Apollo World vs Hy-Nomas: píxeles que deben verse bien, sensores que deben estar bien

Muestra a dos personas el mismo clip de diez segundos de un coche que se aproxima a un cruce y ambas coincidirán en que se ve bien. Muéstralo a una pila de planificación y solo una versión será utilizable, porque la otra tiene un peatón cuya sombra apunta en la dirección equivocada, un bordillo 40 centímetros demasiado alto y ningún retorno lidar en absoluto. Esa brecha es toda la diferencia entre Apollo World y Hy-Nomas. Hy-Nomas es el modelo de mundo de vídeo interactivo de pesos abiertos de Tencent Hunyuan: un modelo de 8000 millones de parámetros que genera vídeo en 720p a partir de un mensaje de texto y una trayectoria de cámara, publicado bajo Apache 2.0 a finales de octubre de 2026. Apollo World es el simulador impulsado por agentes de Baidu, dado a conocer el 3 de noviembre de 2026, que emite observaciones de cámara y lidar de una ciudad virtual en la que el tráfico reacciona al vehículo en pruebas. A uno se le juzga a ojo. Al otro se le juzga por si el coche mejora al conducir.

Ambos se llaman legítimamente modelos del mundo. Solo uno de ellos puede descargarse esta tarde, y solo el otro está diseñado para alimentar un stack de percepción. Ese compromiso es el artículo.

La trampa de la fidelidad

Los modelos de mundo de vídeo se optimizan para lo que un espectador aceptará. No se trata de una crítica; es el objetivo correcto para un modelo generativo, y es la razón por la que Hy-Nomas puede producir un recorrido convincente por una calle que nunca ha visto. Pero la plausibilidad perceptiva y la coherencia física son metas distintas, y se separan justo donde habita la conducción autónoma.

Un modelo entrenado para predecir el siguiente fotograma aprende que los coches reducen la velocidad cerca de las intersecciones y que las sombras se alejan de una fuente de luz. No aprende, solo a partir de píxeles, que la distancia entre dos marcas viales es de 3,5 metros, que un pulso lidar regresa desde una carretera mojada con una intensidad concreta, o que un peatón que ya ha empezado a salir no puede teletransportarse de vuelta a la acera cuando el vehículo ego frena. Pídele un flujo de sensores y producirá algo que parece un flujo de sensores. Si los números que contiene están en unidades métricas es una pregunta aparte que el objetivo de entrenamiento nunca planteó.

El material de lanzamiento de Baidu gira en torno a esa objeción. Wang Liang, arquitecto jefe del Grupo de Conducción Inteligente de Baidu, dijo en el escenario que un modelo del mundo no debería ser un pintor que produce vídeos impresionantes, sino un examinador de la seguridad de la conducción, y la rúbrica «2+3» que siguió es explícitamente un filtro para modelos que parecen correctos sin serlo. La causalidad y la interactividad son las puertas; la precisión física, la persistencia y el rendimiento en tiempo real son las propiedades calificadas. Sea lo que sea la rúbrica, es una descripción del modo de fallo de un generador de vídeo aplicado a una pila de conducción.

Lo que Hy-Nomas realmente entrega

Hy-Nomas es un transformer de difusión autorregresivo por segmentos, no un generador de vídeo de una sola toma. Produce segmentos de longitud variable condicionados a un historial en caché, y así es como mantiene la coherencia a medida que la cámara se mueve: la «memoria del mundo» es una caché KV que se arrastra hacia delante y se actualiza a medida que se generan nuevos segmentos.

• Tamaño — aproximadamente 8 mil millones de parámetros repartidos en 54 bloques MMDiT de doble flujo con un tamaño oculto de 2048.

• Entradas — texto libre más una trayectoria continua de cámara, con un mejorador de prompts opcional, Nomas-PE, que reescribe prosa suelta en leyendas JSON estructuradas.

• Salida — 720 por 1280 a 24 fotogramas por segundo, usando un decodificador PixelUMM afinado sobre latentes DCAE-V, en ocho pasos de eliminación de ruido destilados.

• Pesos — tencent/Hy-Nomas en Hugging Face bajo Apache 2.0, alrededor de 196GB, con código en GitHub y una demo alojada.

• Hardware — un despliegue predeterminado requiere ocho GPU. Existe una opción con una sola RTX 4090 usando un DiT INT8 y caché KV, un decodificador FP8 y descarga a CPU, con aproximadamente 38 GB.

El informe técnico, arXiv 2610.36729, se publicó el 27 de octubre de 2026 y describe el truco que hace funcionar la interacción multiturno: las leyendas estructuradas se alinean con un patrón de atención causal consciente de las acciones, de modo que el contexto descriptivo persiste entre segmentos mientras que las instrucciones de acción quedan confinadas a la ventana en la que se emitieron. La evaluación es un benchmark de 280 casos en cuatro pistas —texto multiturno, navegación de cámara, texto y cámara intercalados, y memoria espacial— con comparaciones por pares humanas frente a Genie 3, LingBot-World v2 y Happy Oyster. Hy-Nomas gana en interacción y seguimiento de instrucciones, con una tasa de victoria reportada de alrededor del 65% en seguimiento de instrucciones, y pierde frente a Genie 3 en memoria espacial a largo plazo. Esas son las comparaciones de los autores en el benchmark de los autores, y son las afirmaciones más verificables de este artículo porque los pesos son públicos.

Lo que Apollo World no publica

La presentación de Apollo World fue una sesión informativa sobre capacidades, y las ausencias son tan reveladoras como las afirmaciones. No hay recuento de parámetros, ni arquitectura, ni artículo, ni tabla de benchmarks con líneas base con nombre, ni pesos, ni API, ni precio. Lo que sí dijo Baidu es que el modelo ya está respaldando las pruebas y la validación globales de Apollo Go, que puede cubrir alrededor de 100.000 kilómetros de conducción simulada al día —presentado como aproximadamente tres años de pruebas continuas por parte de un coche equipado con conductor de seguridad— y que Apollo Go opera en 28 ciudades con más de 23 millones de viajes, 350 millones de kilómetros autónomos y más de 240 millones de kilómetros totalmente sin conductor.

La cifra de 100.000 kilómetros es para tomarla con cautela. Es una cifra de la empresa que no se sustenta en ninguna medición externa, y la comparación en la que se basa —tres años de un coche de pruebas funcionando de forma continua— depende de un kilometraje anual supuesto que Baidu no indicó. Eso no la hace incorrecta. La hace no verificable, lo cual es algo distinto y más útil de saber.

Las afirmaciones de diseño, en cambio, son lo bastante específicas como para discutirlas. Cada participante del tráfico es un agente que decide, no un figurante que sigue un guion. La cámara y el lidar se generan en tiempo real. Los viajes se completan de extremo a extremo, desde que se acepta el pedido hasta que se entrega al pasajero, con orígenes y destinos arbitrarios. Y todo el conjunto está acotado por un ciclo de decisión de un trigésimo de segundo, unos 33 milisegundos, que es lo que hace que las propiedades de persistencia y latencia sean estructurales y no decorativas.

Aplicando la propia rúbrica de Baidu a Hy-Nomas

El ejercicio interesante no consiste en comparar a los dos en términos de marketing, sino en tomar las cinco propiedades de Apollo World y dirigirlas hacia el modelo que realmente existe.

Causalidad: Hy-Nomas pasa, en el sentido que Baidu le da. Es autorregresivo por segmentos y se condiciona sobre el historial, así que el futuro se genera a partir del presente en lugar de ensamblarse y rellenarse hacia atrás. Interactividad: parcialmente. Responde a instrucciones de texto y a movimientos de cámara, pero esos son comandos del director, no las acciones de otros agentes. Nada en la escena reacciona a nada más en la escena. Precisión física: no medida, e imposible de medir a partir del trabajo publicado, que evalúa frente a preferencia humana en lugar de una verdad fundamental métrica. Persistencia: este es el punto débil documentado — el propio artículo informa que queda por detrás de Genie 3 en memoria espacial a largo plazo, que es exactamente la propiedad de deriva que Baidu señala. Tiempo real: 24 fotogramas por segundo en ocho pasos destilados es rápido para un modelo de difusión, pero el despliegue de referencia son ocho GPU, y el presupuesto de 33 milisegundos no está en la misma conversación.

Nada de eso convierte a Hy-Nomas en un mal modelo. Lo convierte en un instrumento diferente. Juzgado como un mundo de vídeo interactivo —aquello para lo que fue creado—, es competitivo con los mejores disponibles y es abierto, algo que casi ninguno de sus competidores es. Juzgado como simulador de conducción, falla cuatro de las cinco pruebas de Baidu, y las fallaría incluso si los pesos fueran el doble de buenos.

Lo que cuesta ejecutar cada uno

Hy-Nomas tiene un precio que puedes calcular. Los pesos son gratuitos bajo Apache 2.0; el coste es la máquina. Una sola 4090 que ejecuta la ruta cuantizada necesita unos 38 GB de memoria una vez contabilizado el offload a CPU, y produce 720p a 24 fotogramas por segundo. El despliegue de referencia con ocho GPU es la versión que describen los benchmarks. Si estás generando unos cientos de clips para una pregunta de investigación, una tarjeta es suficiente; si estás generando un corpus de entrenamiento, la factura de la luz es la cuota de la licencia.

Apollo World no tiene un precio calculable porque no está en venta. La única afirmación honesta es que Baidu no ha publicado condiciones comerciales, y el despliegue descrito forma parte de su propia operación de robotaxi.

Para los equipos que construyen en torno a cualquiera de los dos, la cuestión del enrutamiento es independiente de la cuestión del modelo. Ni Apollo World ni Hy-Nomas están en el catálogo de OrcaRouter —uno es interno de Baidu, el otro es un modelo de vídeo que alojas tú mismo—, y este artículo no va a fingir lo contrario. Lo que sí ofrecemos es la capa que evalúa y orquesta este tipo de salida: un juez de visión y lenguaje que puntúa los clips generados, un planificador que convierte una pregunta de investigación en un lote de prompts, un modelo de respaldo para cuando el principal está limitado por tasa. Eso es una API sobre más de 200 modelos con 0 % de margen, con el precio de lista del proveedor aplicado tal cual, lo que importa sobre todo cuando ejecutas miles de llamadas al juez contra la salida de un modelo de 196 GB.

¿Cuál pertenece a tu stack?

Si quieres explorar un entorno generado, dirigir una cámara a través de él e iterar sobre una escena en un navegador, Hy-Nomas es la mejor respuesta y ya está disponible. La licencia abierta no es una formalidad: te permite afinar, cuantizar y distribuir, algo que no se puede decir de la mayoría de los modelos de mundo interactivos, incluidos aquellos a los que supera en seguimiento de instrucciones.

Si estás validando una política de conducción, Hy-Nomas no sustituye a un simulador ni lo hará por mucho que mejores las indicaciones. El uso correcto de Apollo World es como especificación: la rúbrica 2+3 es un conjunto de preguntas que puedes plantear a cualquier proveedor de simuladores y, en particular, la pregunta sobre la persistencia —cuál es la deriva en una ejecución de diez horas— es la que separa un banco de pruebas de un carrete de demostración.

La convergencia que hay que observar es un modelo del mundo en vídeo que emite profundidad métrica y lidar junto con RGB, entrenado con una pérdida de consistencia física en lugar de una perceptiva. Los autores de Hy-Nomas ya condicionan según trayectorias de cámara de una manera geométricamente significativa; añadir una cabeza de sensores es el siguiente paso obvio y nadie lo ha publicado. Hasta que alguien lo haga, la división es clara: Hy-Nomas crea mundos que se pueden mirar, Apollo World crea mundos en los que se puede evaluar un coche, y la brecha entre esas dos frases es donde se sitúa el trabajo del próximo año.