Apollo World vs Hy-Nomas: pixel che devono apparire corretti, sensori che devono essere corretti

Mostra a due persone lo stesso clip di dieci secondi di un'auto che si avvicina a un incrocio e entrambe concordaranno che sembra a posto. Mostralo a uno stack di pianificazione e solo una versione è utilizzabile, perché l'altra ha un pedone la cui ombra punta nella direzione sbagliata, un cordolo alto 40 centimetri di troppo e nessun ritorno lidar. Quel divario è tutta la differenza tra Apollo World e Hy-Nomas. Hy-Nomas è il modello di mondo video interattivo open-weight di Tencent Hunyuan: un modello da 8 miliardi di parametri che genera video a 720p da un prompt testuale e da un percorso di camera, rilasciato con licenza Apache 2.0 alla fine di ottobre 2026. Apollo World è il simulatore guidato da agenti di Baidu, reso noto il 3 novembre 2026, che produce osservazioni da telecamera e lidar di una città virtuale in cui il traffico reagisce al veicolo in prova. Uno è giudicato dall'occhio. L'altro è giudicato dal fatto che l'auto migliori nella guida.

Entrambi sono legittimamente chiamati modelli del mondo. Solo uno dei due può essere scaricato oggi pomeriggio, e solo l'altro è progettato per alimentare uno stack di percezione. È di questo compromesso che parla l'articolo.

La trappola della fedeltà

I modelli del mondo video ottimizzano per ciò che uno spettatore è disposto ad accettare. Non è una critica; è l’obiettivo corretto per un modello generativo, ed è per questo che Hy-Nomas può produrre una passeggiata convincente lungo una strada che non ha mai visto. Ma la plausibilità percettiva e la coerenza fisica sono obiettivi diversi, e si separano proprio là dove vive la guida autonoma.

Un modello addestrato a prevedere il frame successivo impara che le auto rallentano in prossimità degli incroci e che le ombre si allontanano da una sorgente luminosa. Non impara, dai soli pixel, che la distanza tra due strisce di corsia è di 3,5 metri, che un impulso lidar ritorna da una strada bagnata con una particolare intensità, o che un pedone che ha già iniziato a scendere in strada non può teletrasportarsi indietro sul marciapiede quando il veicolo ego frena. Chiedigli un flusso di sensori e produrrà qualcosa che sembra un flusso di sensori. Se i numeri al suo interno siano metrici è una questione separata che l'obiettivo di addestramento non ha mai posto.

Il materiale di lancio di Baidu è costruito attorno a quell'obiezione. Wang Liang, architetto capo dell'Intelligent Driving Group di Baidu, ha affermato sul palco che un world model non dovrebbe essere un pittore che produce video impressionanti, bensì un esaminatore della sicurezza di guida, e la rubrica "2+3" che ne è seguita è esplicitamente un filtro per modelli che sembrano corretti senza esserlo. Causalità e interattività sono i requisiti di accesso; accuratezza fisica, persistenza e prestazioni in tempo reale sono le proprietà valutate. Qualunque altra cosa sia la rubrica, è una descrizione della modalità di fallimento di un generatore video applicato a uno stack di guida.

Cosa spedisce realmente Hy-Nomas

Hy-Nomas è un diffusion transformer autoregressivo a segmenti, non un generatore video one-shot. Produce segmenti di lunghezza variabile condizionati a una cronologia memorizzata nella cache, ed è così che mantiene la coerenza mentre la camera si muove: la "memoria del mondo" è una KV cache portata avanti, aggiornata man mano che vengono generati nuovi segmenti.

• Dimensione — circa 8 miliardi di parametri distribuiti su 54 blocchi MMDiT a doppio flusso con una dimensione nascosta di 2.048.

• Input — testo libero più una traiettoria continua della camera, con un potenziatore di prompt opzionale, Nomas-PE, che riscrive prosa libera in didascalie JSON strutturate.

• Output — 720 x 1280 a 24 fotogrammi al secondo, utilizzando un decoder PixelUMM fine-tuned su latenti DCAE-V, in otto passaggi di denoising distillati.

• Pesi — tencent/Hy-Nomas su Hugging Face con licenza Apache 2.0, circa 196GB, con codice su GitHub e una demo ospitata.

• Hardware — un deployment predefinito richiede otto GPU. Esiste una soluzione con una singola RTX 4090 che utilizza un DiT INT8 e KV cache, un decoder FP8 e offload sulla CPU, a circa 38GB.

Il rapporto tecnico, arXiv 2610.36729, è apparso il 27 ottobre 2026 e descrive il trucco che rende funzionante l'interazione multi-turno: le didascalie strutturate sono allineate a un pattern di attenzione causale consapevole delle azioni, così il contesto descrittivo persiste attraverso i segmenti mentre le istruzioni di azione sono confinate alla finestra in cui sono state emesse. La valutazione è un benchmark di 280 casi su quattro tracce — testo multi-turno, navigazione della camera, testo e camera intercalati e memoria spaziale — con confronti pairwise umani contro Genie 3, LingBot-World v2 e Happy Oyster. Hy-Nomas vince sull'interazione e sull'aderenza ai prompt, con un tasso di vittoria riportato di circa il 65% sull'aderenza ai prompt, e perde contro Genie 3 sulla memoria spaziale a lungo termine. Questi sono i confronti degli autori sul benchmark degli autori, e sono le affermazioni più verificabili in questo articolo perché i pesi sono pubblici.

Ciò che Apollo World non pubblica

La divulgazione di Apollo World è stata un briefing sulle capacità, e le assenze sono informative quanto le dichiarazioni. Non ci sono conteggi dei parametri, architettura, paper, tabella di benchmark con baseline nominate, pesi, API né prezzo. Ciò che Baidu ha detto è che il modello sta già supportando i test e la validazione globali di Apollo Go, che può coprire circa 100.000 chilometri di guida simulata al giorno — inquadrati come circa tre anni di test continui da parte di un'auto dotata di safety driver — e che Apollo Go opera in 28 città con più di 23 milioni di corse, 350 milioni di chilometri autonomi e più di 240 milioni di chilometri completamente senza conducente.

Il dato dei 100.000 chilometri è quello da prendere con le molle. È un numero aziendale senza alcuna misurazione esterna a sostegno, e il confronto su cui si basa — tre anni di un'auto di prova in funzione ininterrottamente — dipende da un chilometraggio annuo presunto che Baidu non ha indicato. Ciò non lo rende sbagliato. Lo rende non verificabile, il che è una cosa diversa e più utile da sapere.

Le affermazioni sul design, al contrario, sono abbastanza specifiche da poter essere contestate. Ogni partecipante al traffico è un agente che decide, non una comparsa che segue un copione. Telecamera e lidar vengono generati in tempo reale. Le corse si completano end-to-end, dall'ordine accettato al passeggero portato a destinazione, con origini e destinazioni arbitrarie. E il tutto è vincolato a un ciclo decisionale di un trentesimo di secondo, circa 33 millisecondi, ed è questo che rende le proprietà di persistenza e latenza portanti anziché decorative.

Applicando i criteri di Baidu a Hy-Nomas

L'esercizio interessante non è confrontare i due in termini di marketing, ma prendere le cinque proprietà di Apollo World e puntarle contro il modello che esiste davvero.

Causalità: Hy-Nomas passa, nel senso che intende Baidu. È autoregressivo sui segmenti e si condiziona sulla storia, quindi il futuro viene generato dal presente anziché assemblato e riempito a posteriori. Interattività: parzialmente. Risponde a istruzioni testuali e movimenti di camera, ma quelli sono comandi del regista, non le azioni di altri agenti. Nulla nella scena reagisce a qualcos'altro nella scena. Accuratezza fisica: non misurata e non misurabile dal lavoro pubblicato, che valuta rispetto alla preferenza umana anziché a una verità di riferimento metrica. Persistenza: questo è il punto debole documentato — l'articolo stesso riporta che è in ritardo rispetto a Genie 3 sulla memoria spaziale a lungo termine, che è esattamente la proprietà di deriva che Baidu segnala. Tempo reale: 24 fotogrammi al secondo in otto passaggi distillati sono veloci per un modello di diffusione, ma il deployment di riferimento è di otto GPU, e il budget di 33 millisecondi non è nella stessa conversazione.

Niente di tutto ciò rende Hy-Nomas un modello scarso. Lo rende uno strumento diverso. Giudicato come mondo video interattivo — ciò per cui è stato costruito — è competitivo con il meglio disponibile ed è aperto, cosa che quasi nessuno dei suoi concorrenti è. Giudicato come simulatore di guida, fallisce quattro dei cinque test di Baidu, e li fallirebbe anche se i pesi fossero due volte migliori.

Quanto costa gestire ciascuno

Hy-Nomas ha un prezzo che puoi calcolare. I pesi sono gratuiti con licenza Apache 2.0; il costo è la macchina. Una singola 4090 che esegue il percorso quantizzato richiede circa 38 GB di memoria una volta conteggiato l'offload sulla CPU, e produce 720p a 24 fotogrammi al secondo. Il deployment di riferimento a otto GPU è la versione descritta dai benchmark. Se stai generando qualche centinaio di clip per una domanda di ricerca, una scheda è sufficiente; se stai generando un corpus di addestramento, la bolletta elettrica è il costo della licenza.

Apollo World non ha un prezzo calcolabile perché non è in vendita. L'unica affermazione onesta è che Baidu non ha pubblicato alcun termine commerciale, e l'implementazione descritta rientra nella sua stessa attività di robotaxi.

Per i team che costruiscono attorno a uno dei due, la questione del routing è separata da quella del modello. Né Apollo World né Hy-Nomas figurano nel catalogo di OrcaRouter — uno è interno a Baidu, l'altro è un modello video che ospiti tu stesso — e questo articolo non intende far credere il contrario. Quello che offriamo è il livello che valuta e orchestra questo tipo di output: un giudice visione-linguaggio che assegna un punteggio alle clip generate, un pianificatore che trasforma una domanda di ricerca in un batch di prompt, un modello di fallback quando il modello principale ha raggiunto il limite di richieste. Questo è un'unica API su oltre 200 modelli con ricarico 0%, con il prezzo di listino del fornitore passato così com'è, il che conta soprattutto quando esegui migliaia di chiamate di giudizio sull'output di un modello da 196GB.

Quale appartiene al tuo stack?

Se volete esplorare un ambiente generato, guidare una telecamera al suo interno e iterare su una scena in un browser, Hy-Nomas è la risposta migliore ed è disponibile ora. La licenza aperta non è una formalità: consente di fine-tunare, quantizzare e distribuire, cosa che non si può dire della maggior parte dei modelli del mondo interattivi, compresi quelli che supera nell'aderenza ai prompt.

Se stai convalidando una policy di guida, Hy-Nomas non è un sostituto di un simulatore e non lo diventerà grazie a un prompting migliore. L'uso corretto di Apollo World è come specifica: la rubrica 2+3 è un insieme di domande che puoi porre a qualsiasi fornitore di simulatori, e la domanda sulla persistenza in particolare — qual è la deriva su un'esecuzione di dieci ore — è quella che separa un banco di prova da un video dimostrativo.

La convergenza da tenere d'occhio è un modello del mondo video che emette profondità metrica e lidar insieme a RGB, addestrato con una loss di consistenza fisica anziché percettiva. Gli autori di Hy-Nomas condizionano già sulle traiettorie della camera in modo geometricamente significativo; aggiungere una testa sensoriale è il prossimo passo ovvio e nessuno l'ha ancora pubblicato. Finché qualcuno non lo farà, la divisione è netta: Hy-Nomas crea mondi che puoi guardare, Apollo World crea mondi in cui un'auto può essere valutata, e il divario tra queste due frasi è dove si concentrerà il lavoro del prossimo anno.