Apollo World vs Hy-Nomas : des pixels qui doivent être parfaits, des capteurs qui doivent être exacts

Montrez à deux personnes le même extrait de dix secondes d'une voiture approchant d'un carrefour et toutes deux conviendront que cela semble correct. Montrez-le à une chaîne de planification et une seule version est utilisable, car l'autre comporte un piéton dont l'ombre pointe dans la mauvaise direction, une bordure de trottoir trop haute de 40 centimètres et aucun retour lidar du tout. Cet écart résume toute la différence entre Apollo World et Hy-Nomas. Hy-Nomas est le modèle de monde vidéo interactif à poids ouverts de Tencent Hunyuan : un modèle de 8 milliards de paramètres qui génère des vidéos 720p à partir d'une invite textuelle et d'une trajectoire de caméra, publié sous Apache 2.0 fin octobre 2026. Apollo World est le simulateur piloté par agents de Baidu, dévoilé le 3 novembre 2026, qui produit des observations de caméra et de lidar d'une ville virtuelle dans laquelle le trafic réagit au véhicule testé. L'un se juge à l'œil. L'autre se juge à la question de savoir si la voiture conduit mieux.

Les deux sont légitimement appelés modèles du monde. Un seul peut être téléchargé cet après-midi, et seul l’autre est conçu pour alimenter une pile de perception. C’est de cet arbitrage que traite l’article.

Le piège de la fidélité

Les modèles de monde vidéo optimisent en fonction de ce qu’un spectateur acceptera. Ce n’est pas une critique ; c’est l’objectif correct d’un modèle de génération, et c’est pourquoi Hy-Nomas peut produire une promenade convaincante dans une rue qu’il n’a jamais vue. Mais la plausibilité perceptuelle et la cohérence physique sont des cibles différentes, et elles divergent précisément là où vit la conduite autonome.

Un modèle entraîné à prédire l’image suivante apprend que les voitures ralentissent à proximité des intersections et que les ombres s’éloignent d’une source lumineuse. Il n’apprend pas, à partir des seuls pixels, que la distance entre deux marquages de voie est de 3,5 mètres, qu’une impulsion lidar revient d’une route mouillée avec une intensité particulière, ou qu’un piéton qui a déjà commencé à s’engager sur la chaussée ne peut pas se téléporter jusqu’au trottoir lorsque le véhicule ego freine. Demandez-lui un flux de capteurs et il produira quelque chose qui ressemble à un flux de capteurs. Que les nombres qu’il contient soient exprimés en unités métriques est une autre question, que l’objectif d’entraînement n’a jamais posée.

Le matériel de lancement de Baidu est construit autour de cette objection. Wang Liang, architecte en chef du groupe Intelligent Driving de Baidu, a déclaré sur scène qu’un modèle du monde ne devrait pas être un peintre produisant des vidéos impressionnantes, mais un examinateur de la sécurité de conduite, et la grille d’évaluation « 2+3 » qui a suivi est explicitement un filtre pour les modèles qui semblent corrects sans l’être. La causalité et l’interactivité sont les conditions d’admission ; l’exactitude physique, la persistance et les performances en temps réel sont les propriétés évaluées. Quoi qu’elle soit d’autre, cette grille décrit le mode de défaillance d’un générateur vidéo appliqué à une stack de conduite.

Ce que Hy-Nomas livre réellement

Hy-Nomas est un transformateur de diffusion autorégressif par segments, et non un générateur vidéo en une seule passe. Il produit des segments de longueur variable conditionnés par un historique mis en cache, ce qui lui permet de maintenir la cohérence lorsque la caméra se déplace : la « mémoire du monde » est un cache KV reporté d'un segment à l'autre, actualisé au fur et à mesure que de nouveaux segments sont générés.

• Taille — environ 8 milliards de paramètres répartis sur 54 blocs MMDiT à double flux avec une dimension cachée de 2 048.

• Entrées — texte libre plus une trajectoire de caméra continue, avec un enrichisseur de prompt facultatif, Nomas-PE, qui réécrit une prose libre en légendes JSON structurées.

• Sortie — 720 × 1280 à 24 images par seconde, à l’aide d’un décodeur PixelUMM affiné sur des latents DCAE-V, en huit étapes de débruitage distillées.

• Poids — tencent/Hy-Nomas sur Hugging Face sous Apache 2.0, environ 196 Go, avec le code sur GitHub et une démo hébergée.

• Matériel — un déploiement par défaut nécessite huit GPU. Il existe une configuration à base d’une seule RTX 4090, avec un DiT INT8 et un cache KV, un décodeur FP8 et un déport CPU, pour environ 38 Go.

Le rapport technique arXiv 2610.36729, paru le 27 octobre 2026, décrit l’astuce qui fait fonctionner l’interaction multitour : les légendes structurées sont alignées sur un schéma d’attention causale sensible aux actions, de sorte que le contexte descriptif persiste d’un segment à l’autre, tandis que les instructions d’action restent confinées à la fenêtre dans laquelle elles ont été émises. L’évaluation repose sur un benchmark de 280 cas répartis en quatre volets — texte multitour, navigation par caméra, texte et caméra entrelacés, et mémoire spatiale — avec des comparaisons humaines par paires face à Genie 3, LingBot-World v2 et Happy Oyster. Hy-Nomas l’emporte sur l’interaction et le suivi des consignes, avec un taux de victoire rapporté d’environ 65 % sur le suivi des consignes, mais perd face à Genie 3 sur la mémoire spatiale à long terme. Il s’agit des comparaisons des auteurs sur le benchmark des auteurs, et ce sont les affirmations les plus vérifiables de cet article, car les poids sont publics.

Ce qu’Apollo World ne publie pas

La révélation d’Apollo World était une présentation des capacités, et les absences sont aussi instructives que les affirmations. Il n’y a aucun nombre de paramètres, aucune architecture, aucun article, aucun tableau de référence avec des bases de comparaison nommées, aucun poids, aucune API et aucun prix. Ce que Baidu a bel et bien dit, c’est que le modèle soutient déjà les tests et la validation mondiaux d’Apollo Go, qu’il peut couvrir environ 100 000 kilomètres de conduite simulée par jour — présenté comme environ trois ans de tests continus par une voiture équipée d’un conducteur de sécurité — et qu’Apollo Go opère dans 28 villes avec plus de 23 millions de trajets, 350 millions de kilomètres autonomes et plus de 240 millions de kilomètres entièrement sans conducteur.

Le chiffre de 100 000 kilomètres est celui qu’il faut prendre avec des pincettes. C’est un chiffre d’entreprise sans mesure externe à l’appui, et la comparaison sur laquelle il repose — trois ans d’une voiture d’essai roulant en continu — dépend d’un kilométrage annuel supposé que Baidu n’a pas précisé. Cela ne le rend pas faux. Cela le rend invérifiable, ce qui est une chose différente et plus utile à savoir.

En revanche, les affirmations sur la conception sont suffisamment précises pour être contestées. Chaque participant au trafic est un agent qui décide plutôt qu’un figurant qui suit un script. La caméra et le lidar sont générés en temps réel. Les trajets se bouclent de bout en bout, de la commande acceptée au passager déposé, quelles que soient les origines et les destinations. Et l’ensemble est borné par un cycle de décision d’un trentième de seconde, soit environ 33 millisecondes, ce qui fait des propriétés de persistance et de latence des éléments porteurs plutôt que décoratifs.

Appliquer la propre grille d’évaluation de Baidu à Hy-Nomas

L'exercice intéressant ne consiste pas à comparer les deux en termes marketing, mais à prendre les cinq propriétés d'Apollo World et à les confronter au modèle qui existe réellement.

Causalité : Hy-Nomas passe, au sens où Baidu l’entend. Il est autorégressif sur des segments et conditionné sur l’historique, de sorte que le futur est généré à partir du présent plutôt qu’assemblé et rétro-rempli. Interactivité : partiellement. Il répond à des instructions textuelles et à des mouvements de caméra, mais ce sont des commandes de réalisateur, pas les actions d’autres agents. Rien dans la scène ne réagit à quoi que ce soit d’autre dans la scène. Précision physique : non mesurée, et non mesurable à partir des travaux publiés, qui évaluent selon la préférence humaine plutôt que par rapport à une vérité terrain métrique. Persistance : c’est le point faible documenté — l’article lui-même indique qu’il est en retrait par rapport à Genie 3 sur la mémoire spatiale à long terme, ce qui est exactement la propriété de dérive que Baidu souligne. Temps réel : 24 images par seconde en huit étapes distillées, c’est rapide pour un modèle de diffusion, mais le déploiement de référence utilise huit GPU, et le budget de 33 millisecondes ne se situe pas dans la même discussion.

Rien de tout cela ne fait de Hy-Nomas un mauvais modèle. Cela en fait un instrument différent. Jugé comme un monde vidéo interactif — ce pour quoi il a été conçu —, il est compétitif avec les meilleurs disponibles et il est ouvert, ce que presque aucun de ses concurrents n’est. Jugé comme un simulateur de conduite, il échoue à quatre des cinq tests de Baidu, et y échouerait même si les poids étaient deux fois meilleurs.

Ce que coûte le fonctionnement de chacun

Hy-Nomas a un prix que vous pouvez calculer. Les poids sont gratuits sous Apache 2.0 ; le coût, c'est la machine. Une seule 4090 exécutant le chemin quantifié nécessite environ 38 Go de mémoire une fois le déport CPU pris en compte, et produit du 720p à 24 images par seconde. Le déploiement de référence à huit GPU est la version que décrivent les benchmarks. Si vous générez quelques centaines de clips pour une question de recherche, une carte suffit ; si vous générez un corpus d'entraînement, la facture d'électricité tient lieu de frais de licence.

Apollo World n’a pas de prix calculable, car il n’est pas à vendre. La seule affirmation honnête est que Baidu n’a publié aucune condition commerciale, et le déploiement décrit s’inscrit dans sa propre activité de robotaxis.

Pour les équipes qui construisent autour de l’un ou de l’autre, la question du routage est distincte de celle du modèle. Ni Apollo World ni Hy-Nomas ne figurent au catalogue d’OrcaRouter — l’un est interne à Baidu, l’autre est un modèle vidéo que vous hébergez vous-même — et cet article ne va pas prétendre le contraire. Ce que nous proposons, en revanche, c’est la couche qui évalue et orchestre ce type de sortie : un juge vision-langage qui note les clips générés, un planificateur qui transforme une question de recherche en une série de prompts, un modèle de repli lorsque le modèle principal est limité en débit. C’est une seule API sur plus de 200 modèles à 0 % de marge, avec le prix catalogue du fournisseur répercuté tel quel, ce qui compte le plus lorsque vous effectuez des milliers d’appels de juge sur la sortie d’un modèle de 196 Go.

Lequel appartient à votre stack

Si vous souhaitez explorer un environnement généré, y diriger une caméra et itérer sur une scène dans un navigateur, Hy-Nomas est la meilleure réponse et il est disponible dès maintenant. La licence ouverte n’est pas une formalité : elle vous permet d’affiner, de quantifier et de livrer, ce qui est plus qu’on ne peut en dire de la plupart des modèles de monde interactifs, y compris ceux qu’il surpasse en suivi d’instructions.

Si vous validez une politique de conduite, Hy-Nomas ne remplace pas un simulateur et ne le deviendra pas grâce à de meilleurs prompts. Le bon usage d’Apollo World est celui d’une spécification : la grille 2+3 est un ensemble de questions que vous pouvez poser à n’importe quel fournisseur de simulateur, et la question de la persistance en particulier — quelle est la dérive sur une exécution de dix heures — est celle qui sépare un banc de test d’une bande de démonstration.

La convergence à surveiller est un modèle de monde vidéo qui produit de la profondeur métrique et du lidar en plus du RGB, entraîné avec une perte de cohérence physique plutôt que perceptuelle. Les auteurs de Hy-Nomas conditionnent déjà sur les trajectoires de caméra d'une manière géométriquement pertinente ; ajouter une tête de capteur est l'étape suivante évidente, et personne ne l'a publiée. D'ici là, la division est nette : Hy-Nomas crée des mondes que l'on peut regarder, Apollo World crée des mondes dans lesquels une voiture peut être évaluée, et l'écart entre ces deux phrases est là où se situe l'année de travail à venir.