Apollo World vs. Hy-Nomas: Pixel, die richtig aussehen müssen, Sensoren, die richtig sein müssen

Zeigt man zwei Personen denselben zehnsekündigen Clip, in dem sich ein Auto einer Kreuzung nähert, sind sich beide einig, dass er in Ordnung aussieht. Zeigt man ihn einem Planungs-Stack, ist nur eine Version brauchbar, denn bei der anderen gibt es einen Fußgänger, dessen Schatten in die falsche Richtung zeigt, eine Bordsteinkante, die 40 Zentimeter zu hoch ist, und überhaupt kein Lidar-Echo. Diese Lücke ist der ganze Unterschied zwischen Apollo World und Hy-Nomas. Hy-Nomas ist Tencent Hunyuans interaktives Video-Weltmodell mit offenen Gewichten: ein Modell mit 8 Milliarden Parametern, das aus einem Text-Prompt und einem Kamerapfad 720p-Video erzeugt und Ende Oktober 2026 unter Apache 2.0 veröffentlicht wurde. Apollo World ist Baidus agentengesteuerter Simulator, der am 3. November 2026 vorgestellt wurde und Kamera- und Lidar-Beobachtungen einer virtuellen Stadt ausgibt, in der der Verkehr auf das Testfahrzeug reagiert. Das eine wird mit dem Auge beurteilt. Das andere wird danach beurteilt, ob das Auto besser fährt.

Beide werden zu Recht als Weltmodelle bezeichnet. Nur eines von ihnen lässt sich noch heute Nachmittag herunterladen, und nur das andere ist darauf ausgelegt, einen Wahrnehmungs-Stack zu speisen. Dieser Kompromiss ist das Thema des Artikels.

Die Genauigkeitsfalle

Video-Weltmodelle optimieren auf das, was ein Betrachter akzeptieren wird. Das ist keine Kritik; es ist das korrekte Ziel für ein Generierungsmodell, und deshalb kann Hy-Nomas einen überzeugenden Gang durch eine Straße erzeugen, die es noch nie gesehen hat. Doch wahrnehmungsbezogene Plausibilität und physikalische Konsistenz sind unterschiedliche Ziele, und sie fallen genau dort auseinander, wo das autonome Fahren zu Hause ist.

Ein Modell, das darauf trainiert wurde, das nächste Frame vorherzusagen, lernt, dass Autos in der Nähe von Kreuzungen langsamer werden und dass Schatten von einer Lichtquelle wegfallen. Aus Pixeln allein lernt es nicht, dass der Abstand zwischen zwei Fahrbahnmarkierungen 3,5 Meter beträgt, dass ein Lidar-Impuls von einer nassen Straße mit einer bestimmten Intensität zurückkommt oder dass ein Fußgänger, der bereits angefangen hat, auf die Fahrbahn zu treten, sich nicht zurück auf den Bordstein teleportieren kann, wenn das Ego-Fahrzeug bremst. Bittet man es um einen Sensorstrom, erzeugt es etwas, das wie ein Sensorstrom aussieht. Ob die Zahlen darin metrisch sind, ist eine separate Frage, die das Trainingsziel nie gestellt hat.

Baidus Launch-Material ist um diesen Einwand herum aufgebaut. Wang Liang, Chefarchitekt der Intelligent Driving Group von Baidu, sagte auf der Bühne, ein Weltmodell sollte kein Maler sein, der beeindruckende Videos erzeugt, sondern ein Prüfer der Fahrsicherheit, und das anschließende „2+3“-Bewertungsschema ist ausdrücklich ein Filter für Modelle, die richtig aussehen, ohne richtig zu sein. Kausalität und Interaktivität sind die Tore; physikalische Genauigkeit, Persistenz und Echtzeitfähigkeit sind die bewerteten Eigenschaften. Was auch immer das Bewertungsschema sonst ist, es beschreibt den Fehlermodus eines Videogenerators, der auf einen Driving-Stack angewendet wird.

Was Hy-Nomas tatsächlich ausliefert

Hy-Nomas ist ein segment-autoregressiver Diffusions-Transformer, kein Single-Shot-Videogenerator. Er erzeugt Segmente variabler Länge, konditioniert auf eine zwischengespeicherte Historie; so bleibt die Kohärenz bei Kamerabewegungen erhalten: Das „Weltgedächtnis“ ist ein KV-Cache, der fortgeschrieben und beim Erzeugen neuer Segmente aufgefrischt wird.

• Größe — rund 8 Milliarden Parameter verteilt auf 54 Dual-Stream-MMDiT-Blöcke mit einer Hidden-Size von 2.048.

• Eingaben — Freitext plus eine kontinuierliche Kameratrajektorie, mit einem optionalen Prompt-Enhancer, Nomas-PE, der lockere Prosa in strukturierte JSON-Captions umschreibt.

• Ausgabe — 720 × 1280 bei 24 Bildern pro Sekunde, unter Verwendung eines feinabgestimmten PixelUMM-Decoders auf DCAE-V-Latenten, in acht destillierten Denoising-Schritten.

• Gewichte — tencent/Hy-Nomas auf Hugging Face unter Apache 2.0, rund 196 GB, mit Code auf GitHub und einer gehosteten Demo.

• Hardware — eine Standardbereitstellung erfordert acht GPUs. Es existiert ein Weg mit einer einzelnen RTX 4090, der ein INT8-DiT und KV-Cache, einen FP8-Decoder und CPU-Offloading nutzt, bei etwa 38 GB.

Der technische Bericht arXiv 2610.36729 erschien am 27. Oktober 2026 und beschreibt den Trick, der die Multi-Turn-Interaktion funktionieren lässt: strukturierte Bildbeschreibungen werden mit einem aktionsbewussten kausalen Attention-Muster abgestimmt, sodass deskriptiver Kontext über Segmente hinweg erhalten bleibt, während Aktionsanweisungen auf das Fenster beschränkt sind, in dem sie ausgegeben wurden. Die Evaluation ist ein Benchmark mit 280 Fällen über vier Tracks hinweg – Multi-Turn-Text, Kameranavigation, verschachtelter Text und Kamera sowie räumliches Gedächtnis – mit menschlichen paarweisen Vergleichen gegen Genie 3, LingBot-World v2 und Happy Oyster. Hy-Nomas gewinnt bei Interaktion und Prompt-Following, mit einer berichteten Gewinnrate von etwa 65 % beim Prompt-Following, und verliert gegen Genie 3 beim langfristigen räumlichen Gedächtnis. Das sind die Vergleiche der Autoren auf dem Benchmark der Autoren, und sie sind die am besten überprüfbaren Aussagen in diesem Artikel, weil die Gewichte öffentlich sind.

Was Apollo World nicht veröffentlicht

Die Offenlegung von Apollo World war ein Briefing zu den Fähigkeiten, und die Lücken sind ebenso aussagekräftig wie die Aussagen. Es gibt keine Parameteranzahl, keine Architektur, kein Paper, keine Benchmark-Tabelle mit benannten Baselines, keine Gewichte, keine API und keinen Preis. Was Baidu jedoch sagte, ist, dass das Modell bereits die globale Test- und Validierung bei Apollo Go unterstützt, dass es etwa 100.000 Kilometer simuliertes Fahren pro Tag abdecken kann — dargestellt als ungefähr drei Jahre kontinuierlichen Testens durch ein Fahrzeug mit Sicherheitsfahrer — und dass Apollo Go in 28 Städten mit mehr als 23 Millionen Fahrten, 350 Millionen autonomen Kilometern und mehr als 240 Millionen vollständig fahrerlos zurückgelegten Kilometern operiert.

Die Angabe von 100.000 Kilometern sollte man mit Vorsicht behandeln. Es ist eine Unternehmenszahl, hinter der keine externe Messung steht, und der Vergleich, auf dem sie beruht – drei Jahre, in denen ein Testwagen ununterbrochen fährt –, hängt von einer angenommenen Jahresfahrleistung ab, die Baidu nicht genannt hat. Das macht sie nicht falsch. Es macht sie nicht überprüfbar, was etwas anderes und Nützlicheres ist, das man wissen sollte.

Die Design-Behauptungen sind dagegen konkret genug, um sich mit ihnen auseinanderzusetzen. Jeder Verkehrsteilnehmer ist ein Agent, der entscheidet, statt eine Requisite, die einem Skript folgt. Kamera und Lidar werden in Echtzeit generiert. Fahrten werden durchgängig von der angenommenen Bestellung bis zum abgelieferten Fahrgast über beliebige Start- und Zielorte hinweg abgeschlossen. Und das Ganze wird durch einen Entscheidungszyklus von einer Dreißigstelsekunde, etwa 33 Millisekunden, begrenzt, was die Persistenz- und Latenzeigenschaften tragend statt dekorativ macht.

Baidus eigenes Bewertungsraster auf Hy-Nomas anwenden

Die interessante Übung besteht nicht darin, die beiden unter Marketinggesichtspunkten zu vergleichen, sondern die fünf Objekte von Apollo World zu nehmen und sie auf das Modell auszurichten, das tatsächlich existiert.

Kausalität: Hy-Nomas besteht – in dem Sinne, den Baidu meint. Es ist segmentweise autoregressiv und konditioniert auf die Historie, sodass die Zukunft aus der Gegenwart erzeugt statt zusammengesetzt und rückwärts aufgefüllt wird. Interaktivität: teilweise. Es reagiert auf Textanweisungen und Kamerabewegungen, aber dabei handelt es sich um Regieanweisungen, nicht um die Aktionen anderer Agenten. Nichts in der Szene reagiert auf irgendetwas anderes in der Szene. Physikalische Genauigkeit: nicht gemessen und aus der veröffentlichten Arbeit auch nicht messbar, da sie gegen menschliche Präferenz statt gegen metrische Ground Truth evaluiert. Persistenz: Hier liegt die dokumentierte Schwäche – das Paper selbst berichtet, dass es bei langfristigem räumlichem Gedächtnis hinter Genie 3 zurückliegt, was genau die Drift-Eigenschaft ist, die Baidu hervorhebt. Echtzeit: 24 Bilder pro Sekunde in acht destillierten Schritten sind für ein Diffusionsmodell schnell, aber beim Referenz-Deployment kommen acht GPUs zum Einsatz, und das 33-Millisekunden-Budget spielt in einer völlig anderen Liga.

Nichts davon macht Hy-Nomas zu einem schlechten Modell. Es macht es zu einem anderen Instrument. Als interaktive Videowelt beurteilt – das, wofür es gebaut wurde – ist es wettbewerbsfähig mit dem besten Verfügbaren, und es ist offen, was fast keiner seiner Konkurrenten ist. Als Fahrsimulator beurteilt, versagt es bei vier von Baidus fünf Tests und würde sie selbst dann nicht bestehen, wenn die Gewichte doppelt so gut wären.

Was es kostet, jedes zu betreiben

Hy-Nomas hat einen Preis, den man berechnen kann. Die Gewichte sind unter Apache 2.0 kostenlos; die Kosten sind die Maschine. Eine einzelne 4090, die den quantisierten Pfad ausführt, benötigt etwa 38 GB Speicher, wenn man das CPU-Offloading mitzählt, und erzeugt 720p bei 24 Bildern pro Sekunde. Die Acht-GPU-Referenzbereitstellung ist die Version, die die Benchmarks beschreiben. Wenn Sie ein paar hundert Clips für eine Forschungsfrage generieren, reicht eine Karte; wenn Sie einen Trainingskorpus generieren, ist die Stromrechnung die Lizenzgebühr.

Apollo World hat keinen berechenbaren Preis, weil es nicht zum Verkauf steht. Die einzige ehrliche Aussage ist, dass Baidu keine kommerziellen Bedingungen veröffentlicht hat und der beschriebene Einsatz innerhalb seines eigenen Robotaxi-Betriebs erfolgt.

Für Teams, die auf eines der beiden setzen, ist die Routing-Frage von der Modell-Frage getrennt. Weder Apollo World noch Hy-Nomas stehen im Katalog von OrcaRouter – eines ist intern bei Baidu, das andere ein Videomodell, das Sie selbst hosten – und dieser Beitrag wird nicht so tun, als wäre es anders. Was wir dagegen anbieten, ist die Ebene, die diese Art von Ausgabe bewertet und orchestriert: ein Vision-Language-Judge, der generierte Clips bewertet, ein Planner, der eine Recherchefrage in einen Stapel Prompts verwandelt, ein Fallback-Modell, wenn das primäre Modell rate-limitiert ist. Das ist eine API für über 200 Modelle mit 0 % Aufschlag, wobei der Listenpreis des Anbieters durchgereicht wird – was am wichtigsten ist, wenn Sie Tausende Judge-Aufrufe gegen die Ausgabe eines 196GB-Modells laufen lassen.

Welcher gehört in deinen Stack

Wenn du eine generierte Umgebung erkunden, eine Kamera durch sie hindurchführen und eine Szene in einem Browser iterativ weiterentwickeln möchtest, ist Hy-Nomas die bessere Antwort, und es ist jetzt verfügbar. Die offene Lizenz ist keine Formalität: Sie ermöglicht Feinabstimmung, Quantisierung und Auslieferung – mehr, als man von den meisten interaktiven Weltmodellen sagen kann, einschließlich derjenigen, die es beim Befolgen von Prompts übertrifft.

Wenn Sie eine Fahrpolitik validieren, ist Hy-Nomas kein Ersatz für einen Simulator und wird es durch besseres Prompting auch nicht werden. Apollo World sollte als Spezifikation eingesetzt werden: Die 2+3-Rubrik ist eine Reihe von Fragen, die Sie jedem Simulator-Anbieter stellen können, und insbesondere die Persistenzfrage – wie groß ist die Drift über einen zehnstündigen Lauf – ist diejenige, die einen Prüfstand von einem Demo-Reel unterscheidet.

Die {{1}}Konvergenz{{/1}}, auf die man achten sollte, ist ein {{2}}Video-Weltmodell, das metrische Tiefe und Lidar zusammen mit RGB ausgibt und mit einem Physical-Consistency-Verlust statt einem perzeptuellen Verlust trainiert wird{{/2}}. Die Autoren von Hy-Nomas konditionieren bereits auf geometrisch sinnvolle Weise auf Kamera-Trajektorien; einen Sensor-Head hinzuzufügen ist der offensichtliche nächste Schritt, und niemand hat ihn veröffentlicht. Bis jemand das tut, ist die Aufteilung klar: Hy-Nomas erzeugt Welten, die man sich ansehen kann, Apollo World erzeugt Welten, in denen ein Auto bewertet werden kann, und die Lücke zwischen diesen beiden Sätzen ist der Ort, an dem die Arbeit des nächsten Jahres liegt.