ وإذا كنت تُولّد مجموعة بيانات تدريبية، ففاتورة الكهرباء هي رسم الترخيص.

لا يوجد سعر قابل للحساب لـ Apollo World لأنه ليس معروضًا للبيع. البيان الصادق الوحيد هو أن Baidu لم تنشر أي شروط تجارية، وأن النشر الموصوف يقع ضمن عمليات robotaxi الخاصة بها.

بالنسبة إلى الفرق التي تبني أنظمتها حول أيٍّ منهما، فإن مسألة التوجيه منفصلة عن مسألة النموذج. لا يظهر Apollo World ولا Hy-Nomas في كتالوج OrcaRouter — أحدهما داخلي لدى Baidu، والآخر نموذج فيديو تستضيفه بنفسك — ولن يتظاهر هذا المقال بخلاف ذلك. ما نوفّره فعلاً هو الطبقة التي تقيّم هذا النوع من المخرجات وتنسّقها: مُقيّم رؤية ولغة يمنح درجات للمقاطع المولّدة، ومخطِّط يحوّل سؤالاً بحثياً إلى دفعة من الموجّهات، ونموذج احتياطي عندما يكون النموذج الأساسي مقيّداً بمعدل الاستخدام. هذا هو واجهة API واحدة تغطي أكثر من 200 نموذج بهامش ربح 0%، مع تمرير سعر قائمة المزوّد كما هو، وهو ما يهم أكثر عندما تشغّل آلاف استدعاءات التقييم على مخرجات نموذج بسعة 196GB.

أيٌّ منها يناسب مجموعتك التقنية

إذا كنت تريد استكشاف بيئة مولّدة، وتوجيه كاميرا عبرها، والتحسين التكراري لمشهد في متصفح، فإن Hy-Nomas هو الجواب الأفضل وهو متاح الآن. الترخيص المفتوح ليس شكليًا: فهو يتيح لك الضبط الدقيق والتكميم والإطلاق، وهذا أكثر مما يمكن قوله عن معظم نماذج العالم التفاعلية، بما فيها تلك التي يتفوق عليها في اتباع التعليمات.

إذا كنت تتحقق من صحة سياسة قيادة، فإن Hy-Nomas ليس بديلاً عن المحاكي ولن يصبح كذلك عبر تحسين التوجيه. الاستخدام الصحيح لـ Apollo World هو كمواصفة: فمعيار 2+3 هو مجموعة أسئلة يمكنك طرحها على أي مورّد محاكيات، وسؤال الاستمرارية تحديدًا — ما مقدار الانحراف على مدى تشغيل لمدة عشر ساعات — هو الذي يفصل منصة اختبار عن شريط عرض توضيحي.

التقارب الجدير بالمراقبة هو نموذج عالم فيديوي يُخرج العمق المتري وليدار إلى جانب RGB، ويُدرَّب بخسارة اتساق فيزيائي لا بخسارة إدراكية. مؤلفو Hy-Nomas يشتغلون بالفعل على تكييف مسارات الكاميرا بطريقة ذات معنى هندسي؛ وإضافة رأس استشعار هي الخطوة التالية البديهية ولم ينشرها أحد. وإلى أن يفعل أحد ذلك، فإن التقسيم واضح: Hy-Nomas يصنع عوالم يمكنك النظر إليها، وApollo World يصنع عوالم يمكن تقييم سيارة فيها، والفجوة بين هاتين الجملتين هي حيث يقبع عمل العام القادم.