Apollo World vs. Hunyuan3D WorldClaw: Ein Ort, den man zu Fuß erkunden kann, oder ein Drive, den man bewerten kann

Das Nützlichste daran, Apollo World gegen Hunyuan3D WorldClaw zu stellen, ist, dass beide das Wort „world“ verwenden und keines von beiden damit dasselbe meint. Hunyuan3D WorldClaw ist Tencent Hunyuans agentisches Framework, das aus einem einzigen offenen Text-Prompt eine große, erkundbare 3D-Szene erzeugt, die aus expliziten, texturierten Meshes pro Objekt besteht, die man in Blender öffnen und in eine Game-Engine exportieren kann. Apollo World ist Baidus agentengetriebener Simulator, der am 3. November 2026 vorgestellt wurde und Echtzeit-Kamera- und Lidar-Beobachtungen einer virtuellen Stadt generiert, damit ein Robotaxi-Stack anhand vollständiger Fahrten trainiert und bewertet werden kann. WorldClaw baut einen Ort. Apollo World unternimmt eine Fahrt durch einen. Wenn Sie hierhergekommen sind, um herauszufinden, welches bessere 3D-Generierung liefert, dann ist die Frage auf eine Art falsch gestellt, die es verdient, auseinandergenommen statt beantwortet zu werden.

Zwei Produkte, die ein und dasselbe Substantiv tragen

Die Überschneidung ist real, aber schmal. Beide erzeugen etwas, das man als Welt beschreiben könnte. Danach weicht jede Eigenschaft ab.

• Ergebnis — WorldClaw: eine Szenendatei mit einzelnen Meshes, Materialien und Transformationen. Apollo World: ein Strom von Sensor-Frames plus Agentenstatus, der von einer Fahrpolitik statt von einer Person konsumiert wird.

• Arbeitseinheit — WorldClaw: ein Prompt zu einer Szene. Apollo World: eine Route, eine Richtlinie, eine bewertete Fahrt.

• Zeit — WorldClaws Output ist statisch, sobald er erzeugt wurde; Apollo World existiert, um vorwärts ausgeführt zu werden, wobei jede Entscheidung verändert, was als Nächstes geschieht.

• Für wen es gedacht ist — WorldClaw: ein Level-Designer, ein Spiele-Studio, ein Synthetic-Data-Team, das Geometrie benötigt. Apollo World: Baidus eigene Organisation für autonomes Fahren.

• Was „gut“ bedeutet – WorldClaw: Wirkt die Szene stimmig und lässt sie sich ohne schwebende Objekte zusammensetzen? Apollo World: Wird das Testfahrzeug sicherer?

So ausgedrückt sind die beiden weniger Rivalen als vielmehr benachbarte Stufen einer Pipeline, die noch niemand von Anfang bis Ende gebaut hat. Der eine erstellt das Set. Der andere lenkt den Verkehr darauf.

Was WorldClaw tatsächlich macht – Schritt für Schritt

WorldClaw lässt sich am besten als Dirigent denn als Instrument verstehen. Das Paper, arXiv 2608.05248, wurde am 5. August 2026 eingereicht, die offizielle Ankündigung folgte am 11. August. Das Framework nimmt einen frei formulierten Prompt entgegen und durchläuft vier Stufen von grob zu fein.

• Absicht und Planung — Sprachmodell-Agenten lesen den Prompt und entscheiden, was die Szene enthalten soll, und erstellen dabei einen Plan statt eines Bildes.

• Terrain — ein globaler Durchlauf erzeugt semantisches Layout, Höhenfelder und Materialien, sodass der Boden kohärent ist, bevor irgendetwas darauf platziert wird.

• Objekte — Regionen werden gerendert, segmentiert und jede Region wird über Hunyuan3D als individuelles Mesh rekonstruiert. Hier wird das Versprechen expliziter Geometrie eingelöst: Die Ausgabe ist eine Menge von Objekten, kein verschmolzener Klumpen und kein Gaussian-Splat.

• Verfeinerung — ein Vision-Agent prüft das Rendering auf schwebende Objekte, Durchdringungen, falschen Maßstab und falsche Pose und sendet Korrekturen zurück.

Der darunterliegende Stack ist eine Aufstellung fremder Modelle und einer sehr großen Anwendung: Claude Opus 4.8 für die Planung, GPT-Image-2 für die Bildgenerierung, SAM3 und SAM3D für die Segmentierung, Hunyuan3D für die Rekonstruktion und Blender 5.1.1, über MCP für die Montage gesteuert. Tencent gibt an, ihn auf vier NVIDIA H20 GPUs auszuführen. Die veröffentlichte Bewertung ist qualitativ und vergleicht Ausgaben mit SynCity, WorldGen, MajutsuCity und Marble anhand von Szenen im direkten Vergleich und ohne FID-, CLIP- oder Nutzerstudienzahlen.

Das Repository ist der Teil, der für alle wichtig ist, die es nutzen wollen. Das offizielle GitHub-Projekt enthält eine README und Assets. Es gibt keinen Code, keine Gewichte, kein Inferenzskript, keine API und keinen Preis. Ein Framework-Paper ohne Implementierung ist eine Beschreibung einer Methode, kein Werkzeug, und in der Lücke zwischen diesen beiden Dingen sterben die meisten Fragen nach dem Motto „Kann ich es ausprobieren?“.

Was Apollo World tatsächlich behauptet

Apollo World wurde am 3. November 2026 auf dem Baidu AI Day·Apollo in Shenzhen von Wang Liang, Chefarchitekt von Baidus Intelligent Driving Group, und Yang Ze, der die Arbeit am Weltmodell leitet, vorgestellt. Die Stoßrichtung war deutlich: Ein Weltmodell sollte kein Maler beeindruckender Videos sein, sondern ein Prüfer der Fahrsicherheit. Baidu untermauerte das mit einem Bewertungsraster namens „2+3“ – zwei Hürden, die entscheiden, ob etwas überhaupt als Weltmodell zählt, und drei Eigenschaften, die bewerten, wie gut es ist.

Die Voraussetzungen sind Kausalität und Interaktivität. Kausalität bedeutet, dass der nächste Zustand aus dem aktuellen vorhergesagt wird, statt aus Frames zusammengesetzt und nachträglich aufgefüllt zu werden; Interaktivität bedeutet, dass eine in die Szene eingebrachte Aktion verändert, was folgt. Die bewerteten Eigenschaften sind physikalische Genauigkeit, Persistenz und Echtzeitleistung. Persistenz ist das, was eine Demo von einem Prüfstand unterscheidet: Ein Simulator, dessen Objekte über einen langen Lauf langsam driften oder sich verformen, bewertet eine Policy irgendwann anhand einer Welt, die nicht mehr der entspricht, in der sie begonnen hat. Baidu setzt den Entscheidungszyklus für ein Straßenfahrzeug auf eine Dreißigstelsekunde, etwa 33 Millisekunden.

Drei Fähigkeiten tragen diese Versprechen. Jeder Verkehrsteilnehmer wird als Agent mit eigenen Entscheidungen modelliert und nicht als geskriptetes Requisit, sodass ein bremsendes Robotaxi eine andere Reaktion des nachfolgenden Fahrzeugs hervorrufen kann. Kamera- und Lidardaten werden in Echtzeit erzeugt, wodurch der Driving-Stack die virtuelle Stadt über dieselbe Schnittstelle wahrnehmen kann, die er auf einer realen Straße nutzt. Und Fahrten werden durchgängig von Anfang bis Ende abgeschlossen – Auftrag angenommen, Fahrgast abgeholt, Fahrgast ans Ziel gebracht – über beliebige Ausgangs- und Zielorte hinweg statt als isolierte Szenario-Clips.

Baidu gibt an, dass das Modell bereits die globalen Tests und die Validierung von Apollo Go unterstützt, und nennt rund 100.000 Kilometer simulierter Fahrleistung pro Tag, was etwa drei Jahren Dauererprobung durch ein mit Sicherheitsfahrer besetztes Fahrzeug entspreche. Daneben wurden die eigenen Betriebszahlen von Apollo Go zitiert: 28 Städte, mehr als 23 Millionen Fahrten, 350 Millionen autonome Kilometer, davon mehr als 240 Millionen vollständig fahrerlos. Veröffentlicht wurden weder Parameteranzahl noch Architektur, Benchmark-Tabelle, Paper, Weight-Datei oder Preis. Dies ist ein Capability-Briefing über interne Infrastruktur, kein Produktlaunch.

„Agentic“ bedeutet hier zwei verschiedene Dinge.

Das ist die Falle in diesem Vergleich, und es lohnt sich, innezuhalten, denn beide Ankündigungen stützen sich auf dasselbe modische Wort.

Bei WorldClaw sind die Agenten die Erbauer. Sprachmodell-Planer zerlegen einen Prompt in einen Szenenplan, ein Vision-Agent prüft das Ergebnis und gibt Korrekturen aus. Die Intelligenz liegt im Authoring-Loop, und sie wirkt einmal, bevor du die Szene überhaupt lädst. Sobald die Meshes exportiert sind, sind die Agenten verschwunden; die Welt ist träge Geometrie.

In Apollo World sind die Agenten die Bewohner. Die Planer bauen nichts zusammen – sie steuern die anderen Autos, gehen auf den Gehwegen und entscheiden, ob sie Vorfahrt gewähren. Die Intelligenz bleibt für die Dauer der Simulation bestehen, und ihr gesamter Zweck ist es, die Welt auf das reagieren zu lassen, was getestet wird. Eine statische Szene mit reaktiven Bewohnern wäre in WorldClaws Begriffen ein Widerspruch und in Apollos der ganze Sinn.

Dieser Unterschied erklärt auch, warum es schwierig ist, die beiden naiv zu kombinieren. Wenn man WorldClaw-Meshes in einen Fahrsimulator wirft, bekommt man ein gut aussehendes Set, in dem sich nichts bewegt. Reaktiven Verkehr zu einer WorldClaw-Szene hinzuzufügen bedeutet, die Verhaltensschicht selbst zu schreiben. Die Frameworks lösen unterschiedliche Hälften desselben Problems, und keines liefert die jeweils andere Hälfte mit.

Keines von beiden ist verfügbar, und das aus unterschiedlichen Gründen.

WorldClaw ist dokumentiert, aber nicht distributierbar. Das Paper beschreibt eine Methode ausführlich genug, dass ein gut ausgestattetes Team sie nachimplementieren könnte, und mehrere Dritte haben Teilversionen gebaut, aber Tencent hat weder den Code noch die Gewichte veröffentlicht. Die Anforderung von vier H20 und die Abhängigkeit von einem Stapel separat lizenzierter Modelle bedeuten außerdem, dass eine Veröffentlichung selbst dann kein sofort einsetzbarer Download wäre.

Apollo World ist bereitgestellt, wird aber nicht angeboten. Baidu beschreibt es als für Apollo Go in Betrieb, und die Offenlegung enthält keine kommerziellen Bedingungen, keine Schnittstelle und keinen Hinweis darauf, dass externer Zugriff geplant ist. Der Vergleich der beiden hinsichtlich der Verfügbarkeit ist daher nicht „offen versus geschlossen“, sondern „unveröffentlicht versus intern“ — ein Unterschied, der zählt, wenn man auf eines von beiden wartet.

Für Teams, die in diesem Quartal eine Welt brauchen, ist der praktische Weg keiner von beiden. Eine Game-Engine mit einem prozeduralen Szenen-Tool deckt die statische Hälfte ab; ein kommerzieller Fahrsimulator deckt die dynamische Hälfte ab; und die Video-Weltmodelle mit offenen Gewichten decken die Demo-Hälfte ab – schlecht, wenn man Sensoren braucht. OrcaRouter führt weder Apollo World noch Hunyuan3D WorldClaw – beides sind keine aufrufbaren Modelle –, aber die Sprach- und Vision-Stufen rund um eine Szenen-Pipeline sind gewöhnliche API-Arbeit, und genau diese Ebene decken wir tatsächlich ab: ein Schlüssel, mehr als 200 Modelle, 0 % Aufschlag auf den Listenpreis des Anbieters und Failover, wenn bei einem Planungsaufruf mitten im Build ein Timeout auftritt.

Welche ist die richtige Referenz für Ihr Problem?

Wenn du ein Spiellevel, einen synthetischen Datensatz von Innenräumen oder ein Virtual-Production-Set baust, ist WorldClaw das relevantere Design, auch wenn du es nicht ausführen kannst: Die vierstufige Zerlegung — Plan, Terrain, Objekte, Verfeinerung — ist eine solide Architektur, und die explizite Mesh-Ausgabe ist die richtige Wahl für alles, was später bearbeitet werden muss. Das Fehlen einer quantitativen Bewertung ist der Vorbehalt, den man in jede Reimplementierung mitnehmen sollte; „sieht besser aus als SynCity“ ist keine Spezifikation.

Wenn Sie einen Driving-Stack validieren, ist Apollo Worlds 2+3-Rubrik der nützlichere Export, und sie ist heute als Checkliste nutzbar, auch wenn das Modell es nicht ist. Fragen Sie jeden Simulator-Anbieter nach Kausalität, Interaktivität, physikalischer Genauigkeit, Persistenz über einen langen Lauf und Latenz bei Szenenkomplexität. Ein Anbieter, der die Persistenzfrage nicht mit einer Driftmessung beantworten kann, verkauft Ihnen einen Videogenerator mit einem Physik-Etikett.

Die beiden werden sich wahrscheinlich annähern. Ein Simulator, der bearbeitbare, gut strukturierte Szenen aus einem Framework wie WorldClaw aufnehmen könnte, würde den Content-Engpass lösen, der Fahrsimulation teuer macht; ein Generator der WorldClaw-Klasse, der seine Bewohner animieren könnte, würde aufhören, Dioramen zu produzieren. Keines der Unternehmen hat diese Arbeit angekündigt. Derzeit ist die ehrliche Beschreibung ein Kulissenbauer ohne Code und ein Verkehrsprüfer ohne Tür, und das Einzige, was sie wirklich gemeinsam haben, ist ein Wort.