Apollo World vs Hunyuan3D WorldClaw : un lieu où l’on peut marcher, ou un drive que l’on peut marquer

Ce qu'il y a de plus utile à mettre Apollo World face à Hunyuan3D WorldClaw, c'est que tous deux emploient le mot « world » sans lui donner le même sens. Hunyuan3D WorldClaw est le framework agentique de Tencent Hunyuan qui transforme une invite textuelle ouverte en une vaste scène 3D explorable, composée de maillages explicites et texturés objet par objet, que l'on peut ouvrir dans Blender et exporter vers un moteur de jeu. Apollo World est le simulateur piloté par agents de Baidu, dévoilé le 3 novembre 2026, qui génère en temps réel des observations caméra et lidar d'une ville virtuelle afin qu'une pile robotaxi puisse être entraînée et évaluée sur des trajets complets. WorldClaw construit un lieu. Apollo World y fait dérouler un trajet. Si vous êtes venu chercher lequel des deux génère la meilleure 3D, la question est mal posée d'une manière qu'il vaut la peine de décortiquer plutôt que de trancher.

Deux produits qui portent un même nom

Le chevauchement est réel mais étroit. Tous deux produisent quelque chose qu’une personne pourrait décrire comme un monde. Ensuite, chaque propriété diverge.

• Livrable — WorldClaw : un fichier de scène avec des maillages, des matériaux et des transformations individuels. Apollo World : un flux de trames de capteurs ainsi que l’état de l’agent, consommé par une politique de conduite plutôt que par une personne.

• Unité de travail — WorldClaw : un prompt à une scène. Apollo World : un itinéraire, une politique, un trajet noté.

• Temps — Le résultat de WorldClaw est statique une fois généré ; Apollo World est conçu pour être joué en avançant, chaque décision modifiant ce qui se passe ensuite.

• À qui cela s’adresse — WorldClaw : un level designer, un studio de jeux, une équipe de données synthétiques qui a besoin de géométrie. Apollo World : l’organisation propre à Baidu dédiée à la conduite autonome.

• Ce que signifie « bon » — WorldClaw : la scène semble-t-elle cohérente et s’assemble-t-elle sans objets flottants. Apollo World : la voiture testée devient-elle plus sûre.

Dit ainsi, les deux ne sont pas tant des rivaux que des étapes adjacentes d’un pipeline que personne n’a encore construit de bout en bout. L’un fabrique le décor. L’autre y dirige le trafic.

Ce que WorldClaw fait réellement, étape par étape

WorldClaw se comprend mieux comme un chef d’orchestre que comme un instrument. L’article, arXiv 2608.05248, a été soumis le 5 août 2026, l’annonce officielle ayant suivi le 11 août. Le cadre prend une invite libre et exécute quatre étapes, du plus grossier au plus fin.

• Intention et planification — les agents à modèle de langage lisent le prompt et décident de ce que la scène doit contenir, en produisant un plan plutôt qu’une image.

• Terrain — une passe globale génère la disposition sémantique, les champs de hauteur et les matériaux, afin que le sol soit cohérent avant que quoi que ce soit n'y soit placé.

• Objets — les régions sont rendues, segmentées, et chaque région est reconstruite en un maillage individuel via Hunyuan3D. C'est ici que la promesse de géométrie explicite est tenue : la sortie est un ensemble d'objets, et non un blob fusionné ou un splat gaussien.

• Raffinement — un agent de vision inspecte le rendu pour détecter les objets flottants, les interpénétrations, les échelles incorrectes et les poses incorrectes, puis renvoie des corrections.

La pile sous-jacente réunit une série de modèles tiers et une très grande application : Claude Opus 4.8 pour la planification, GPT-Image-2 pour les images, SAM3 et SAM3D pour la segmentation, Hunyuan3D pour la reconstruction, et Blender 5.1.1 piloté via MCP pour l’assemblage. Tencent indique l’exécuter sur quatre GPU NVIDIA H20. L’évaluation publiée est qualitative : elle compare les résultats à ceux de SynCity, WorldGen, MajutsuCity et Marble avec des scènes côte à côte, sans valeurs FID, CLIP ni résultats d’études utilisateurs.

Le dépôt est l’élément qui compte pour quiconque envisage de l’utiliser. Le projet GitHub officiel contient un README et des ressources. Il n’y a ni code, ni poids, ni script d’inférence, ni API, ni prix. Un article sur un framework sans implémentation est une description d’une méthode, pas un outil, et c’est dans l’écart entre les deux que meurent la plupart des questions « puis-je l’essayer ? »

Ce qu’Apollo World affirme réellement

Apollo World a été dévoilé lors du Baidu AI Day·Apollo à Shenzhen, le 3 novembre 2026, par Wang Liang, architecte en chef du Intelligent Driving Group de Baidu, et Yang Ze, qui dirige les travaux sur le modèle du monde. Le cadrage était volontairement tranchant : un modèle du monde ne devrait pas être un peintre de vidéos impressionnantes, mais un examinateur de la sécurité de conduite. Baidu a étayé cela avec une grille d’évaluation qu’il appelle « 2+3 » — deux seuils qui déterminent si quelque chose peut être considéré comme un modèle du monde, et trois propriétés qui évaluent sa qualité.

Les critères déterminants sont la causalité et l’interactivité. La causalité signifie que l’état suivant est prédit à partir de l’état actuel plutôt qu’assemblé à partir d’images puis rétrocomplété ; l’interactivité signifie qu’une action injectée dans la scène modifie ce qui suit. Les propriétés évaluées sont l’exactitude physique, la persistance et les performances en temps réel. La persistance est celle qui distingue une démo d’un banc de test : un simulateur dont les objets dérivent ou se déforment lentement sur une longue exécution finira par évaluer une politique par rapport à un monde qui ne correspond plus à celui dans lequel elle a commencé. Baidu situe le cycle de décision d’un véhicule routier à un trentième de seconde, soit environ 33 millisecondes.

Trois capacités portent ces promesses. Chaque participant au trafic est modélisé comme un agent prenant ses propres décisions plutôt que comme un figurant scripté, de sorte qu’un robotaxi qui freine peut provoquer une réaction différente de la voiture qui le suit. Les données de caméra et de lidar sont générées en temps réel, ce qui permet à la pile logicielle de conduite de percevoir la ville virtuelle via la même interface que celle qu’elle utilise sur une route réelle. Et les trajets se déroulent de bout en bout — commande acceptée, passager pris en charge, passager déposé — entre origines et destinations arbitraires, plutôt que sous forme de clips de scénarios isolés.

Baidu affirme que le modèle soutient déjà les tests et la validation mondiaux d’Apollo Go, et cite environ 100 000 kilomètres de conduite simulée par jour, présentés comme l’équivalent d’environ trois ans de tests continus par une voiture équipée d’un conducteur de sécurité. Les chiffres d’exploitation propres à Apollo Go sont cités en parallèle : 28 villes, plus de 23 millions de trajets, 350 millions de kilomètres autonomes, dont plus de 240 millions entièrement sans conducteur. Aucun nombre de paramètres, architecture, tableau de benchmarks, article, fichier de poids ou prix n’a été publié. Il s’agit d’une présentation des capacités de l’infrastructure interne, et non d’un lancement de produit.

« Agentic » désigne deux choses différentes ici

C’est le piège de la comparaison, et cela vaut la peine de s’y attarder, car les deux annonces s’appuient sur le même mot à la mode.

Dans WorldClaw, les agents sont les bâtisseurs. Les planificateurs à base de modèles de langage décomposent une invite en un plan de scène, un agent de vision inspecte le résultat et émet des corrections. L’intelligence réside dans la boucle de création, et elle n’opère qu’une fois, avant même que vous ne chargiez la scène. Une fois les maillages exportés, les agents ont disparu ; le monde n’est plus que géométrie inerte.

Dans Apollo World, les agents sont les habitants. Les planificateurs n'assemblent rien — ils conduisent les autres voitures, marchent sur les trottoirs, décident s'ils cèdent le passage. L'intelligence persiste pendant toute la durée de la simulation, et toute sa raison d'être est de faire en sorte que le monde réagisse à ce qui est testé. Une scène statique avec des habitants réactifs serait une contradiction dans les termes de WorldClaw et tout l'objectif dans ceux d'Apollo.

Cette distinction explique aussi pourquoi il est difficile de les combiner naïvement. Insérer des maillages WorldClaw dans un simulateur de conduite donne un ensemble esthétique mais où rien ne bouge. Ajouter du trafic réactif à une scène WorldClaw implique d’écrire soi-même la couche de comportement. Les frameworks résolvent des moitiés différentes du même problème, et aucun ne fournit l’autre moitié.

Ni l’un ni l’autre n’est disponible, et pas pour la même raison.

WorldClaw est documenté mais non distribuable. L’article décrit une méthode avec suffisamment de détails pour qu’une équipe disposant de ressources suffisantes puisse la réimplémenter, et plusieurs tiers ont construit des versions partielles, mais Tencent n’a pas publié le code ni les poids. L’exigence de quatre H20 et la dépendance à une pile de modèles sous licences séparées signifient aussi qu’une publication ne serait pas un téléchargement directement exploitable, même si elle avait lieu.

Apollo World est déployé mais n’est pas proposé. Baidu le décrit comme servant à Apollo Go, et la divulgation ne contient aucun terme commercial, aucune interface et aucune indication qu’un accès externe est prévu. La comparaison entre les deux en matière de disponibilité n’oppose donc pas « ouvert » à « fermé », mais « non publié » à « interne » — une distinction qui compte si vous attendez l’un ou l’autre.

Pour les équipes qui ont besoin d’un monde ce trimestre, la voie pratique n’est ni l’une ni l’autre. Un moteur de jeu doté d’un outil de scène procédurale couvre la moitié statique ; un simulateur de conduite commercial couvre la moitié dynamique ; et les modèles de monde vidéo à poids ouverts couvrent la moitié « démo », mal, si ce qu’il vous faut, ce sont des capteurs. OrcaRouter ne propose pas Apollo World ni Hunyuan3D WorldClaw — aucun des deux n’est un modèle appelable — mais les étapes de langage et de vision qui entourent un pipeline de scène relèvent d’un travail API ordinaire, et c’est la couche que nous couvrons réellement : une seule clé, plus de 200 modèles, 0 % de marge sur le prix catalogue du fournisseur, et basculement automatique lorsqu’un appel de planification expire en cours de construction.

Laquelle est la bonne référence pour votre problème ?

Si vous créez un niveau de jeu, un jeu de données synthétique d’intérieurs ou un plateau de production virtuelle, WorldClaw est la conception la plus pertinente, même si vous ne pouvez pas l’exécuter : la décomposition en quatre étapes — planification, terrain, objets, affinage — est une architecture solide, et la sortie explicite en maillage est le bon choix pour tout ce qui devra être modifié ultérieurement. L’absence d’évaluation quantitative est la réserve à garder à l’esprit pour toute réimplémentation ; « mieux que SynCity » n’est pas une spécification.

Si vous validez une stack de conduite, la grille 2+3 d'Apollo World est l'export le plus utile, et elle est utilisable dès aujourd'hui comme checklist, même si le modèle ne l'est pas. Interrogez n'importe quel fournisseur de simulateur sur la causalité, l'interactivité, l'exactitude physique, la persistance sur une longue exécution et la latence sous la complexité de la scène. Un fournisseur qui ne peut pas répondre à la question de la persistance par une mesure de dérive vous vend un générateur de vidéo avec une étiquette « physique ».

Les deux vont probablement converger. Un simulateur capable d’ingérer des scènes modifiables et bien structurées issues d’un framework comme WorldClaw résoudrait le goulot d’étranglement de contenu qui rend la simulation de conduite coûteuse ; un générateur de classe WorldClaw capable d’animer ses habitants cesserait de produire des dioramas. Aucune des deux entreprises n’a annoncé ce travail. Pour l’instant, la description honnête est celle d’un constructeur de décors sans code et d’un examinateur de la circulation sans porte, et la seule chose qu’ils partagent véritablement est un mot.