Hy-Nomas vs. Hunyuan3D WorldClaw: Dasselbe Labor, zwei Arten von Welt

Die Hunyuan-Gruppe von Tencent brachte innerhalb von drei Monaten zwei Dinge heraus, die beide als Weltmodell bezeichnet werden – und sie sind sich in fast allem uneinig. Hunyuan3D WorldClaw, veröffentlicht im August 2026, ist eigentlich gar kein Modell: Es ist eine vierstufige agentische Pipeline, die mit LLM-Agenten eine Szene plant, Gelände erzeugt, einzelne Objekte als texturierte Meshes rekonstruiert und dann einen Vision-Agenten das Ergebnis rendern und Fehler korrigieren lässt. Hy-Nomas, veröffentlicht am 23. Oktober 2026, ist ein einzelner segment-autoregressiver Diffusions-Transformer, der steuerbare Videos rendert und seine Gewichte unter Apache 2.0 bereitstellt. Das eine baut aus einem Satz ein editierbares 3D-Asset. Das andere rendert aus einer Unterhaltung eine kontinuierliche Welt.

Der Vergleich lohnt sich gerade deshalb, weil sie sich ein Labor teilen. Es ist ein sauberes natürliches Experiment zu zwei Strategien: Frontier-Modelle zu einer Pipeline zu orchestrieren oder ein einziges Modell darauf zu trainieren, das Ganze zu erledigen. Die beiden Veröffentlichungen kehren sich zudem in puncto Offenheit gegenseitig um – die mit dem aufwendigeren Engineering-Stack veröffentlichte keinen Code, und die, die aus einem einzigen Modell besteht, veröffentlichte alles.

Ein Modell und eine Pipeline sind unterschiedliche Arten von Artefakten.

Die Arbeit von WorldClaw beschreibt einen Router. Das System orchestriert mehrere Frontier-Modelle, statt selbst die Generierung zu übernehmen: LLM-Agenten für die Planung, ein Bildmodell für regionale Composite-Darstellungen, ein Segmentierungsmodell, Tencent's eigenes Hunyuan3D für die Mesh-Rekonstruktion und Blender, das über MCP zur Montage angesteuert wird. Die Arbeit nennt Claude Opus 4.8 als Planer sowie GPT-Image-2 und SAM3D unter den regionalen Komponenten. Ihr Beitrag ist die Choreografie – die Zerlegung vom Globalen ins Regionale und die rendergestützte Reparaturschleife –, nicht ein neues generatives Rückgrat.

Hy-Nomas ist die Gegenwette. Ein 54-Block-Dual-Stream-MMDiT, Hidden-Size 2.048, ein Qwen2.5-VL-7B-Instruct-Textencoder, Kamerakonditionierung über Cross-Attention und ein lebenslanger KV-Cache. Es gibt keinen Planer, keine Segmentierungsstufe und keinen externen Renderer im Loop. Das Modell ist das System.

Dieser Unterschied erklärt die Fehlermodi. Eine Pipeline erbt die Schwächen jeder Komponente, die sie aufruft, und kann Komponente für Komponente repariert werden. Ein einzelnes Modell hat ein kohärentes Weltbild und keine Nahtstelle zwischen den Stufen, aber jede Schwäche ist in die Gewichte eingebrannt und kann nur durch Neutraining oder durch ein LoRA behoben werden.

Was die vier Stufen von WorldClaw tatsächlich tun

Stufe eins ist Absichtsanalyse und Szenenplanung. Zwei LLM-Agenten teilen sich die Aufgabe: Der eine extrahiert nur die Vorgaben, die der Nutzer tatsächlich genannt hat, der andere ergänzt die Details, um eine strukturierte Szenenspezifikation zu erstellen, die Regionen, Gelände, Objekte und räumliche Beziehungen umfasst. Die Aufteilung ist eine sinnvolle Absicherung gegen den üblichen Fehler eines einzelnen Planers, nämlich Anforderungen zu erfinden und sie dann zu erfüllen.

Stufe zwei erzeugt globales Terrain: eine semantische Layout-Karte, regionsbewusste Höhenfelder sowie Materialien, Felsen und Vegetation, die pro Region zugewiesen werden. Stufe drei rendert jede Region in ein 2D-Komposit, segmentiert die Instanzen, rekonstruiert jede einzelne über Hunyuan3D als texturiertes Mesh und platziert sie wieder auf dem Terrain. Stufe vier ist die interessante — ein Vision-Agent rendert die zusammengesetzte Szene aus mehreren Blickwinkeln und sucht nach schwebenden Objekten, Durchdringungen, falscher Größe und falscher Pose, dann iteriert er. Die Assemblierung erfolgt in Blender über MCP.

Die Ausgabe besteht aus expliziten, texturierten, individuell editierbaren Meshes, die sich in eine Spiel-Engine exportieren lassen. Das ist ein grundlegend anderes Ergebnis als ein Video: Jeder Baum ist ein Objekt, jedes Objekt hat eine Transformation, und ein Level-Designer kann eines verschieben, ohne die Welt neu zu rendern.

Meshes, die du bearbeiten kannst, oder Videos, die du steuern kannst

Die Ausgabe von Hy-Nomas ist ein 720 × 1280 Video mit 24 FPS, generiert in Segmenten mit acht Denoising-Schritten in der destillierten Konfiguration. Man kann es nicht in Blender öffnen. Man kann es jedoch mitten in der Sitzung umlenken: Freitext dafür, was in der Welt vorhanden ist, Kamera-Extrinsics dafür, wohin die Aufnahme geht, und ein KV-Cache, der die früheren Segmente mit der neuen Anweisung konsistent hält. Die Bearbeitung ist dialogisch und erfolgt, bevor das nächste Segment gerendert wird.

WorldClaws Ausgabe ist im Nachhinein bearbeitbar. Man erhält Geometrie, und die Bearbeitung ist räumlich – das Objekt verschieben, den Baum neu skalieren, die Region neu rendern. Was man nicht tun kann, ist, sich mit der Welt zu unterhalten, während sie rendert. Die Pipeline läuft bis zum Abschluss, dann arbeitet man am Asset.

• Ausgabe — Hy-Nomas steuerbares 720 × 1280 Video vs. Hunyuan3D WorldClaw explizite texturierte Meshes in einer Szene

• Arbeitseinheit — Hy-Nomas: ein auf Anfrage gerendertes Segment vs. Hunyuan3D WorldClaw: eine ganze Welt, in vier Stufen generiert

• Bearbeitung — Hy-Nomas-Text- und Kameraanweisungen zwischen Segmenten vs. direkte Manipulation von Meshes durch Hunyuan3D WorldClaw nach der Generierung

• Engine — Hy-Nomas: ein Diffusion-Transformer vs. Hunyuan3D WorldClaw, ein orchestrierter Stack von Frontier-Modellen plus Blender

• Hardware — standardmäßig 8 GPUs bei Hy-Nomas, eine RTX 4090 im INT8-Low-Memory-Pfad gegenüber Hunyuan3D WorldClaw mit 4 × NVIDIA H20

Veröffentlichung — Hy-Nomas Apache-2.0-Gewichte, Code und Benchmark-Datensatz im Vergleich zu Hunyuan3D WorldClaw: ein Paper, eine Projektseite und eine README ohne Code oder Gewichte

Die Kosten einer agentischen Welt

Die Compute-Story von WorldClaw ist keine GPU-Stunden-Zahl im üblichen Sinn. Sie besteht aus vier H20s plus einer großen Zahl von Aufrufen von Frontier-Modellen: Planungs-Token, Bildgenerierung pro Region, Segmentierung pro Instanz, Mesh-Rekonstruktion pro Objekt und wiederholte Vision-Agent-Renderings während der Verfeinerung. Die Grenzkosten einer Welt werden von diesen Aufrufen dominiert, und das Paper veröffentlicht keinen Preis. Community-Rebuilds, die gehostete Bild- und 3D-Endpunkte als Ersatz nutzen, berichten von etwa fünfzig Cent und einigen Minuten pro Welt, was eine nützliche Größenordnung, aber keine Herstellerangabe ist.

Die Kosten von Hy-Nomas sind konventioneller: standardmäßig acht GPUs mit achtfachem Sequenzparallelismus oder eine RTX 4090 mit INT8-DiT-Gewichten, einem INT8-KV-Cache, Sliding-Window-Historie, CPU-Offload, FlexAttention und einem CUTLASS-FP8-Decoder. Der vollständige Checkpoint-Satz umfasst etwa 196 GB; der dokumentierte Demo-Pfad lädt etwa 86 GB herunter, und der Low-Memory-Pfad benötigt ungefähr 38 GB plus den Textencoder. Es gibt keinen gehosteten Preis, da es keinen gehosteten Dienst gibt.

Der entscheidende Vergleich gilt nicht Dollar pro Welt, sondern wohin das Geld fließt. WorldClaw gibt Tokens und API-Aufrufe aus, deren Kosten sinken, wenn die Preise für Frontier-Modelle fallen. Hy-Nomas gibt GPU-Auslastung aus, deren Kosten nicht sinken. Eine Pipeline wird auf der Kostenkurve eines anderen billiger; ein Modell wird erst billiger, wenn jemand es destilliert.

• Hy-Nomas-Kostentreiber — GPU-Stunden pro Generierungssitzung, keine Abrechnung pro Aufruf

• WorldClaw-Kostentreiber — Aufrufe von Frontier-Modellen für Planung, Bildgebung, Segmentierung, Rekonstruktion und Reparatur, plus 4 × H20

• Hy-Nomas-Skalierungshebel — Distillation und LoRA, beide bereits im Release

• WorldClaw-Skalierungshebel – günstigere Komponentenmodelle und weniger Reparaturdurchläufe

WorldClaw ist auch das klarste Argument für eine Routing-Schicht, das dieser Batch enthält, denn genau das ist es. Sein Planer ruft ein Modell auf, seine regionale Stufe ein anderes, seine Rekonstruktionsstufe ein drittes, und das Ganze ist eine Routing-Richtlinie mit angehängtem Renderer. OrcaRouter erledigt dieselbe Aufgabe für gehostete Modelle — 200+ Modelle hinter einem Schlüssel, Anbieter-Listenpreis durchgereicht mit 0 % Aufschlag, automatisches Failover und eine Routing-DSL, die mehrere Modelle zu einem Aufruf zusammenfügt, mit Modell-Fusion, wenn Sie eher ein Panel als eine Kette wollen. Weder Hy-Nomas noch WorldClaw sind in unserem Katalog, und wir werden nicht so tun, als sei ein selbst gehostetes Weltmodell ein Endpunkt; was wir routen, ist die Schicht, von der WorldClaw zeigt, dass man sie braucht.

Offenheit ist invertiert

Das ist der seltsamste Teil des Paares. WorldClaw ist das aufwendigere System – eine mehrstufige agentische Pipeline mit einem veröffentlichten Paper und einer Projektseite –, und das offizielle GitHub-Repository enthält ein README, das Paper und Projekt-Assets. Kein Code, keine Gewichte, keine API, keine Preisangaben. Ein Issue, das nach dem Code fragt, ist unbeantwortet geblieben. Öffentlich existieren nur Community-Reimplementierungen, die die Pipeline auf gehosteten Endpunkten nachbauen, was ein Beleg für die Klarheit des Papers und kein Ersatz für die Veröffentlichung ist.

Hy-Nomas ist das einfachere System und das offenere: Apache 2.0, vollständige Checkpoints auf Hugging Face, Inferenz- und Trainingscode auf GitHub, ein Captioning-Harness, ein LoRA-Trainer, ein Merge-Skript und der Benchmark-Datensatz mit 280 Fällen. Der technische Bericht fehlt, und für den Benchmark gibt es keine Scores, aber das Artefakt ist vollständig genug, um es zu reproduzieren und zu verändern.

Für alle, die etwas bauen wollen, entscheidet diese Umkehrung mehr als die Architektur. Eine Pipeline, die sich nicht ausführen lässt, ist ein Designdokument. Ein Modell, das sich ausführen lässt, ist ein Ausgangspunkt, selbst wenn seine Bewertung ein unbeschriebenes Blatt ist.

Zu welchem greifen

Greifen Sie auf den Ansatz von Hunyuan3D WorldClaw zurück, wenn das Ergebnis ein Level ist: eine große, erkundbare, editierbare 3D-Umgebung, die in eine Game-Engine integriert und von einem Menschen verändert werden muss. Beachten Sie, dass Sie sie anhand des Papers nachbauen werden, da Tencent sie nicht veröffentlicht hat, und dass ihre Qualitätsaussagen qualitativ sind – das Paper vergleicht mit SynCity, World Labs' Marble, MajutsuCity, Metas WorldGen und GPT-5.6 Sol ohne FID, CLIP oder eine Nutzerstudie.

Greifen Sie zu Hy-Nomas, wenn als Ergebnis Filmmaterial oder eine Trainingsumgebung herauskommen soll: Previs, synthetisches Video, ein Robotik-Szenengenerator, den Sie mit dem mitgelieferten Robotics LoRA anpassen wollen. Beachten Sie, dass die Behauptung zur Konsistenz über lange Horizonte ein Designargument plus eine Demo ist, kein Score, und dass ein einzelner 4090-Lauf möglich ist, aber Offload-Overhead mit sich bringt.

Und wenn Sie beides brauchen – eine editierbare Welt und steuerbares Filmmaterial davon –, dann ist die ehrliche Antwort, dass kein einzelner Tencent-Release Ihnen das heute bietet. WorldClaw erzeugt Geometrie, die man nicht im Dialog animieren kann. Hy-Nomas erzeugt Video, das man nicht exportieren kann. Die Lücke zwischen beiden ist das Produkt, das noch niemand auf den Markt gebracht hat, und es ist interessanter zu beobachten als jedes der beiden Modelle für sich genommen.