Hy-Nomas vs Hunyuan3D WorldClaw: Lab yang Sama, Dua Jenis Dunia

Grup Hunyuan milik Tencent merilis dua hal yang disebut model dunia dalam selang tiga bulan satu sama lain, dan keduanya tidak sepakat tentang hampir segala hal. Hunyuan3D WorldClaw, yang diterbitkan pada Agustus 2026, sebenarnya bukan model sama sekali: ini adalah pipeline agentik empat tahap yang merencanakan sebuah adegan dengan agen LLM, menghasilkan medan, merekonstruksi objek individual sebagai mesh bertekstur, lalu meminta agen visi merender hasilnya dan memperbaiki apa yang tampak salah. Hy-Nomas, yang dirilis pada 23 Oktober 2026, adalah transformer difusi autoregresif segmen tunggal yang merender video yang dapat dikendalikan dan merilis bobotnya di bawah Apache 2.0. Yang satu membangun aset 3D yang dapat diedit dari sebuah kalimat. Yang lain merender dunia kontinu dari sebuah percakapan.

Perbandingannya layak dilakukan justru karena mereka berbagi laboratorium. Ini adalah eksperimen alami yang bersih dalam dua strategi: mengorkestrasi model-model frontier ke dalam pipeline, atau melatih satu model untuk melakukan semuanya. Kedua rilis tersebut juga saling berkebalikan dalam hal keterbukaan — yang memiliki tumpukan rekayasa lebih berat tidak menerbitkan kode, dan yang merupakan satu model menerbitkan semuanya.

Sebuah model dan sebuah pipeline adalah jenis artefak yang berbeda.

Makalah WorldClaw menjelaskan sebuah router. Sistem ini mengorkestrasi beberapa model frontier alih-alih melakukan generasi sendiri: agen LLM untuk perencanaan, model gambar untuk komposit regional, model segmentasi, Hunyuan3D milik Tencent untuk rekonstruksi mesh, dan Blender yang dijalankan melalui MCP untuk perakitan. Makalah tersebut menyebut Claude Opus 4.8 sebagai perencana serta GPT-Image-2 dan SAM3D di antara komponen regionalnya. Kontribusinya adalah koreografi — dekomposisi global-ke-regional dan lingkar perbaikan berbasis render — bukan tulang punggung generatif yang baru.

Hy-Nomas adalah taruhan sebaliknya. Satu MMDiT aliran ganda 54-blok, ukuran tersembunyi 2,048, encoder teks Qwen2.5-VL-7B-Instruct, pengondisian kamera melalui cross-attention, dan cache KV seumur hidup. Tidak ada perencana, tidak ada tahap segmentasi, tidak ada perender eksternal dalam loop. Model adalah sistemnya.

Perbedaan itu menjelaskan mode kegagalan. Pipeline mewarisi kelemahan setiap komponen yang dipanggilnya dan dapat diperbaiki satu komponen dalam satu waktu. Model tunggal memiliki satu pandangan dunia yang koheren dan tidak ada sambungan antartahap, tetapi kelemahan apa pun tertanam dalam bobot dan hanya dapat diperbaiki dengan pelatihan ulang atau dengan LoRA.

Apa yang sebenarnya dilakukan oleh keempat tahap WorldClaw

Tahap satu adalah analisis maksud dan perencanaan adegan. Dua agen LLM membagi tugas: satu hanya mengekstrak batasan yang benar-benar dinyatakan pengguna, yang lain mengisi detail untuk menghasilkan spesifikasi adegan terstruktur yang mencakup wilayah, medan, objek, dan hubungan spasial. Pemisahan itu merupakan pertahanan yang masuk akal terhadap kegagalan umum perencana tunggal, yaitu menciptakan persyaratan lalu memenuhinya.

Tahap dua menghasilkan terrain global: peta tata letak semantik, height field yang sadar wilayah, serta material, batu, dan vegetasi yang ditetapkan per wilayah. Tahap tiga merender setiap wilayah menjadi komposit 2D, menyegmentasi instance, merekonstruksi masing-masing sebagai mesh bertekstur melalui Hunyuan3D, dan menempatkannya kembali pada terrain. Tahap empat adalah yang menarik — agen visi merender adegan yang telah dirakit dari berbagai sudut pandang dan mencari objek yang melayang, saling menembus, skala yang salah, dan pose yang salah, lalu melakukan iterasi. Perakitan dilakukan di Blender melalui MCP.

Outputnya adalah mesh eksplisit, bertekstur, dan dapat diedit satu per satu yang dapat diekspor ke game engine. Itu adalah hasil yang benar-benar berbeda dari sebuah video: setiap pohon adalah objek, setiap objek memiliki transform, dan seorang desainer level dapat memindahkan salah satunya tanpa merender ulang seluruh dunia.

Mesh yang bisa Anda edit, atau video yang bisa Anda arahkan

Output Hy-Nomas adalah video 720 × 1280 pada 24 FPS, dihasilkan dalam segmen-segmen dengan delapan langkah denoising dalam konfigurasi distilled. Anda tidak dapat membukanya di Blender. Namun, Anda dapat mengarahkannya ulang di tengah sesi: teks bebas untuk apa yang ada di dunia, ekstrinsik kamera untuk ke mana bidikan bergerak, dan cache KV yang menjaga segmen-segmen sebelumnya tetap konsisten dengan instruksi baru. Editnya bersifat percakapan dan terjadi sebelum segmen berikutnya dirender.

Keluaran WorldClaw dapat diedit setelah proses selesai. Anda mendapatkan geometri, dan editnya bersifat spasial — pindahkan objek, ubah skala pohon, render ulang wilayah tersebut. Yang tidak dapat Anda lakukan adalah bercakap-cakap dengan dunia saat ia merender. Pipeline berjalan hingga selesai, lalu Anda mengerjakan aset tersebut.

• Keluaran — video 720 × 1280 Hy-Nomas yang dapat dikendalikan vs mesh bertekstur eksplisit Hunyuan3D WorldClaw dalam suatu scene

• Satuan kerja — Hy-Nomas segmen yang dirender sesuai permintaan vs Hunyuan3D WorldClaw dunia utuh yang dihasilkan dalam empat tahap

• Pengeditan — instruksi teks dan kamera Hy-Nomas antar segmen vs manipulasi langsung mesh oleh Hunyuan3D WorldClaw setelah generasi

• Engine — Hy-Nomas satu diffusion transformer vs Hunyuan3D WorldClaw, tumpukan terorkestrasi model-model terdepan ditambah Blender

• Perangkat keras — Hy-Nomas 8 GPU secara default, satu RTX 4090 pada jalur memori rendah INT8 vs Hunyuan3D WorldClaw 4 × NVIDIA H20

• Rilis — bobot, kode, dan dataset benchmark Hy-Nomas Apache 2.0 vs Hunyuan3D WorldClaw: makalah, halaman proyek, dan README tanpa kode atau bobot

Biaya dunia agentik

Kisah komputasi WorldClaw bukanlah angka GPU-jam dalam pengertian biasa. Ini adalah empat H20 ditambah sejumlah besar panggilan model frontier: token perencanaan, pembuatan gambar per wilayah, segmentasi per instance, rekonstruksi mesh per objek, dan render agen visi berulang selama penyempurnaan. Biaya marginal sebuah dunia didominasi oleh panggilan-panggilan tersebut, dan makalah itu tidak menerbitkan harga. Rebuild komunitas yang menggantikan endpoint gambar dan 3D terhosting melaporkan sekitar lima puluh sen dan beberapa menit per dunia, yang merupakan orde besaran yang berguna tetapi bukan angka vendor.

Biaya Hy-Nomas lebih konvensional: delapan GPU dengan paralelisme sekuens delapan arah secara default, atau satu RTX 4090 dengan bobot DiT INT8, cache KV INT8, riwayat jendela geser, offload CPU, FlexAttention, dan dekoder FP8 CUTLASS. Kumpulan checkpoint lengkap berukuran sekitar 196 GB; jalur demo yang didokumentasikan mengunduh sekitar 86 GB, dan jalur memori rendah membutuhkan sekitar 38 GB ditambah encoder teks. Tidak ada harga hosted karena tidak ada layanan hosted.

Perbandingan yang penting bukanlah dolar per dunia, melainkan ke mana uangnya pergi. WorldClaw membelanjakan uang untuk token dan panggilan API, yang turun seiring turunnya harga model frontier. Hy-Nomas membelanjakan uang untuk okupansi GPU, yang tidak demikian. Sebuah pipeline menjadi lebih murah mengikuti kurva orang lain; sebuah model menjadi lebih murah hanya ketika seseorang menyulingnya.

• Pemicu biaya Hy-Nomas — jam GPU per sesi pembuatan, tanpa penagihan per panggilan

• Pemicu biaya WorldClaw — panggilan model frontier untuk perencanaan, pencitraan, segmentasi, rekonstruksi, dan perbaikan, ditambah 4 × H20

• Tuas penskalaan Hy-Nomas — distilasi dan LoRA, keduanya sudah ada dalam rilis

• Tuas penskalaan WorldClaw — model komponen yang lebih murah dan iterasi perbaikan yang lebih sedikit

WorldClaw juga merupakan argumen paling jelas untuk lapisan perutean yang ada dalam batch ini, karena ia memang salah satunya. Planner-nya memanggil satu model, tahap regionalnya memanggil model lain, tahap rekonstruksinya memanggil model ketiga, dan keseluruhannya adalah kebijakan perutean dengan renderer yang menempel. OrcaRouter melakukan pekerjaan yang sama untuk model terkelola — 200+ model di balik satu kunci, harga daftar penyedia diteruskan dengan markup 0%, failover otomatis, dan DSL perutean yang menyusun beberapa model menjadi satu panggilan, dengan fusi model tersedia saat Anda menginginkan panel alih-alih rantai. Baik Hy-Nomas maupun WorldClaw tidak ada di katalog kami, dan kami tidak akan berpura-pura bahwa model dunia yang di-host sendiri adalah sebuah endpoint; yang kami rutekan adalah lapisan yang ditunjukkan WorldClaw bahwa Anda membutuhkannya.

Keterbukaan terbalik

Ini adalah bagian paling aneh dari pasangan tersebut. WorldClaw adalah sistem yang lebih rumit — pipeline agentik multi-tahap dengan makalah yang diterbitkan dan halaman proyek — dan repositori GitHub resminya berisi README, makalah, dan aset proyek. Tidak ada kode, tidak ada bobot, tidak ada API, tidak ada harga. Sebuah issue yang meminta kode tersebut belum dijawab. Yang tersedia secara publik adalah reimplementasi komunitas yang membangun ulang pipeline di atas endpoint yang dihosting, yang merupakan bukti kejelasan makalah dan bukan pengganti rilis.

Hy-Nomas adalah sistem yang lebih sederhana dan lebih terbuka: Apache 2.0, checkpoint lengkap di Hugging Face, kode inferensi dan pelatihan di GitHub, harness captioning, pelatih LoRA, skrip merge, dan dataset benchmark 280 kasus. Laporan teknisnya tidak ada dan benchmark tidak memiliki skor, tetapi artefaknya cukup lengkap untuk direproduksi dan dimodifikasi.

Bagi siapa pun yang berencana membangun, pembalikan itu menentukan lebih banyak daripada arsitekturnya. Pipeline yang tidak dapat Anda jalankan hanyalah dokumen desain. Model yang dapat Anda jalankan adalah titik awal, bahkan ketika evaluasinya masih berupa halaman kosong.

Mana yang harus dipilih

Gunakan {{1}}pendekatan Hunyuan3D WorldClaw{{/1}} ketika hasil yang diinginkan adalah level: {{2}}lingkungan 3D besar yang dapat dijelajahi dan diedit{{/2}} yang harus dimasukkan ke mesin game dan dimodifikasi oleh manusia. Ketahuilah bahwa Anda akan membangunnya kembali dari makalah, karena {{3}}Tencent{{/3}} belum merilisnya, dan bahwa klaim kualitasnya bersifat {{4}}kualitatif{{/4}} — makalah tersebut membandingkannya dengan {{5}}SynCity, Marble dari World Labs, MajutsuCity, WorldGen dari Meta, dan GPT-5.6 Sol{{/5}} tanpa {{6}}FID, CLIP, atau studi pengguna{{/6}}.

Gunakan Hy-Nomas ketika keluaran yang diinginkan adalah rekaman footage atau lingkungan pelatihan: pre-vis, video sintetis, generator adegan robotika yang ingin Anda adaptasi dengan Robotics LoRA yang disertakan. Ketahuilah bahwa klaim konsistensi cakrawala panjang adalah argumen desain plus demo, bukan skor, dan bahwa eksekusi dengan satu 4090 memungkinkan tetapi membawa overhead offload.

Dan jika Anda membutuhkan keduanya — dunia yang dapat diedit dan rekaman dunia itu yang dapat dikendalikan — jawaban jujurnya adalah tidak ada satu pun rilis Tencent yang memberi Anda itu saat ini. WorldClaw menghasilkan geometri yang tidak dapat Anda animasikan secara percakapan. Hy-Nomas menghasilkan video yang tidak dapat Anda ekspor. Celah di antara keduanya adalah produk yang belum dirilis siapa pun, dan itu adalah hal yang lebih menarik untuk disimak daripada salah satu model itu sendiri.