Genie 4 vs. HY-Nomas: Die bessere Welt ist geschlossen, die herunterladbare nicht.

Für ungefähr 196 Gigabyte kann man ein Weltmodell ganz besitzen. Das ist die Größe des kompletten HY-Nomas-Checkpoint-Satzes, den Tencent Hunyuan am 23. Oktober 2026 unter Apache 2.0 veröffentlicht hat – mit Gewichten auf Hugging Face und Code auf GitHub. Vier Tage später kündigte Google DeepMind Genie 4 an – ein besseres Weltmodell nach den meisten qualitativen Maßstäben, mit nativem Audio und einem Kohärenzfenster von zwei Minuten, niemandem außer vertrauenswürdigen Testern und einer Warteliste zugänglich. Zwischen diesen beiden Tatsachen steht derzeit die praktischste Entscheidung in der generativen Weltmodellierung: das stärkere Modell zu nehmen, das man nicht bekommen kann, oder das schwächere, das man heute Abend laufen lassen kann.

Der Vergleich ist nicht wirklich ein Qualitätsvergleich zwischen Genie 4 und HY-Nomas. Er ist ein Vergleich zwischen zwei Haltungen gegenüber demselben Problem, und die Qualitätslücke ist der Preis der Haltung. Zu verstehen, was man bezahlt und womit man bezahlt, ist der Kern dieses Beitrags.

Was Apache 2.0 Ihnen tatsächlich bringt

HY-Nomas wird als Gewichte ausgeliefert, nicht als Dienst. Der Haupt-Checkpoint ist auf Hugging Face als tencent/Hy-Nomas verfügbar, daneben gibt es eine Diffusers-kompatible Variante, und das Repository enthält ein LoRA-Fine-Tuning-Rezept sowie zwei Adapter – einen für filmische Kamerearbeit, einen für Filmmaterial im Robotik-Stil.

Der letzte Punkt verdient besondere Betonung, denn kein geschlossenes Weltmodell bietet ihn. Wenn man ein Fine-Tuning auf dem eigenen Filmmaterial durchführen kann, lässt sich das Modell in die eigene Domäne bewegen: die Kamerasprache des eigenen Studios, die Sensoreigenschaften des eigenen Roboters, die Art Direction des eigenen Spiels. Genie 4 wird, ganz gleich wie hoch seine Leistungsgrenze liegt, das produzieren, worauf Google es trainiert hat, und der einzige Hebel, den man hat, ist ein Text-Prompt. Für ein Team, dessen Weltmodell ein Wettbewerbsvorteil und nicht bloß ein Werkzeug ist, wiegt dieser Unterschied eine Menge visuellen Feinschliff auf.

Die Lizenz spielt ebenfalls eine Rolle. Apache 2.0 ist permissiv genug für den kommerziellen Einsatz ohne Verhandlungen – was man von Genie 4 nicht behaupten kann, dessen kommerzielle Bedingungen überhaupt nicht veröffentlicht wurden.

Sechzig Sekunden gegen zwei Minuten

Beide Modelle erzeugen interaktive Welten. Sie erzeugen sie auf unterschiedliche Weise, und der Unterschied bestimmt, wie die Dauerangaben zu lesen sind.

Genie 4 ist ein Echtzeit-Weltmodell: Es rendert, während du steuerst, hält eine Szene etwa zwei Minuten lang und erzeugt Audio – Umgebungsgeräusche, Musik, Dialog – nativ im selben Durchgang. Du änderst das Wetter, indem du es eintippst. DeepMinds eigener Vorbehalt ist, dass Details und Objektpermanenz bei längeren Läufen abdriften, besonders nach wiederholten komplexen Prompt-Bearbeitungen.

HY-Nomas erzeugt Videos in sequenziellen Segmenten statt in einer einzigen statischen Datei, und man steuert es Zug um Zug mit Text-Prompts und Kameratrajektorien. Ein lebenslanger KV-Cache trägt die Weltkonsistenz über diese Züge hinweg. Die angegebene Obergrenze liegt bei etwa sechzig Sekunden Generierung bei 720×1280 und 24 Bildern pro Sekunde, unter Verwendung von acht Denoising-Schritten in der destillierten Konfiguration, wobei auch vier und sechs unterstützt werden.

Die ehrliche Gegenüberstellung lautet also nicht sechzig Sekunden gegen hundertzwanzig, sondern zugbasierte Segmentgenerierung gegen kontinuierliches Echtzeit-Rendering. Genie 4 bietet eine Welt, die reagiert, während man sich in ihr befindet. HY-Nomas bietet eine Welt, die jeweils um einen gestalteten Zug voranschreitet – eine langsamere Arbeitsweise und eine weitaus kontrollierbarere: Jedes Segment ist eine Entscheidung, die man prüfen kann, bevor man sich für das nächste entscheidet.

Unter der Haube sind die beiden architektonisch auf eine Weise unterschiedlich, die das Verhalten erklärt. HY-Nomas ist ein Diffusion Transformer — vierundfünfzig Dual-Stream-MMDiT-Blöcke, ein Qwen2.5-VL-7B-Instruct-Textencoder, DCAE-V-Latents und ein feinabgestimmter PixelUMM-Decoder, mit ungefähr acht Milliarden Parametern, abgeleitet aus dem veröffentlichten Checkpoint statt aus einer offiziellen Angabe. Dabei handelt es sich um ein großes Modell, das Videosegmente erzeugt. Genie 4 ist ein Echtzeit-Simulator, dessen Interna Google in vergleichbarer Ausführlichkeit nicht beschrieben hat, kombiniert mit Gemini-Modellen, die das Erscheinungsbild verankern und die Schleife steuern.

Die Funktion, die Genie 4 hat und sonst niemand

Audio. Genie 4 ist das erste DeepMind-Weltmodell, das Sound nativ erzeugt, und zum Zeitpunkt dieses Textes erhebt kein Open-Weight-Weltmodell in diesem Vergleich – HY-Nomas eingeschlossen – einen vergleichbaren Anspruch. Es erzeugt Umgebungsgeräusche, Musik und interaktiven Dialog, in dem Figuren darauf reagieren, was in der Szene passiert.

Ob das entscheidend ist, hängt ganz von Ihrem Verwendungszweck ab. Für die Film-Previsualisierung ist es nahezu entscheidend: Eine Einstellung ohne Ton ist eine halbe Einstellung, und die Klanglandschaft von Grund auf neu aufzubauen und sie an das Timing von jemand anderem anzupassen, ist der Teil der Previs, der niemandem Spaß macht. Für die Robotersimulation ist es eine fehlende Eingabemodalität, die begrenzt, was die Umgebung vermitteln kann. Für ein Spielestudio, das Hintergrundplattenmaterial erzeugt, ist es eine Erleichterung.

Und für alle bleibt es ungemessen. Google hat keinen Audio-Benchmark veröffentlicht, keine Synchronisationsmessung, und die eigenen Ingenieure räumen ein, dass die Audiogenauigkeit nicht gelöst ist. Die Behauptung ist real, und der Beleg ist ein Demo-Reel.

Die Hardware-Rechnung, durchgerechnet

Hier ist der Punkt, an dem das offene Modell nicht mehr kostenlos ist und zu einer Investitionsausgabe wird.

• Standardbereitstellung — HY-Nomas ist für acht GPUs ausgelegt. Das ist ein Server, keine Workstation.

• {{1}}Single-GPU-Route{{/1}} — {{2}}eine dokumentierte Konfiguration läuft auf einer RTX 4090 mit INT8-Gewichten für den Diffusion-Transformer, einem FP8-Decoder, CPU-Offload und einem begrenzten Verlaufs-Puffer.{{/2}}

• Datenträger — der vollständige Checkpoint-Satz umfasst etwa 196 GB; die speichersparende Variante benötigt etwa 38 GB plus den Text-Encoder.

• Durchsatz – sechzig Sekunden Ausgabe sind nicht sechzig Sekunden Rechenzeit. Diffusion mit acht Denoising-Schritten über vierundfünfzig Transformer-Blöcke hinweg bedeutet, dass die Generierung pro Segment in Minuten gemessen wird, und Tencent hat keine Latenzwerte veröffentlicht.

• Genie 4 – keine veröffentlichten Hardware-Anforderungen, keine veröffentlichte Latenz, kein veröffentlichter Preis. Der Zugang erfolgt über ein Abonnement für Google AI Ultra über Project Genie oder eine Partnervereinbarung im Early Access.

Rechne ehrlich nach, und der 4090-Pfad ist eine Forschungsmaschine, keine Produktionsmaschine: Er erzeugt ein Segment, langsam, mit beeinträchtigtem Gedächtnis für lange Sequenzen – genau der Kompromiss, den der begrenzte Verlaufspuffer eingeht. Der Acht-GPU-Pfad liefert brauchbaren Durchsatz und kostet so viel wie acht Rechenzentrums-GPUs, bevor man den Strom und die Person mitzählt, die es am Laufen halten muss.

Deshalb ist der Vergleich mit einer gehosteten API nicht automatisch. Wenn Ihr Volumen ein paar hundert Segmente pro Monat beträgt, sind acht GPUs, um sie zu bedienen, eine schlechte Kapitalverwendung, und die richtige Antwort ist eine API – unsere oder die von jemand anderem – mit einem Preis pro Aufruf und ohne Capex. Wenn Ihr Volumen kontinuierlich ist oder Ihre Daten Ihr Netzwerk nicht verlassen können, ist der 196-GB-Download ein Schnäppchen, das kein gehosteter Dienst erreichen kann. Das ist die eigentliche Entscheidung, und sie hat nichts damit zu tun, welches Modell hübscher ist.

Zwei Benchmarks, null Punkte

HY-Nomas liefert etwas namens Hy-Nomas-Bench: 280 Testfälle mit rund 220 Referenzkameratrajektorien. Es ist ein echtes Evaluierungs-Harness, und zum Zeitpunkt der Veröffentlichung liegen keine veröffentlichten Ergebnisse vor. Der technische Bericht wird als demnächst erscheinend beschrieben.

Genie 4 hat kein Äquivalent. Google veröffentlichte keine Benchmark-Suite, keinen numerischen Vergleich mit Genie 3 außer dem verdoppelten Kohärenzfenster und überhaupt keine Auflösung oder Bildrate.

Also bitten beide Seiten darum, anhand von Demoaufnahmen beurteilt zu werden. In dieser Situation sollte die Reproduzierbarkeit den Ausschlag geben, und das ist nicht knapp: Man kann HY-Nomas herunterladen, Hy-Nomas-Bench selbst ausführen und eine Zahl veröffentlichen. Mit Genie 4 geht das nicht, und wenn man zu der Art Team gehört, das eine Zahl braucht, bevor es sich festlegt, ist das geschlossene Modell nicht bloß unbequem – es ist ein Ausschlusskriterium.

Was wir tatsächlich empfehlen würden

Wenn Sie die überzeugendste verfügbare Welt brauchen und Ihre Arbeit explorativ ist – Previs, Konzeption, Simulation auf Prototypenebene –, dann ist Genie 4 die leistungsfähigere Option, und Sie sollten sich auf die Warteliste setzen lassen und Ihre Planung auf eine zweiminütige Einstellung auslegen. Allein das Audio hebt es in eine andere Klasse als alles mit offenen Gewichten, und die Gemini-in-the-loop-Architektur bedeutet, dass es von einem Agenten statt von Hand gesteuert werden kann.

Wenn Sie ein Weltmodell benötigen, das Sie besitzen, feinabstimmen, prüfen, in ein Produkt einbetten oder betreiben können, ohne Daten an einen Anbieter zu senden, ist HY-Nomas die einzige Option in diesem Vergleich, und sie ist wirklich leistungsfähig: Apache 2.0, ein Single-4090-Pfad, Kamerasteuerung, Robotik-Adapter und eine veröffentlichte Evaluationssuite. Sie tauschen Fotorealismus und Klang gegen Kontrolle und Reproduzierbarkeit ein, und für eine große Klasse von Engineering-Aufgaben ist das der richtige Tausch.

Der umgebende Stack ist der Punkt, an dem die beiden zusammenlaufen. Welches Modell Sie auch wählen, es wird in einer Agentenschleife sitzen – etwas muss die Prompts schreiben, die Kameratrajektorie wählen, das Segment prüfen und entscheiden, ob neu generiert wird. Diese Schleife besteht aus gewöhnlichen Sprach- und Vision-Modellaufrufen, und hier beweist ein Router seinen Wert: eine API über mehr als 200 Modelle hinweg, automatisches Failover, sodass ein stockender Anbieter einen erneuten Versuch statt eines verlorenen Renderings bedeutet, und die Listenpreise der Anbieter werden mit 0 % Aufschlag durchgereicht, sodass eine Preissenkung eines Anbieters Sie am Tag ihres Inkrafttretens erreicht. Das Weltmodell ist der teure, sich langsam verändernde Teil Ihres Stacks. Alles darum herum sollte das Gegenteil sein.

Vor sechs Monaten lautete die interessante Frage, ob offene Weltmodelle überhaupt konkurrenzfähig sein können. HY-Nomas antwortet, dass sie bei der Steuerung konkurrenzfähig sein können, während sie bei der Wiedergabetreue zurückliegen, und Genie 4 antwortet, dass die Obergrenze der Wiedergabetreue sich noch immer verschiebt. Keine der beiden Antworten entscheidet den Streit, weshalb es den Download gibt und die Warteliste lang ist.