Hy-Nomas vs Hunyuan3D WorldClaw : même laboratoire, deux types de monde

Le groupe Hunyuan de Tencent a livré deux choses appelées « modèle du monde » à trois mois d’intervalle, et elles ne s’accordent sur presque rien. Hunyuan3D WorldClaw, publié en août 2026, n’est pas vraiment un modèle : il s’agit d’un pipeline agentique en quatre étapes qui planifie une scène avec des agents LLM, génère le terrain, reconstruit chaque objet sous forme de maillage texturé, puis confie à un agent de vision le soin de rendre le résultat et de corriger ce qui ne va pas. Hy-Nomas, publié le 23 octobre 2026, est un unique transformateur de diffusion autorégressif par segments qui produit une vidéo pilotable et diffuse ses poids sous Apache 2.0. L’un construit un actif 3D modifiable à partir d’une phrase. L’autre rend un monde continu à partir d’une conversation.

La comparaison vaut la peine d’être faite précisément parce qu’ils partagent un laboratoire. C’est une expérience naturelle parfaite de deux stratégies : orchestrer des modèles de pointe dans un pipeline, ou entraîner un seul modèle à tout faire. Les deux versions publiées s’inversent aussi en matière d’ouverture — celle qui repose sur la pile d’ingénierie la plus lourde n’a publié aucun code, et celle qui n’est qu’un seul modèle a tout publié.

Un modèle et un pipeline sont des types d’artefacts différents

L'article de WorldClaw décrit un routeur. Le système orchestre plusieurs modèles de pointe plutôt que d'effectuer lui-même la génération : des agents LLM pour la planification, un modèle d'image pour les composites régionaux, un modèle de segmentation, le Hunyuan3D de Tencent pour la reconstruction de maillage, et Blender piloté via MCP pour l'assemblage. L'article désigne Claude Opus 4.8 comme planificateur et cite GPT-Image-2 et SAM3D parmi les composants régionaux. Sa contribution réside dans la chorégraphie — la décomposition du global au régional et la boucle de réparation basée sur le rendu — et non dans un nouveau socle génératif.

Hy-Nomas est le pari inverse. Un MMDiT à double flux de 54 blocs, une dimension cachée de 2 048, un encodeur de texte Qwen2.5-VL-7B-Instruct, un conditionnement caméra via l’attention croisée et un cache KV lifelong. Il n’y a ni planificateur, ni étape de segmentation, ni moteur de rendu externe dans la boucle. Le modèle est le système.

Cette différence explique les modes de défaillance. Un pipeline hérite des faiblesses de chaque composant qu'il appelle et peut être réparé un composant à la fois. Un modèle unique possède une vision du monde cohérente et aucune couture entre les étapes, mais toute faiblesse est inscrite dans les poids et ne peut être corrigée que par un réentraînement ou par un LoRA.

Ce que font réellement les quatre étapes de WorldClaw

La première étape est l’analyse de l’intention et la planification de la scène. Deux agents LLM se partagent la tâche : l’un extrait uniquement les contraintes que l’utilisateur a réellement énoncées, l’autre complète les détails pour produire une spécification de scène structurée couvrant les régions, le terrain, les objets et les relations spatiales. Cette séparation constitue une défense raisonnable contre l’échec habituel d’un planificateur unique, qui consiste à inventer des exigences puis à les satisfaire.

La deuxième étape génère le terrain global : une carte de disposition sémantique, des champs de hauteur adaptés aux régions, ainsi que des matériaux, des rochers et de la végétation attribués par région. La troisième étape rend chaque région dans un composite 2D, segmente les instances, reconstruit chacune d’elles sous forme de maillage texturé via Hunyuan3D, puis la replace sur le terrain. La quatrième étape est la plus intéressante — un agent de vision rend la scène assemblée depuis plusieurs points de vue et recherche les objets flottants, les interpénétrations, les échelles et les poses incorrectes, puis itère. L’assemblage se fait dans Blender via MCP.

La sortie est constituée de maillages explicites, texturés et modifiables individuellement, qui s'exportent vers un moteur de jeu. C'est un livrable véritablement différent d'une vidéo : chaque arbre est un objet, chaque objet possède une transformation, et un level designer peut en déplacer un sans re-rendre le monde entier.

Des maillages que vous pouvez modifier, ou une vidéo que vous pouvez piloter

La sortie de Hy-Nomas est une vidéo 720 × 1280 à 24 FPS, générée par segments avec huit étapes de débruitage dans la configuration distillée. Vous ne pouvez pas l’ouvrir dans Blender. Vous pouvez toutefois la réorienter en cours de session : du texte libre pour ce qui est présent dans le monde, les paramètres extrinsèques de la caméra pour la direction du plan, et un cache KV qui maintient la cohérence des segments précédents avec la nouvelle instruction. La modification est conversationnelle et se produit avant le rendu du segment suivant.

La sortie de WorldClaw est modifiable après coup. Vous obtenez de la géométrie, et l’édition est spatiale — déplacez l’objet, redimensionnez l’arbre, relancez le rendu de la région. Ce que vous ne pouvez pas faire, c’est dialoguer avec le monde pendant qu’il effectue le rendu. Le pipeline s’exécute jusqu’au bout, puis vous travaillez sur l’asset.

• Sortie — vidéo pilotable Hy-Nomas 720 × 1280 vs maillages texturés explicites Hunyuan3D WorldClaw dans une scène

• Unité de travail — Hy-Nomas : un segment rendu à la demande, contre Hunyuan3D WorldClaw : un monde entier généré en quatre étapes

• Édition — instructions textuelles et de caméra Hy-Nomas entre les segments, contre la manipulation directe des maillages après génération par Hunyuan3D WorldClaw

• Moteur — Hy-Nomas, un transformeur de diffusion, contre Hunyuan3D WorldClaw, une pile orchestrée de modèles de pointe plus Blender

• Matériel — Hy-Nomas 8 GPU par défaut, une RTX 4090 dans le mode faible mémoire INT8 vs Hunyuan3D WorldClaw 4 × NVIDIA H20

• Publication — poids, code et jeu de données de référence Hy-Nomas sous Apache 2.0, contre Hunyuan3D WorldClaw : un article, une page de projet et un README sans code ni poids

Le coût d’un monde agentique

L’histoire de calcul de WorldClaw n’est pas un nombre d’heures-GPU au sens habituel. C’est quatre H20 plus un grand nombre d’appels à des modèles de pointe : des tokens de planification, de la génération d’images par région, de la segmentation par instance, de la reconstruction de maillage par objet et des rendus répétés d’agents de vision pendant l’affinement. Le coût marginal d’un monde est dominé par ces appels, et l’article ne publie pas de prix. Les reconstructions communautaires qui remplacent les points de terminaison hébergés d’image et de 3D par d’autres services rapportent environ cinquante cents et quelques minutes par monde, ce qui constitue un ordre de grandeur utile, mais pas un chiffre de fournisseur.

Le coût de Hy-Nomas est plus conventionnel : huit GPU avec, par défaut, un parallélisme de séquence à huit voies, ou un seul RTX 4090 avec des poids DiT INT8, un cache KV INT8, un historique à fenêtre glissante, un déchargement vers le CPU, FlexAttention et un décodeur CUTLASS FP8. L'ensemble complet des checkpoints fait environ 196 Go ; le chemin de démonstration documenté télécharge environ 86 Go, et le chemin basse mémoire nécessite environ 38 Go plus l'encodeur de texte. Il n'existe aucun tarif hébergé, car il n'y a pas de service hébergé.

La comparaison qui compte n’est pas le nombre de dollars par monde, mais où va l’argent. WorldClaw dépense en tokens et en appels API, qui baissent à mesure que les prix des modèles de pointe baissent. Hy-Nomas dépense en occupation de GPU, qui ne baisse pas. Un pipeline devient moins cher sur la courbe de quelqu’un d’autre ; un modèle ne devient moins cher que lorsque quelqu’un le distille.

• Facteur de coût Hy-Nomas — heures GPU par session de génération, pas de facturation par appel

• Facteur de coût de WorldClaw — appels aux modèles de pointe pour la planification, l’imagerie, la segmentation, la reconstruction et la réparation, plus 4 × H20

• Levier de mise à l’échelle Hy-Nomas — distillation et LoRA, tous deux déjà inclus dans la version.

• Levier de mise à l’échelle WorldClaw — des modèles de composants moins coûteux et moins d’itérations de réparation

WorldClaw est aussi l'argument le plus clair en faveur d'une couche de routage que contient ce lot, parce qu'il en est une. Son planificateur appelle un modèle, son étape régionale en appelle un autre, son étape de reconstruction en appelle un troisième, et l'ensemble est une politique de routage avec un moteur de rendu attaché. OrcaRouter fait le même travail pour les modèles hébergés — plus de 200 modèles derrière une seule clé, prix catalogue du fournisseur répercuté à 0 % de marge, basculement automatique en cas d'échec, et un DSL de routage qui compose plusieurs modèles en un seul appel, avec la fusion de modèles disponible lorsque vous voulez un panel plutôt qu'une chaîne. Ni Hy-Nomas ni WorldClaw ne figurent dans notre catalogue, et nous n'allons pas prétendre qu'un modèle du monde auto-hébergé est un point de terminaison ; ce que nous routons, c'est la couche dont WorldClaw démontre que vous avez besoin.

L'ouverture est inversée

C’est l’aspect le plus étrange du duo. WorldClaw est le système le plus élaboré — un pipeline agentique multi-étapes, avec un article publié et une page projet — et le dépôt GitHub officiel contient un README, l’article et les ressources du projet. Aucun code, aucun poids, aucune API, aucun tarif. Une issue demandant le code est restée sans réponse. Ce qui existe publiquement, ce sont des réimplémentations communautaires qui reconstruisent le pipeline au-dessus de points de terminaison hébergés, ce qui témoigne de la clarté de l’article et ne remplace pas la publication.

Hy-Nomas est le système le plus simple et le plus ouvert : Apache 2.0, des checkpoints complets sur Hugging Face, le code d'inférence et d'entraînement sur GitHub, un harnais de légendage, un entraîneur LoRA, un script de fusion et le jeu de données de référence de 280 cas. Le rapport technique est absent et le benchmark n'a pas de scores, mais l'artefact est suffisamment complet pour être reproduit et modifié.

Pour quiconque envisage de construire, cette inversion est plus déterminante que l’architecture. Un pipeline que l’on ne peut pas exécuter n’est qu’un document de conception. Un modèle que l’on peut exécuter est un point de départ, même lorsque son évaluation est une page blanche.

Lequel choisir

Optez pour l’approche de Hunyuan3D WorldClaw lorsque le livrable est un niveau : un environnement 3D vaste, explorable et éditable, qui doit être intégré à un moteur de jeu et modifié par un humain. Sachez que vous devrez le reconstruire à partir de l’article, car Tencent ne l’a pas rendu public, et que ses affirmations sur la qualité sont qualitatives — l’article le compare à SynCity, Marble de World Labs, MajutsuCity, WorldGen de Meta et GPT-5.6 Sol sans FID, CLIP ni étude utilisateurs.

Faites appel à Hy-Nomas lorsque le livrable est constitué de séquences vidéo ou d’un environnement d’entraînement : prévisualisation, vidéo synthétique, générateur de scènes robotiques que vous comptez adapter avec le Robotics LoRA fourni. Sachez que l’affirmation de cohérence sur long horizon est un argument de conception accompagné d’une démo, pas un score, et qu’une exécution sur un seul 4090 est possible mais s’accompagne d’une surcharge liée au déport.

Et si vous avez besoin des deux — un monde éditable et des séquences vidéo pilotables de ce monde —, la réponse honnête est qu'aucune publication unique de Tencent ne vous offre cela aujourd'hui. WorldClaw produit une géométrie que vous ne pouvez pas animer par conversation. Hy-Nomas produit une vidéo que vous ne pouvez pas exporter. L'écart entre les deux est le produit que personne n'a encore livré, et c'est une chose plus intéressante à observer que l'un ou l'autre modèle pris isolément.