Hy-Nomas vs Hunyuan3D WorldClaw: Mismo laboratorio, dos tipos de mundo

El grupo Hunyuan de Tencent lanzó dos cosas llamadas modelo del mundo con tres meses de diferencia, y no concuerdan en casi nada. Hunyuan3D WorldClaw, publicado en agosto de 2026, no es realmente un modelo en absoluto: es un pipeline agéntico de cuatro etapas que planifica una escena con agentes LLM, genera terreno, reconstruye objetos individuales como mallas texturizadas y luego hace que un agente de visión renderice el resultado y corrija lo que parece estar mal. Hy-Nomas, lanzado el 23 de octubre de 2026, es un único transformer de difusión autorregresivo por segmentos que renderiza video controlable y distribuye sus pesos bajo Apache 2.0. Uno construye un activo 3D editable a partir de una frase. El otro renderiza un mundo continuo a partir de una conversación.

La comparación vale la pena precisamente porque comparten laboratorio. Es un experimento natural limpio entre dos estrategias: orquestar modelos frontera en un pipeline, o entrenar un solo modelo para que lo haga todo. Los dos lanzamientos además se invierten mutuamente en cuanto a apertura: el que tiene el stack de ingeniería más pesado no publicó código, y el que es un único modelo lo publicó todo.

Un modelo y un pipeline son tipos distintos de artefacto

El artículo de WorldClaw describe un enrutador. El sistema orquesta varios modelos de frontera en lugar de realizar la generación por sí mismo: agentes LLM para la planificación, un modelo de imagen para composiciones regionales, un modelo de segmentación, Hunyuan3D propio de Tencent para la reconstrucción de mallas y Blender controlado mediante MCP para el ensamblaje. El artículo nombra a Claude Opus 4.8 como planificador y a GPT-Image-2 y SAM3D entre los componentes regionales. Su contribución es la coreografía —la descomposición global-a-regional y el bucle de reparación basado en renderizado—, no una nueva arquitectura generativa de base.

Hy-Nomas es la apuesta opuesta. Un MMDiT de doble flujo de 54 bloques, tamaño oculto 2.048, un codificador de texto Qwen2.5-VL-7B-Instruct, acondicionamiento de cámara mediante atención cruzada y una caché KV de por vida. No hay planificador, ni etapa de segmentación, ni renderizador externo en el bucle. El modelo es el sistema.

Esa diferencia explica los modos de fallo. Una pipeline hereda las debilidades de cada componente que invoca y puede repararse componente a componente. Un modelo único tiene una sola visión del mundo coherente y ninguna costura entre etapas, pero cualquier debilidad queda incrustada en los pesos y solo puede corregirse reentrenando o mediante una LoRA.

Qué hacen realmente las cuatro etapas de WorldClaw

La primera etapa es el análisis de la intención y la planificación de la escena. Dos agentes LLM se reparten el trabajo: uno extrae únicamente las restricciones que el usuario ha indicado realmente, y el otro completa los detalles para producir una especificación estructurada de la escena que abarque regiones, terreno, objetos y relaciones espaciales. Esta división constituye una defensa sensata contra el fallo habitual de un único planificador, que consiste en inventar requisitos y luego satisfacerlos.

La etapa dos genera el terreno global: un mapa de distribución semántica, campos de altura sensibles a la región, y materiales, rocas y vegetación asignados por región. La etapa tres renderiza cada región en una composición 2D, segmenta las instancias, reconstruye cada una como una malla texturizada mediante Hunyuan3D y la vuelve a colocar sobre el terreno. La etapa cuatro es la interesante: un agente de visión renderiza la escena ensamblada desde múltiples puntos de vista y busca objetos flotantes, interpenetración, escala incorrecta y pose incorrecta, y luego itera. El ensamblaje ocurre en Blender a través de MCP.

El resultado son mallas explícitas, texturizadas y editables individualmente que se exportan a un motor de juego. Eso es un entregable genuinamente distinto de un vídeo: cada árbol es un objeto, cada objeto tiene una transformación, y un diseñador de niveles puede mover uno sin volver a renderizar el mundo.

Mallas que puedes editar o vídeo que puedes controlar

La salida de Hy-Nomas es un vídeo de 720 × 1280 a 24 FPS, generado en segmentos con ocho pasos de eliminación de ruido en la configuración destilada. No puedes abrirlo en Blender. Sin embargo, puedes redirigirlo a mitad de sesión: texto libre para describir lo que hay en el mundo, parámetros extrínsecos de cámara para hacia dónde se dirige la toma, y una KV cache que mantiene los segmentos anteriores coherentes con la nueva instrucción. La edición es conversacional y ocurre antes de que se renderice el siguiente segmento.

La salida de WorldClaw es editable a posteriori. Obtienes geometría, y la edición es espacial: mover el objeto, reescalar el árbol, volver a renderizar la región. Lo que no puedes hacer es mantener una conversación con el mundo mientras este se renderiza. El pipeline se ejecuta hasta completarse y luego trabajas sobre el activo.

• Salida — vídeo dirigible Hy-Nomas de 720 × 1280 frente a mallas texturizadas explícitas de Hunyuan3D WorldClaw en una escena

• Unidad de trabajo — Hy-Nomas, un segmento renderizado a petición, frente a Hunyuan3D WorldClaw, un mundo completo generado en cuatro etapas

• Edición — instrucciones de texto y cámara de Hy-Nomas entre segmentos frente a la manipulación directa de mallas de Hunyuan3D WorldClaw después de la generación

• Motor — Hy-Nomas: un transformer de difusión frente a Hunyuan3D WorldClaw: una pila orquestada de modelos de frontera más Blender

• Hardware — Hy-Nomas 8 GPUs por defecto, una RTX 4090 en la ruta de baja memoria INT8 frente a Hunyuan3D WorldClaw 4 × NVIDIA H20

Lanzamiento — pesos, código y conjunto de datos de benchmark de Hy-Nomas Apache 2.0 frente a Hunyuan3D WorldClaw: un artículo, una página de proyecto y un README sin código ni pesos

El costo de un mundo agéntico

La historia de cómputo de WorldClaw no es un número de horas de GPU en el sentido habitual. Son cuatro H20 más una gran cantidad de llamadas a modelos de frontera: tokens de planificación, generación de imágenes por región, segmentación por instancia, reconstrucción de malla por objeto y renders repetidos del agente de visión durante el refinamiento. El coste marginal de un mundo está dominado por esas llamadas, y el artículo no publica un precio. Las reconstrucciones de la comunidad que sustituyen los endpoints alojados de imagen y 3D reportan aproximadamente cincuenta centavos y unos pocos minutos por mundo, lo que constituye un orden de magnitud útil, pero no una cifra del proveedor.

El costo de Hy-Nomas es más convencional: ocho GPU con paralelismo de secuencia de ocho vías de forma predeterminada, o una RTX 4090 con pesos DiT INT8, una caché KV INT8, historial de ventana deslizante, descarga a CPU, FlexAttention y un decodificador FP8 CUTLASS. El conjunto completo de checkpoints es de unos 196 GB; la ruta de demostración documentada descarga unos 86 GB, y la ruta de baja memoria necesita aproximadamente 38 GB más el codificador de texto. No existe un precio de servicio alojado porque no hay servicio alojado.

La comparación que importa no es dólares por mundo, sino a dónde va el dinero. WorldClaw gasta en tokens y llamadas a la API, que bajan a medida que caen los precios de los modelos de frontera. Hy-Nomas gasta en ocupación de GPU, que no baja. Un pipeline se abarata con la curva de otro; un modelo solo se abarata cuando alguien lo destila.

• El factor de costo de Hy-Nomas — horas de GPU por sesión de generación, sin facturación por llamada

• Factor de coste de WorldClaw — llamadas a modelos de frontera para planificación, imágenes, segmentación, reconstrucción y reparación, además de 4 × H20

• Palanca de escalado de Hy-Nomas — destilación y LoRA, ambos ya en la versión.

• Palanca de escalado de WorldClaw — modelos de componentes más económicos y menos iteraciones de reparación

WorldClaw es también el argumento más claro a favor de una capa de enrutamiento de cuantos contiene este lote, porque lo es. Su planificador llama a un modelo, su etapa regional llama a otro, su etapa de reconstrucción llama a un tercero, y todo el conjunto no es más que una política de enrutamiento con un renderizador incorporado. OrcaRouter hace la misma labor con los modelos alojados — más de 200 modelos tras una sola clave, el precio de lista del proveedor repercutido con 0 % de margen, conmutación por error automática y un DSL de enrutamiento que combina varios modelos en una sola llamada, con fusión de modelos disponible cuando quieres un panel en lugar de una cadena. Ni Hy-Nomas ni WorldClaw están en nuestro catálogo, y no vamos a fingir que un modelo del mundo autoalojado es un endpoint; lo que enrutamos es la capa que WorldClaw demuestra que necesitas.

La apertura está invertida

Esta es la parte más extraña del par. WorldClaw es el sistema más elaborado: un pipeline agéntico de varias etapas con un artículo publicado y una página de proyecto, y el repositorio oficial de GitHub contiene un README, el artículo y los recursos del proyecto. Sin código, sin pesos, sin API, sin precios. Un issue en el que se pedía el código ha quedado sin respuesta. Lo que existe públicamente son reimplementaciones de la comunidad que reconstruyen el pipeline sobre endpoints alojados, lo cual es una prueba de la claridad del artículo y no un sustituto del lanzamiento.

Hy-Nomas es el sistema más simple y el más abierto: Apache 2.0, checkpoints completos en Hugging Face, código de inferencia y entrenamiento en GitHub, un arnés de captioning, un entrenador LoRA, un script de fusión y el conjunto de datos de referencia de 280 casos. Falta el informe técnico y el benchmark no tiene puntuaciones, pero el artefacto es lo bastante completo como para reproducirlo y modificarlo.

Para cualquiera que planee construir algo, esa inversión decide más que la arquitectura. Un pipeline que no puedes ejecutar es un documento de diseño. Un modelo que puedes ejecutar es un punto de partida, incluso cuando su evaluación es una página en blanco.

Cuál elegir

Recurre al enfoque de Hunyuan3D WorldClaw cuando el entregable sea un nivel: un entorno 3D grande, explorable y editable que tenga que integrarse en un motor de juego y ser modificado por una persona. Ten en cuenta que tendrás que reconstruirlo a partir del artículo, porque Tencent no lo ha publicado, y que sus afirmaciones sobre la calidad son cualitativas: el artículo se compara con SynCity, Marble de World Labs, MajutsuCity, WorldGen de Meta y GPT-5.6 Sol sin FID, CLIP ni un estudio de usuarios.

Recurre a Hy-Nomas cuando el entregable sea metraje o un entorno de entrenamiento: previsualización, vídeo sintético, un generador de escenas de robótica que tengas la intención de adaptar con el Robotics LoRA incluido. Ten en cuenta que la afirmación de consistencia a largo horizonte es un argumento de diseño más una demo, no una puntuación, y que una ejecución con una sola 4090 es posible, pero conlleva sobrecarga de offload.

Y si necesitas ambas cosas —un mundo editable y metraje de él que puedas dirigir—, la respuesta honesta es que ningún lanzamiento de Tencent te lo ofrece hoy. WorldClaw genera geometría que no puedes animar mediante conversación. Hy-Nomas genera vídeo que no puedes exportar. La brecha entre ambos es el producto que nadie ha lanzado todavía, y es algo más interesante de observar que cualquiera de los dos modelos por separado.