Apollo World vs Hy-Nomas: Piksel yang Harus Terlihat Tepat, Sensor yang Harus Akurat

Tunjukkan klip sepuluh detik yang sama kepada dua orang, tentang mobil yang mendekati persimpangan, dan keduanya akan setuju bahwa klip itu terlihat baik-baik saja. Tunjukkan klip itu kepada stack perencanaan, dan hanya satu versi yang dapat digunakan, karena versi lainnya memiliki pejalan kaki yang bayangannya mengarah ke arah yang salah, tepi jalan yang terlalu tinggi 40 sentimeter, dan sama sekali tidak ada pantulan lidar. Kesenjangan itulah seluruh perbedaan antara {{1}}Apollo World{{/1}} dan {{2}}Hy-Nomas{{/2}}. {{3}}Hy-Nomas{{/3}} adalah model dunia video interaktif berbobot terbuka milik Tencent Hunyuan: model {{4}}8 miliar parameter{{/4}} yang menghasilkan video {{5}}720p{{/5}} dari prompt teks dan jalur kamera, dirilis di bawah {{6}}Apache 2.0{{/6}} pada akhir Oktober 2026. {{7}}Apollo World{{/7}} adalah simulator yang digerakkan agen milik Baidu, diungkapkan pada 3 November 2026, yang menghasilkan observasi kamera dan lidar dari kota virtual tempat lalu lintas bereaksi terhadap kendaraan yang diuji. Yang satu dinilai dengan mata. Yang lain dinilai dari apakah mobil menjadi lebih baik dalam mengemudi.

Keduanya memang sah disebut model dunia. Hanya salah satunya yang bisa diunduh sore ini, dan hanya yang lainnya yang dirancang untuk memberi masukan bagi stack persepsi. Pertukaran itulah inti artikelnya.

Jebakan kesetiaan

Model dunia video mengoptimalkan apa yang akan diterima penonton. Itu bukan kritik; itu adalah tujuan yang tepat bagi model generasi, dan itulah sebabnya Hy-Nomas dapat menghasilkan perjalanan yang meyakinkan melalui jalan yang belum pernah dilihatnya. Namun kewajaran perseptual dan konsistensi fisik adalah sasaran yang berbeda, dan keduanya berpisah tepat di wilayah tempat mengemudi otonom berada.

Sebuah model yang dilatih untuk memprediksi frame berikutnya mempelajari bahwa mobil melambat di dekat persimpangan dan bahwa bayangan menjauh dari sumber cahaya. Model itu tidak mempelajari, hanya dari piksel, bahwa jarak antara dua marka lajur adalah 3,5 meter, bahwa pulsa lidar kembali dari jalan basah dengan intensitas tertentu, atau bahwa pejalan kaki yang sudah mulai melangkah keluar tidak dapat berteleportasi kembali ke tepi jalan ketika kendaraan ego mengerem. Mintalah aliran sensor kepadanya, dan ia akan menghasilkan sesuatu yang tampak seperti aliran sensor. Apakah angka-angka di dalamnya bersatuan metrik adalah pertanyaan terpisah yang tidak pernah diajukan oleh objektif pelatihan.

Materi peluncuran Baidu dibangun di seputar keberatan tersebut. Wang Liang, arsitek utama Baidu Intelligent Driving Group, mengatakan di atas panggung bahwa model dunia seharusnya bukan pelukis yang menghasilkan video mengesankan, melainkan penguji keselamatan berkendara, dan rubrik "2+3" yang menyusul secara eksplisit merupakan filter untuk model yang terlihat benar tanpa benar-benar benar. Kausalitas dan interaktivitas adalah gerbangnya; akurasi fisik, persistensi, dan performa real-time adalah properti yang dinilai. Apa pun definisi rubrik itu, ia adalah deskripsi mode kegagalan generator video yang diterapkan pada stack pengemudian.

Apa yang sebenarnya dikirim Hy-Nomas

Hy-Nomas adalah transformer difusi autoregresif-segmen, bukan generator video sekali jalan. Ia menghasilkan segmen dengan panjang bervariasi yang dikondisikan pada riwayat yang di-cache, dan dengan cara itulah ia menjaga koherensi saat kamera bergerak: "memori dunia" adalah cache KV yang diteruskan, diperbarui saat segmen-segmen baru dihasilkan.

• Ukuran — sekitar 8 miliar parameter di 54 blok MMDiT dual-stream dengan ukuran tersembunyi 2,048.

• Input — teks bebas ditambah lintasan kamera kontinu, dengan peningkat prompt opsional, Nomas-PE, yang menulis ulang prosa lepas menjadi keterangan JSON terstruktur.

• Keluaran — 720 × 1280 pada 24 frame per detik, menggunakan dekoder PixelUMM yang telah di-fine-tune pada latent DCAE-V, dalam delapan langkah denoising terdistilasi.

• Bobot — tencent/Hy-Nomas di Hugging Face dengan lisensi Apache 2.0, sekitar 196GB, dengan kode di GitHub dan demo yang dihosting.

• Perangkat keras — deployment default membutuhkan delapan GPU. Tersedia jalur RTX 4090 tunggal yang menggunakan DiT INT8 dan cache KV, decoder FP8, serta offload CPU, dengan sekitar 38GB.

Laporan teknis, arXiv 2610.36729, terbit pada 27 Oktober 2026 dan menjelaskan trik yang membuat interaksi multi-giliran berfungsi: keterangan terstruktur diselaraskan dengan pola atensi kausal yang sadar tindakan, sehingga konteks deskriptif tetap bertahan lintas segmen sementara instruksi tindakan dibatasi pada jendela saat instruksi itu diberikan. Evaluasinya adalah tolok ukur 280 kasus di empat jalur — teks multi-giliran, navigasi kamera, teks dan kamera berselang-seling, serta memori spasial — dengan perbandingan berpasangan oleh manusia terhadap Genie 3, LingBot-World v2, dan Happy Oyster. Hy-Nomas menang dalam interaksi dan mengikuti prompt, dengan tingkat kemenangan yang dilaporkan sekitar 65% dalam mengikuti prompt, dan kalah dari Genie 3 dalam memori spasial jangka panjang. Itu adalah perbandingan para penulis pada tolok ukur para penulis, dan merupakan klaim yang paling mudah diperiksa dalam artikel ini karena bobotnya tersedia untuk publik.

Apa yang tidak diterbitkan oleh Apollo World

Pengungkapan Apollo World adalah pengarahan tentang kapabilitas, dan hal-hal yang tidak disampaikan sama informatifnya dengan klaimnya. Tidak ada jumlah parameter, tidak ada arsitektur, tidak ada makalah, tidak ada tabel tolok ukur dengan baseline yang disebutkan namanya, tidak ada bobot, tidak ada API, dan tidak ada harga. Yang dikatakan Baidu adalah bahwa model tersebut sudah mendukung pengujian dan validasi global Apollo Go, bahwa model itu dapat mencakup sekitar 100.000 kilometer berkendara simulasi per hari — digambarkan sebagai sekitar tiga tahun pengujian berkelanjutan oleh mobil yang dilengkapi pengemudi keselamatan — dan bahwa Apollo Go beroperasi di 28 kota dengan lebih dari 23 juta perjalanan, 350 juta kilometer otonom, dan lebih dari 240 juta kilometer yang sepenuhnya tanpa pengemudi.

Angka 100.000 kilometer adalah angka yang perlu dipegang dengan longgar. Itu angka perusahaan tanpa pengukuran eksternal di baliknya, dan perbandingan yang menjadi landasannya—tiga tahun mobil uji berjalan terus-menerus—bergantung pada asumsi jarak tempuh tahunan yang tidak disebutkan Baidu. Itu tidak membuatnya salah. Itu membuatnya tak terverifikasi, yang merupakan hal berbeda dan lebih berguna untuk diketahui.

Klaim desainnya, sebaliknya, cukup spesifik untuk diperdebatkan. Setiap peserta lalu lintas adalah agen yang mengambil keputusan, bukan properti yang mengikuti skrip. Kamera dan lidar dihasilkan secara real-time. Perjalanan tuntas dari ujung ke ujung, dari pesanan yang diterima hingga penumpang yang diantar, melintasi asal dan tujuan yang arbitrer. Dan keseluruhannya dibatasi oleh siklus keputusan sepertiga puluh detik, sekitar 33 milidetik, yang menjadikan sifat persistensi dan latensi sebagai penopang, bukan sekadar dekoratif.

Menerapkan rubrik milik Baidu sendiri pada Hy-Nomas

Latihan yang menarik bukanlah membandingkan keduanya dalam istilah pemasaran, tetapi mengambil lima properti Apollo World dan mengarahkannya pada model yang benar-benar ada.

Kausalitas: Hy-Nomas lolos, dalam pengertian yang dimaksud Baidu. Model ini autoregresif atas segmen-segmen dan mengondisikan pada riwayat, sehingga masa depan dihasilkan dari masa kini alih-alih dirakit dan diisi ulang ke belakang. Interaktivitas: sebagian. Model ini merespons instruksi teks dan gerakan kamera, tetapi itu adalah perintah sutradara, bukan tindakan agen lain. Tidak ada apa pun dalam adegan yang bereaksi terhadap apa pun yang lain dalam adegan. Akurasi fisik: belum diukur, dan tidak terukur dari karya yang diterbitkan, yang mengevaluasi terhadap preferensi manusia alih-alih kebenaran dasar metrik. Persistensi: ini adalah titik lemah yang terdokumentasi — makalah itu sendiri melaporkan tertinggal dari Genie 3 dalam memori spasial jangka panjang, yang persis merupakan sifat drift yang disoroti Baidu. Waktu nyata: 24 frame per detik dalam delapan langkah terdistilasi cepat untuk model difusi, tetapi penerapan referensinya adalah delapan GPU, dan anggaran 33 milidetik tidak berada dalam pembicaraan yang sama.

Semua itu tidak menjadikan Hy-Nomas model yang buruk. Semua itu menjadikannya instrumen yang berbeda. Jika dinilai sebagai dunia video interaktif — hal yang memang menjadi tujuan pembuatannya — ia kompetitif dengan yang terbaik yang tersedia dan bersifat terbuka, sementara hampir tidak ada pesaingnya yang demikian. Jika dinilai sebagai simulator mengemudi, ia gagal dalam empat dari lima tes Baidu, dan akan tetap gagal bahkan jika bobotnya dua kali lebih baik.

Berapa biaya operasional masing-masing

Hy-Nomas memiliki harga yang bisa Anda hitung. Bobotnya gratis di bawah Apache 2.0; biayanya adalah mesinnya. Satu 4090 yang menjalankan jalur terkuantisasi membutuhkan sekitar 38GB memori setelah offload CPU diperhitungkan, dan menghasilkan 720p pada 24 frame per detik. Deployment referensi delapan GPU adalah versi yang dijelaskan oleh benchmark. Jika Anda menghasilkan beberapa ratus klip untuk pertanyaan penelitian, satu kartu cukup; jika Anda menghasilkan korpus pelatihan, tagihan listrik adalah biaya lisensinya.

Apollo World tidak memiliki harga yang dapat dihitung karena tidak dijual. Satu-satunya pernyataan yang jujur adalah bahwa Baidu belum menerbitkan ketentuan komersial apa pun, dan penerapan yang dijelaskan berada di dalam operasi robotaxi miliknya sendiri.

Bagi tim yang membangun di sekitar salah satu dari keduanya, pertanyaan perutean terpisah dari pertanyaan model. Baik Apollo World maupun Hy-Nomas tidak ada dalam katalog OrcaRouter — yang satu internal di Baidu, yang lainnya model video yang Anda host sendiri — dan artikel ini tidak akan berpura-pura sebaliknya. Yang kami sediakan adalah lapisan yang mengevaluasi dan mengorkestrasi output semacam ini: penilai vision-language yang memberi skor pada klip yang dihasilkan, planner yang mengubah pertanyaan riset menjadi sekumpulan prompt, model fallback ketika model utama terkena pembatasan laju. Itulah satu API untuk lebih dari 200 model dengan markup 0%, dengan harga daftar penyedia diteruskan apa adanya, yang paling penting ketika Anda menjalankan ribuan panggilan penilai terhadap output model 196GB.

Yang mana yang cocok untuk stack Anda?

Jika Anda ingin menjelajahi lingkungan yang dihasilkan, mengarahkan kamera melaluinya, dan melakukan iterasi pada sebuah scene di browser, Hy-Nomas adalah jawaban yang lebih baik dan tersedia sekarang. Lisensi terbuka bukan sekadar formalitas: lisensi ini memungkinkan Anda melakukan fine-tune, kuantisasi, dan merilis, yang tidak bisa dikatakan untuk sebagian besar model dunia interaktif, termasuk model-model yang dikalahkannya dalam hal mengikuti prompt.

Jika Anda memvalidasi kebijakan mengemudi, Hy-Nomas bukanlah pengganti simulator dan tidak akan menjadi pengganti melalui prompting yang lebih baik. Penggunaan yang tepat untuk Apollo World adalah sebagai spesifikasi: rubrik 2+3 adalah serangkaian pertanyaan yang dapat Anda ajukan kepada vendor simulator mana pun, dan pertanyaan persistensi secara khusus — berapa drift selama sepuluh jam pengoperasian — adalah pertanyaan yang membedakan rig pengujian dari reel demo.

Konvergensi yang perlu diperhatikan adalah model dunia video yang mengeluarkan kedalaman metrik dan lidar bersama RGB, dilatih dengan loss konsistensi fisik alih-alih loss perseptual. Para penulis Hy-Nomas sudah mengondisikan pada lintasan kamera dengan cara yang bermakna secara geometris; menambahkan head sensor adalah langkah berikutnya yang jelas dan belum ada yang mempublikasikannya. Sampai seseorang melakukannya, pembagiannya jelas: Hy-Nomas membuat dunia yang dapat Anda lihat, Apollo World membuat dunia tempat sebuah mobil dapat dinilai, dan celah antara kedua kalimat itu adalah tempat kerja tahun berikutnya berada.