Genie 4 vs Hunyuan3D WorldClaw: ¿Un vídeo de un mundo o los archivos de malla del mundo?

Uno de estos te entrega un MP4 y el otro te entrega un grafo de escena. Esa es toda la comparación, y todo lo demás se deriva de ella. Genie 4, el modelo del mundo de Google DeepMind anunciado el 27 de octubre de 2026, genera en tiempo real un mundo fotorrealista, con sonido y controlable mediante texto, y te lo muestra como vídeo. Hunyuan3D WorldClaw, publicado por el equipo Hunyuan3D de Tencent en agosto de 2026, produce mallas texturizadas explícitas y editables individualmente que puedes abrir en Unity o Unreal y conservar. Si tu trabajo termina cuando se aprueba la toma, Genie 4 es el objeto más impresionante. Si tu trabajo empieza cuando se aprueba la toma, WorldClaw es el único de los dos que te da algo con lo que trabajar.

Ambos son artefactos de investigación más que productos, y ambos son más difíciles de conseguir de lo que sugieren sus demos. Pero fallan en direcciones distintas, y saber con qué fallo puedes convivir es toda la decisión.

La prueba del entregable

Pregunta qué sobrevive a la sesión y la brecha se vuelve concreta.

• Salida — Genie 4 devuelve fotogramas de vídeo generados con audio generado sincronizado; Hunyuan3D WorldClaw devuelve mallas 3D texturizadas con terreno, materiales y objetos colocados.

• Editabilidad — Genie 4 se edita mediante prompts a la simulación mientras se ejecuta; la salida de WorldClaw se edita como geometría, en una herramienta de modelado, por una persona o un script.

• Uso posterior — la salida de Genie 4 se consume como metraje; la de WorldClaw la consume un motor de juego, un renderizador o un simulador físico.

• Determinismo: una ejecución de Genie 4 no es reproducible fotograma a fotograma; una malla es un archivo que permanece idéntico.

• Audio — nativo en Genie 4; no forma parte del pipeline de WorldClaw.

• Acceso — Genie 4 es una vista previa de investigación con acceso restringido; WorldClaw es un artículo con un repositorio que aún no contiene código ejecutable.

Hay una razón por la que los modelos de video son los que se vuelven virales y los pipelines de mallas son los que llegan a producción. Un video lo entiende cualquiera en cinco segundos. Una malla solo la entiende alguien que sabe qué haría con ella, y esa persona suele ser la que controla el presupuesto.

Lo que realmente hacen las cuatro etapas de WorldClaw

WorldClaw no es una sola red. Es un pipeline agéntico que descompone «constrúyeme un mundo a partir de esta frase» en cuatro etapas, y la descomposición es la contribución.

La primera etapa es el análisis de intención y la planificación de la escena: agentes basados en modelos de lenguaje analizan la instrucción abierta y la convierten en una especificación estructurada que abarca regiones, terreno, objetos, materiales y relaciones espaciales. La segunda genera el terreno global: un mapa de distribución semántica más un campo de altura sensible a las regiones, con materiales y recursos asignados por región. La tercera realiza la generación regional de objetos: se segmentan composiciones bidimensionales condicionadas por el terreno, cada instancia se reconstruye como una malla texturizada individual y esas mallas se colocan sobre el terreno. La cuarta es el refinamiento basado en renderizado: un agente de visión renderiza la escena desde múltiples puntos de vista, inspecciona el resultado en busca de objetos flotantes, interpenetraciones y errores de escala y de pose, los corrige y vuelve a renderizar. El ensamblaje se lleva a cabo en Blender mediante el Model Context Protocol.

Ese último bucle es la ingeniería interesante. Un modelo generativo que no puede ver su propia salida es una máquina tragamonedas. Un pipeline que renderiza, inspecciona y corrige es un proceso —y el paso de corrección es de donde proviene la mayor parte de la calidad percibida en una escena grande, porque los modos de fallo de los assets 3D colocados son geométricos y, por tanto, detectables, en lugar de estéticos y, por tanto, discutibles.

La configuración del propio artículo es una pila de modelos de terceros: Claude Opus 4.8 dirigiendo los agentes, GPT-Image-2 más SAM3D para la segmentación, Hunyuan3D para la reconstrucción, ejecutándose en cuatro GPU NVIDIA H20. WorldClaw se entiende mejor como una capa de orquestación sobre generadores existentes que como un nuevo modelo generativo, lo cual es a la vez su fortaleza —mejora a medida que mejoran sus componentes— y su fragilidad, ya que cualquier cambio en el comportamiento de un componente cambia la salida de la pipeline.

Por qué una malla vale más que un vídeo, y cuesta más

Un vídeo de un mundo es una afirmación sobre un mundo. Una malla es el mundo, o al menos la parte suficiente de él para empezar a construir. Esa diferencia se nota en todas las tareas posteriores: colisión, oclusión, iluminación, física, diseño de niveles y el trabajo habitual de mover un edificio dos metros a la izquierda porque la línea de visión no es la correcta.

Ninguna de esas operaciones es posible sobre la salida de Genie 4. Puedes indicarle a la simulación que cambie, y generará un nuevo conjunto de fotogramas que puede que respete o no la restricción que tenías en mente, y el cambio no persistirá más allá de la ventana de coherencia de dos minutos que cita DeepMind. El modelo no pretende lo contrario; sus casos de uso declarados son la previsualización, la creación de prototipos y el entrenamiento de robots, todos los cuales consumen mundos en lugar de construir sobre ellos.

El costo del enfoque de WorldClaw es igualmente claro. Cuatro etapas, múltiples agentes, un renderizador externo y un ida y vuelta por Blender implican de minutos a horas por mundo en lugar de segundos, y la canalización puede fallar en cualquier etapa: un error de segmentación se propaga a un objeto mal colocado, que la etapa de refinamiento puede corregir o no. Los modos de fallo de Genie 4 son más suaves: un detalle que se desvía es molesto, un edificio flotante está roto.

La disponibilidad en ambos lados es peor de lo que sugieren las demostraciones

Ninguno de los dos modelos es algo que puedas adoptar este trimestre, y las razones son distintas.

Genie 4 es una vista previa de investigación para probadores de confianza. Google afirma que los suscriptores de AI Ultra lo recibirán a través de Project Genie y que los socios de acceso anticipado podrán acceder a él mediante la Gemini API y Google AI Studio "en las próximas semanas". Hay una lista de espera, no hay precio, no se ha publicado la resolución ni la tasa de fotogramas, y no hay condiciones comerciales.

WorldClaw está más lejos de ser utilizable en un aspecto concreto: el repositorio en Tencent-Hunyuan/Hunyuan3D-WorldClaw contiene un README y recursos, no código. Una solicitud para obtener el código ha quedado sin respuesta. No hay pesos, ni API, ni precios. Lo que existe es el artículo, el anuncio y una serie de demostraciones.

Así que la comparación para un profesional a finales de octubre de 2026 es entre una lista de espera y un repositorio que no se ejecutará. Eso no es una crítica a ninguno de los dos equipos —los artículos preceden a las versiones—, pero sí significa que cualquier artículo que te diga que "elijas" entre ellos está describiendo una adquisición futura, no una actual.

Qué le dicen las secciones de evaluación

El artículo de WorldClaw evalúa su resultado mediante una comparación cualitativa lado a lado con SynCity, WorldGen de Meta, MajutsuCity y Marble de World Labs. No hay puntuaciones FID ni CLIP, ni un estudio de usuarios. Eso es una limitación real y también es honesto: la calidad de escenas 3D a gran escala es realmente difícil de puntuar, y una métrica cuantitativa que recompensara un eje tergiversaría los demás.

El lanzamiento de Genie 4 no publicó ningún benchmark en absoluto —ninguna comparación con Genie 3 más allá de la ventana de coherencia duplicada, ni resolución, ni velocidad de fotogramas. Ninguna de las dos partes ha dado a un tercero una cifra que comprobar. En una categoría en la que todos los proveedores muestran demos seleccionadas, la ausencia de medición es la condición compartida, y debería atemperar cualquier veredicto confiado que leas en cualquier parte, incluida esta.

Donde el pipeline mismo se convierte en el producto

La parte de WorldClaw que vale la pena robar no es la generación 3D —eso es una pila de componentes—, sino el patrón: planificar con un modelo de lenguaje, generar con especialistas, verificar con un modelo de visión, reparar, repetir. Ese patrón se está reconstruyendo ahora mismo en cada estudio que quiere generación de mundos controlable, y es casi por completo un problema de orquestación.

Y ahí es donde aterriza la cuestión de la infraestructura. Una pipeline con esa forma hace docenas de llamadas a modelos por mundo, a través de al menos tres modalidades, y el fallo de cualquiera de esas llamadas detiene la ejecución. Ejecutarla a través de un único endpoint con failover automático significa que un proveedor que se atasca se convierte en un reintento en lugar de un trabajo perdido, y un DSL de enrutamiento te permite fijar el modelo caro en la etapa de planificación y uno más barato en las pasadas de verificación por objeto, que es donde se va la mayor parte de los tokens. Esa es la capa que construimos —una sola API para más de 200 modelos, con los precios de lista de los proveedores trasladados con un margen del 0%— y es deliberadamente agnóstica al modelo, porque los componentes de una pipeline como la de WorldClaw se reemplazarán varias veces antes de que la propia pipeline se estabilice.

Cuál ver

Si haces películas, prototipos o entornos de formación y necesitas algo este trimestre, sigue los anuncios de acceso de Genie 4 y crea prototipos de las herramientas complementarias con un modelo al que ya puedas llamar. El audio y el control del lenguaje son capacidades que ninguna otra opción de esta comparativa tiene, y el límite de dos minutos es una restricción que puedes tener en cuenta al diseñar.

Si haces juegos, simulaciones o cualquier cosa que se distribuya como un recurso, la forma de WorldClaw es la que te importa, aunque su código todavía no exista. En el momento en que Tencent lo lance, un pipeline que produzca mallas editables dentro de un motor de juegos vale más que mil vídeos preciosos, porque el vídeo es el final del trabajo y la malla es el principio.