Genie 4 vs HY-Nomas : le meilleur monde est fermé, celui qui est téléchargeable ne l’est pas

Pour environ 196 gigaoctets, vous pouvez posséder entièrement un modèle du monde. C’est la taille du jeu complet de checkpoints HY-Nomas, que l’équipe Hunyuan de Tencent a publié sous licence Apache 2.0 le 23 octobre 2026, avec les poids sur Hugging Face et le code sur GitHub. Quatre jours plus tard, Google DeepMind a annoncé Genie 4 — un meilleur modèle du monde selon la plupart des mesures qualitatives, avec audio natif et une fenêtre de cohérence de deux minutes, accessible à personne sauf aux testeurs de confiance et via une liste d’attente. Entre ces deux faits se trouve la décision la plus pratique en modélisation générative du monde aujourd’hui : prendre le modèle plus fort que vous ne pouvez pas avoir, ou le plus faible que vous pouvez faire tourner dès ce soir.

La comparaison n’est pas vraiment entre Genie 4 et HY-Nomas sur la qualité. C’est une comparaison entre deux postures face au même problème, et l’écart de qualité est le prix de la posture. Comprendre ce que vous payez, et avec quoi vous le payez, est l’objet de cet article.

Ce qu’Apache 2.0 vous apporte réellement

HY-Nomas est livré sous forme de poids, et non de service. Le checkpoint principal se trouve sur Hugging Face sous le nom tencent/Hy-Nomas, accompagné d’une variante compatible avec Diffusers, et le dépôt contient une recette de fine-tuning LoRA ainsi que deux adaptateurs — l’un pour le travail de caméra cinématographique, l’autre pour des séquences de style robotique.

Cette dernière partie mérite d’être soulignée, car aucun modèle de monde fermé ne l’offre. Si vous pouvez affiner le modèle sur vos propres séquences, vous pouvez l’orienter vers votre domaine : le langage caméra de votre studio, les caractéristiques des capteurs de votre robot, la direction artistique de votre jeu. Genie 4, quel que soit son plafond, produira ce que Google l’a entraîné à produire, et le seul levier dont vous disposez est un prompt textuel. Pour une équipe dont le modèle de monde est un atout concurrentiel plutôt qu’un outil, cette différence pèse bien plus qu’un grand nombre de finitions visuelles.

La licence compte aussi. Apache 2.0 est suffisamment permissive pour un déploiement commercial sans négociation, ce qu’on ne peut pas dire de Genie 4, dont les conditions commerciales n’ont pas été publiées du tout.

Soixante secondes contre deux minutes

Les deux modèles génèrent des mondes interactifs. Ils les génèrent de façons différentes, et cette différence détermine comment les chiffres de durée doivent être interprétés.

Genie 4 est un modèle de monde en temps réel : il effectue le rendu au fur et à mesure que vous pilotez, maintient une scène pendant environ deux minutes et génère de l’audio — sons ambiants, musique, dialogues — nativement dans la même passe. Vous changez la météo en la saisissant. La réserve de DeepMind elle-même est que les détails et la permanence des objets dérivent sur des exécutions plus longues, en particulier après des modifications répétées de prompts complexes.

HY-Nomas génère de la vidéo en segments séquentiels plutôt que dans un seul fichier statique, et vous le pilotez tour après tour avec des invites textuelles et des trajectoires de caméra. Un cache KV persistant assure la cohérence du monde entre ces tours. Son plafond annoncé est d'environ soixante secondes de génération en 720×1280 à 24 images par seconde, avec huit étapes de débruitage dans la configuration distillée, quatre et six étant également prises en charge.

La comparaison honnête n’est donc pas entre soixante secondes et cent vingt. C’est la génération de segments au tour par tour face au rendu continu en temps réel. Genie 4 vous offre un monde qui réagit pendant que vous y êtes. HY-Nomas vous offre un monde qui progresse un tour conçu à la fois, ce qui est une manière de travailler plus lente et bien plus contrôlable — chaque segment est une décision que vous pouvez examiner avant de passer au suivant.

Sous le capot, les deux sont architecturalement différents d’une manière qui explique le comportement. HY-Nomas est un transformer de diffusion — cinquante-quatre blocs MMDiT à double flux, un encodeur textuel Qwen2.5-VL-7B-Instruct, des latents DCAE-V et un décodeur PixelUMM affiné, avec environ huit milliards de paramètres par déduction à partir du checkpoint publié plutôt qu’à partir d’une déclaration officielle. Il s’agit d’un grand modèle produisant des segments vidéo. Genie 4 est un simulateur en temps réel dont Google n’a pas décrit les rouages avec un niveau de détail comparable, associé à des modèles Gemini qui ancrent l’apparence et guident la boucle.

La fonctionnalité dont dispose le Genie 4 et que personne d’autre n’a

Audio. Genie 4 est le premier modèle du monde de DeepMind à générer du son nativement et, au moment de la rédaction, aucun modèle du monde à poids ouverts de cette comparaison — y compris HY-Nomas — ne revendique un équivalent. Il produit des bruits ambiants, de la musique et des dialogues interactifs dans lesquels les personnages réagissent à ce qui se passe dans la scène.

Que cela soit décisif dépend entièrement de votre usage. Pour la prévisualisation cinématographique, c’est presque décisif : un plan sans son est à moitié un plan, et reconstruire l’univers sonore de zéro en se calant sur le timing de quelqu’un d’autre est la partie de la préviz que personne n’apprécie. Pour la simulation robotique, c’est une modalité d’entrée manquante qui limite ce que l’environnement peut enseigner. Pour un studio de jeux qui génère des séquences de fond, c’est un simple confort.

Et pour tout le monde, ce n’est pas mesuré. Google n’a publié aucun benchmark audio, aucune mesure de synchronisation, et ses propres ingénieurs reconnaissent que la précision audio n’est pas résolue. L’affirmation est réelle et la preuve est une bande de démonstration.

Le coût du matériel, détaillé

C’est ici que le modèle ouvert cesse d’être gratuit et commence à représenter une dépense d’investissement.

• Déploiement par défaut — HY-Nomas est conçu pour huit GPU. Il s'agit d'un serveur, pas d'une station de travail.

• Voie mono-GPU — une configuration documentée fonctionne sur une seule RTX 4090 avec des poids INT8 pour le transformer de diffusion, un décodeur FP8, un déport CPU et un tampon d’historique plafonné.

• Disque — le jeu complet de checkpoints représente environ 196 Go ; la variante à faible mémoire nécessite environ 38 Go, plus l’encodeur de texte.

• Débit — soixante secondes de sortie ne représentent pas soixante secondes de calcul. La diffusion en huit étapes de débruitage sur cinquante-quatre blocs Transformer signifie que la génération se mesure en minutes par segment, et Tencent n’a pas publié de chiffres de latence.

• Genie 4 — aucune configuration matérielle requise publiée, aucune latence publiée, aucun prix publié. L’accès se fait par un abonnement à Google AI Ultra via Project Genie ou par un accord de partenariat en accès anticipé.

Si l’on fait le calcul honnêtement, la configuration avec une 4090 est une machine de recherche, pas de production : elle produira un segment, lentement, avec une mémoire dégradée pour les longues séquences, ce qui est exactement le compromis qu’implique le tampon d’historique plafonné. La configuration à huit GPU offre un débit exploitable et coûte ce que coûtent huit GPU de centre de données, avant même de compter la consommation électrique et la personne qui doit la maintenir en fonctionnement.

C'est pourquoi la comparaison avec une API hébergée n'a rien d'automatique. Si votre volume est de quelques centaines de segments par mois, faire tourner huit GPU pour les traiter est un mauvais emploi du capital, et la bonne réponse est une API — la nôtre ou celle de n'importe qui — avec un prix à l'appel et sans investissement matériel. Si votre volume est continu, ou si vos données ne peuvent pas quitter votre réseau, le téléchargement de 196 Go est une aubaine qu'aucun service hébergé ne peut égaler. C'est là la vraie décision, et elle n'a rien à voir avec le modèle qui a la plus belle apparence.

Deux benchmarks, zéro score

HY-Nomas propose quelque chose appelé Hy-Nomas-Bench : 280 cas de test avec environ 220 trajectoires de caméra de référence. Il s'agit d'un véritable banc d'évaluation et, au moment de sa sortie, il ne dispose d'aucun résultat publié. Le rapport technique est annoncé comme à paraître.

Genie 4 n’a pas d’équivalent. Google n’a publié aucune suite de benchmarks, aucune comparaison chiffrée avec Genie 3 au-delà de la fenêtre de cohérence doublée, ni la moindre résolution ou fréquence d’images.

Donc les deux camps demandent à être jugés sur des séquences de démonstration. Dans ce cas, le critère de départage devrait être la reproductibilité, et il n’y a pas photo : vous pouvez télécharger HY-Nomas, exécuter Hy-Nomas-Bench vous-même et publier un résultat chiffré. Vous ne pouvez pas faire cela avec Genie 4, et si vous êtes le genre d’équipe qui a besoin d’un chiffre avant de s’engager, le modèle fermé n’est pas simplement peu pratique — il est rédhibitoire.

Ce que nous recommanderions vraiment

Si vous avez besoin du monde le plus convaincant disponible et que votre travail est exploratoire — prévisualisation, conception, simulation au niveau prototype —, Genie 4 est la capacité la plus performante et vous devriez vous inscrire sur la liste d’attente et concevoir autour d’un plan de deux minutes. L’audio à lui seul le place dans une classe à part de tout ce qui dispose de poids ouverts, et l’architecture avec Gemini dans la boucle signifie qu’il peut être piloté par un agent plutôt que manuellement.

Si vous avez besoin d’un modèle du monde que vous pouvez posséder, fine-tuner, auditer, intégrer dans un produit ou exécuter sans envoyer de données à un fournisseur, HY-Nomas est la seule option de cette comparaison, et c’en est une véritablement capable : Apache 2.0, une configuration mono-4090, le contrôle de la caméra, des adaptateurs robotiques et une suite d’évaluation publiée. Vous échangez du photoréalisme et du son contre du contrôle et de la reproductibilité, et pour une large classe de travaux d’ingénierie, c’est le bon compromis.

C’est dans la pile qui l’entoure que les deux convergent. Quel que soit le modèle choisi, il s’intégrera dans une boucle d’agent : il faut bien que quelque chose écrive les prompts, choisisse la trajectoire de caméra, vérifie le segment et décide s’il faut le régénérer. Cette boucle est constituée d’appels ordinaires à des modèles de langage et de vision, et c’est là qu’un routeur justifie son utilité : une seule API pour plus de 200 modèles, un basculement automatique afin qu’un fournisseur bloqué donne lieu à une nouvelle tentative plutôt qu’à un rendu perdu, et les tarifs catalogue des fournisseurs répercutés avec 0 % de marge, pour qu’une baisse de prix d’un fournisseur vous parvienne le jour même où elle est appliquée. Le modèle du monde est la partie coûteuse et lente à évoluer de votre pile. Tout ce qui l’entoure devrait être l’inverse.

Il y a six mois, la question intéressante était de savoir si les modèles de monde ouverts pouvaient être compétitifs, ne serait-ce qu'un peu. HY-Nomas répond qu'ils peuvent être compétitifs sur le contrôle tout en restant à la traîne sur la fidélité, et Genie 4 répond que le plafond de fidélité est encore en mouvement. Aucune de ces réponses ne tranche le débat, ce qui explique pourquoi le téléchargement existe et pourquoi la liste d'attente est longue.