Apollo World נגד Hy-Nomas: פיקסלים שחייבים להיראות נכון, חיישנים שחייבים להיות נכונים

אם תראו לשני אנשים את אותו קליפ בן עשר שניות של מכונית מתקרבת לצומת, שניהם יסכימו שהוא נראה בסדר. אם תראו אותו למערכת תכנון, רק גרסה אחת תהיה שמישה, כי באחרת יש הולך רגל שהצל שלו מוטה לכיוון הלא נכון, שפת מדרכה שגבוהה ב-40 סנטימטרים מדי, ואין החזר לידאר כלל. הפער הזה הוא כל ההבדל בין Apollo World ל-Hy-Nomas. Hy-Nomas הוא מודל עולם וידאו אינטראקטיבי במשקולות פתוחות של Tencent Hunyuan: מודל בעל 8 מיליארד פרמטרים שמייצר וידאו ב-720p מתוך הנחיית טקסט ומסלול מצלמה, ושוחרר תחת Apache 2.0 בסוף אוקטובר 2026. Apollo World הוא הסימולטור המונחה-סוכנים של Baidu, שנחשף ב-3 בנובמבר 2026, ומייצר תצפיות מצלמה ולידאר של עיר וירטואלית שבה התנועה מגיבה לרכב הנבחן. אחד נשפט בעין. האחר נשפט לפי אם המכונית משתפרת בנהיגה.

שניהם נקראים בצדק מודלי עולם. רק אחד מהם ניתן להוריד היום אחר הצהריים, ורק האחר מיועד להזין מערך תפיסה. על הפשרה הזו נסוב המאמר.

מלכודת הנאמנות

מודלים עולמיים של וידאו מייעלים את מה שצופה יקבל. זו אינה ביקורת; זוהי המטרה הנכונה עבור מודל גנרציה, ולכן Hy-Nomas יכול להפיק הליכה משכנעת ברחוב שמעולם לא ראה. אך סבירות תפיסתית ועקביות פיזיקלית הן מטרות שונות, והן מתפצלות בדיוק במקום שבו נהיגה אוטונומית נמצאת.

מודל שאומן לחזות את הפריים הבא לומד שמכוניות מאטות ליד צמתים ושצללים נופלים הרחק ממקור אור. הוא אינו לומד, מתוך פיקסלים בלבד, שהמרחק בין שני סימוני נתיב הוא 3.5 מטרים, שפולס לידאר חוזר מכביש רטוב בעוצמה מסוימת, או שהולך רגל שכבר החל לצעוד לכביש אינו יכול לשגר את עצמו בחזרה אל שפת המדרכה כאשר רכב האגו בולם. בקשו ממנו זרם חיישנים והוא יפיק משהו שנראה כמו זרם חיישנים. השאלה אם המספרים בו הם מטריים היא שאלה נפרדת שמטרת האימון מעולם לא שאלה.

חומרי ההשקה של Baidu בנויים סביב ההתנגדות הזו. וואנג ליאנג, האדריכל הראשי של קבוצת הנהיגה החכמה של Baidu, אמר על הבמה שמודל עולם לא צריך להיות צייר שמייצר וידאו מרשים אלא בוחן של בטיחות נהיגה, ומסגרת הדירוג "2+3" שאחריה היא במפורש מסנן למודלים שנראים נכונים בלי להיות נכונים. סיבתיות ואינטראקטיביות הן השערים; דיוק פיזי, עקביות לאורך זמן וביצועים בזמן אמת הם התכונות המדורגות. יהיה מה שיהיה הכלל הזה, הוא תיאור של אופן הכשל של מחולל וידאו כשמיישמים אותו על סטאק נהיגה.

מה Hy-Nomas למעשה מספקת

Hy-Nomas הוא טרנספורמר דיפוזיה אוטו-רגרסיבי ברמת מקטעים, ולא מחולל וידאו בצילום יחיד. הוא מפיק מקטעים באורך משתנה המותנים בהיסטוריה השמורה במטמון, וכך הוא שומר על קוהרנטיות כשהמצלמה נעה: "זיכרון העולם" הוא מטמון KV המועבר קדימה ומתרענן עם יצירת מקטעים חדשים.

• גודל — כ-8 מיליארד פרמטרים ב-54 בלוקי MMDiT דו-זרימיים עם גודל חבוי של 2,048.

• קלטים — טקסט חופשי בתוספת מסלול מצלמה רציף, עם משפר פרומפט אופציונלי, Nomas-PE, שמשכתב פרוזה חופשית לכיתובי JSON מובנים.

• פלט — 720 על 1280 בקצב של 24 פריימים לשנייה, באמצעות מפענח PixelUMM שעבר כוונון עדין על לטנטים של DCAE-V, בשמונה שלבי הסרת רעש מזוקקים.

• משקלים — tencent/Hy-Nomas ב-Hugging Face תחת Apache 2.0, בסביבות 196GB, עם קוד ב-GitHub ודמו מתארח.

• חומרה — פריסת ברירת מחדל דורשת שמונה GPUs. קיים מסלול של RTX 4090 בודד המשתמש ב-DiT מסוג INT8 ומטמון KV, מפענח FP8 ו-offload ל-CPU, בכ-38GB.

הדו"ח הטכני, arXiv 2610.36729, הופיע ב-27 באוקטובר 2026 ומתאר את הטריק שגורם לאינטראקציה מרובת-תורים לעבוד: כתוביות מובנות מיושרות עם דפוס קשב סיבתי מודע-לפעולה, כך שההקשר התיאורי נשמר לאורך המקטעים בעוד שהוראות הפעולה מוגבלות לחלון שבו ניתנו. ההערכה היא מבחן של 280 מקרים על פני ארבעה מסלולים — טקסט מרובה-תורים, ניווט מצלמה, טקסט ומצלמה משולבים, וזיכרון מרחבי — עם השוואות אנושיות בזוגות מול Genie 3, LingBot-World v2 ו-Happy Oyster. ‏Hy-Nomas מנצח באינטראקציה ובעמידה בהנחיות, עם שיעור ניצחון מדווח של כ-65% בעמידה בהנחיות, ומפסיד ל-Genie 3 בזיכרון מרחבי ארוך-טווח. אלו ההשוואות של המחברים על המבחן של המחברים, והן הטענות הניתנות לבדיקה ביותר במאמר הזה, מפני שהמשקלים פומביים.

מה ש-Apollo World לא מפרסמת

החשיפה של Apollo World הייתה תדרוך יכולות, והחסרים מלמדים לא פחות מהטענות. אין מספר פרמטרים, אין ארכיטקטורה, אין מאמר, אין טבלת בנצ'מרקים עם בסיסי השוואה בשמות, אין משקולות, אין API ואין מחיר. מה שכן Baidu אמרה הוא שהמודל כבר תומך בבדיקות ובאימות הגלובליים של Apollo Go, שהוא יכול לכסות כ-100,000 קילומטרים של נהיגה מדומה ביום — כפי שמתואר כבערך שלוש שנים של בדיקות רצופות בידי מכונית מצוידת בנהג בטיחות — ושה-Apollo Go פועלת ב-28 ערים עם יותר מ-23 מיליון נסיעות, 350 מיליון קילומטרים אוטונומיים ויותר מ-240 מיליון קילומטרים ללא נהג לחלוטין.

נתון 100,000 הקילומטרים הוא זה שיש להתייחס אליו בזהירות. זהו מספר של החברה שאין מאחוריו מדידה חיצונית, וההשוואה שהוא נשען עליה — שלוש שנים של מכונית מבחן שנסעה ברציפות — תלויה בהנחת קילומטראז' שנתי שביידו לא ציינה. זה לא הופך אותו לשגוי. זה הופך אותו לבלתי ניתן לאימות, וזה דבר אחר ושימושי יותר לדעת.

טענות העיצוב, לעומת זאת, ספציפיות מספיק כדי להתווכח איתן. כל משתתף בתנועה הוא סוכן שמחליט ולא אביזר שפועל לפי תסריט. מצלמה ולידר נוצרים בזמן אמת. נסיעות נסגרות מקצה לקצה, מהזמנה שהתקבלה ועד לנוסע שהוסע ליעדו, בין מוצאות ויעדים שרירותיים. והכול חסום במחזור החלטה של שלושים חלקי שנייה, כ-33 אלפיות השנייה, וזה מה שהופך את תכונות ההתמדה וההשהיה לנושאות משקל ולא לקישוט.

החלת הרובריקה של Baidu עצמה על Hy-Nomas

התרגיל המעניין אינו להשוות בין השניים במונחים שיווקיים, אלא לקחת את חמשת הנכסים של Apollo World ולהצביע איתם על המודל שבאמת קיים.

סיבתיות: Hy-Nomas עובר, במובן ש-Baidu מתכוון. הוא אוטורגרסיבי על פני מקטעים ומתנה בהיסטוריה, כך שהעתיד נוצר מההווה ולא נבנה וממולא אחורה. אינטראקטיביות: חלקית. הוא מגיב להוראות טקסט ולתנועות מצלמה, אבל אלו פקודות של במאי, לא פעולות של סוכנים אחרים. שום דבר בסצנה לא מגיב לשום דבר אחר בסצנה. דיוק פיזי: לא נמדד, ואינו ניתן למדידה מהעבודה שפורסמה, שמעריכה מול העדפת אדם ולא מול אמת מידה מטרית. התמשכות: זו נקודת התורפה המתועדת — המאמר עצמו מדווח על פיגור אחרי Genie 3 בזיכרון מרחבי לטווח ארוך, וזו בדיוק תכונת הסחיפה ש-Baidu מצביע עליה. זמן אמת: 24 פריימים לשנייה בשמונה צעדי זיקוק הם מהירים עבור מודל דיפוזיה, אבל פריסת הייחוס היא שמונה GPUs, ותקציב 33 המילישניות אינו באותו סדר גודל.

שום דבר מזה לא הופך את Hy-Nomas למודל גרוע. זה הופך אותו לכלי אחר. כששופטים אותו כעולם וידאו אינטראקטיבי — הדבר שהוא נבנה להיות — הוא תחרותי מול הטובים ביותר שקיימים, והוא פתוח, מה שכמעט אף אחד מהמתחרים שלו אינו. כששופטים אותו כסימולטור נהיגה, הוא נכשל בארבעה מחמשת המבחנים של Baidu, והיה נכשל בהם גם אם המשקלים היו טובים פי שניים.

כמה עולה להפעיל כל אחד

ל-Hy-Nomas יש מחיר שאפשר לחשב. המשקלים חינמיים תחת Apache 2.0; העלות היא המחשב. כרטיס 4090 בודד שמריץ את המסלול המקוונט זקוק לכ-38GB זיכרון לאחר שמביאים בחשבון את הפריקה ל-CPU, ומפיק 720p ב-24 פריימים לשנייה. פריסת הייחוס בת שמונת כרטיסי ה-GPU היא הגרסה שמבחני הביצועים מתארים. אם אתם מייצרים כמה מאות קליפים עבור שאלת מחקר, כרטיס אחד מספיק; אם אתם מייצרים קורפוס אימון, חשבון החשמל הוא דמי הרישיון.

אין ל-Apollo World מחיר שניתן לחשב מכיוון שהוא לא למכירה. ההצהרה הכנה היחידה היא ש-Baidu לא פרסמה תנאים מסחריים, והפריסה המתוארת היא בתוך פעילות הרובוטקסי שלה.

עבור צוותים שבונים סביב אחד מהשניים, שאלת הניתוב נפרדת משאלת המודל. לא Apollo World ולא Hy-Nomas נמצאים בקטלוג של OrcaRouter — האחד פנימי ל-Baidu, האחר הוא מודל וידאו שאתם מארחים בעצמכם — והמאמר הזה לא הולך להעמיד פנים אחרת. מה שכן יש לנו הוא השכבה שמעריכה ומתזמרת פלט מסוג זה: שופט חזותי-לשוני שמדרג קליפים שנוצרו, מתכנן שהופך שאלת מחקר לקבוצת פרומפטים, ומודל גיבוי כאשר המודל הראשי מוגבל בקצב. זה API אחד מעל יותר מ-200 מודלים ב-0% תוספת מחיר, כאשר מחיר המחירון של הספק מועבר כפי שהוא, מה שהכי חשוב כשאתם מריצים אלפי קריאות שיפוט על הפלט של מודל של 196GB.

איזה מהם שייך לסטאק שלך?

אם ברצונכם לחקור סביבה שנוצרה, להעביר דרכה מצלמה ולבצע איטרציות על סצנה בדפדפן, {{1}}Hy-Nomas{{/1}} היא התשובה הטובה יותר והיא זמינה כבר עכשיו. הרישיון הפתוח אינו עניין פורמלי בלבד: הוא מאפשר לבצע כיוונון עדין, לכמת ולהפיץ, וזאת יותר ממה שניתן לומר על מרבית מודלי העולם האינטראקטיביים, כולל אלה שהיא גוברת עליהם בעמידה בהוראות.

אם אתם מאמתים מדיניות נהיגה, Hy-Nomas אינו תחליף לסימולטור ולא יהפוך לכזה באמצעות פרומפטים טובים יותר. השימוש הנכון ב-Apollo World הוא כמפרט: רובריקת ה-2+3 היא קבוצה של שאלות שתוכלו להפנות לכל ספק סימולטורים, ושאלת ההתמדה בפרט — מהי הסחיפה לאורך ריצה של עשר שעות — היא זו שמפרידה בין מתקן בדיקה לסרטון הדגמה.

ההתכנסות שכדאי לעקוב אחריה היא מודל עולם וידאו שפולט עומק מטרי ו-LiDAR לצד RGB, ומאומן עם פונקציית הפסד של עקביות פיזיקלית ולא תפיסתית. המחברים של Hy-Nomas כבר מתנים על מסלולי מצלמה בדרך בעלת משמעות גיאומטרית; הוספת ראש חיישן היא הצעד הבא המובן מאליו, ואף אחד לא פרסם אותו. עד שמישהו יעשה זאת, החלוקה ברורה: Hy-Nomas יוצר עולמות שאפשר להסתכל עליהם, Apollo World יוצר עולמות שמכונית יכולה להיות מדורגת בהם, והפער בין שני המשפטים האלה הוא המקום שבו נמצאת שנת העבודה הבאה.