Hy-Nomas vs Hunyuan3D WorldClaw: stesso laboratorio, due tipi di mondo

Il gruppo Hunyuan di Tencent ha rilasciato due cose chiamate world model a distanza di tre mesi l'una dall'altra, e su quasi tutto non sono d'accordo. Hunyuan3D WorldClaw, pubblicato nell'agosto 2026, non è affatto un modello: è una pipeline agentica in quattro fasi che pianifica una scena con agenti LLM, genera il terreno, ricostruisce singoli oggetti come mesh texturizzate e poi fa sì che un agente di visione renderizzi il risultato e corregga ciò che sembra sbagliato. Hy-Nomas, rilasciato il 23 ottobre 2026, è un singolo diffusion transformer segmento-autoregressivo che esegue il rendering di video controllabili e distribuisce i suoi pesi con licenza Apache 2.0. Uno costruisce un asset 3D modificabile a partire da una frase. L'altro renderizza un mondo continuo a partire da una conversazione.

Il confronto vale la pena farlo proprio perché condividono un laboratorio. È un esperimento naturale pulito su due strategie: orchestrare modelli di frontiera in una pipeline, oppure addestrare un singolo modello a fare tutto. Le due release si invertono anche sul fronte dell’apertura: quella con lo stack ingegneristico più pesante non ha pubblicato codice, e quella che è un singolo modello ha pubblicato tutto.

Un modello e una pipeline sono tipi diversi di artefatto

Il paper di WorldClaw descrive un router. Il sistema orchestra diversi modelli frontier invece di occuparsi direttamente della generazione: agenti LLM per la pianificazione, un modello di immagini per i compositi regionali, un modello di segmentazione, Hunyuan3D di Tencent per la ricostruzione della mesh e Blender pilotato tramite MCP per l'assemblaggio. Il paper indica Claude Opus 4.8 come pianificatore e GPT-Image-2 e SAM3D tra i componenti regionali. Il suo contributo è la coreografia — la scomposizione dal globale al regionale e il ciclo di riparazione basato sul rendering — non un nuovo backbone generativo.

Hy-Nomas è la scommessa opposta. Un unico MMDiT dual-stream da 54 blocchi, dimensione nascosta 2.048, un encoder di testo Qwen2.5-VL-7B-Instruct, condizionamento della telecamera tramite cross-attention e una KV cache lifelong. Non ci sono planner, né fasi di segmentazione, né renderer esterni nel ciclo. Il modello è il sistema.

Quella differenza spiega le modalità di guasto. Una pipeline eredita le debolezze di ogni componente che chiama e può essere riparata un componente alla volta. Un singolo modello ha un'unica visione coerente del mondo e nessuna cucitura tra le fasi, ma qualsiasi debolezza è incorporata nei pesi e può essere corretta solo tramite riaddestramento o con una LoRA.

Cosa fanno davvero le quattro fasi di WorldClaw

La prima fase è l'analisi dell'intento e la pianificazione della scena. Due agenti LLM si dividono il compito: uno estrae soltanto i vincoli che l'utente ha effettivamente dichiarato, l'altro completa i dettagli per produrre una specifica di scena strutturata che copre regioni, terreno, oggetti e relazioni spaziali. La suddivisione è una difesa sensata contro il tipico fallimento di un singolo pianificatore, ovvero inventare requisiti e poi soddisfarli.

La fase due genera il terreno globale: una mappa di layout semantica, campi di altezza sensibili alle regioni e materiali, rocce e vegetazione assegnati per regione. La fase tre esegue il rendering di ciascuna regione in un composito 2D, segmenta le istanze, ricostruisce ognuna come mesh texturizzata tramite Hunyuan3D e la ricolloca sul terreno. La fase quattro è quella interessante — un agente di visione esegue il rendering della scena assemblata da molteplici punti di vista e cerca oggetti fluttuanti, interpenetrazioni, scale errate e pose errate, poi itera. L'assemblaggio avviene in Blender tramite MCP.

L'output è costituito da mesh esplicite, texturizzate e modificabili singolarmente, che si esportano in un motore di gioco. Si tratta di un prodotto sostanzialmente diverso da un video: ogni albero è un oggetto, ogni oggetto ha una trasformazione e un level designer può spostarne uno senza dover ri-renderizzare il mondo.

Mesh che puoi modificare, o video che puoi guidare

L'output di Hy-Nomas è un video 720 × 1280 a 24 FPS, generato in segmenti con otto passaggi di denoising nella configurazione distillata. Non puoi aprirlo in Blender. Puoi però reindirizzarlo a metà sessione: testo libero per ciò che è nel mondo, parametri estrinseci della camera per dove va l'inquadratura, e una cache KV che mantiene i segmenti precedenti coerenti con la nuova istruzione. La modifica è conversazionale e avviene prima che venga renderizzato il segmento successivo.

L'output di WorldClaw è modificabile a posteriori. Ottieni la geometria e la modifica è spaziale: sposta l'oggetto, ridimensiona l'albero, riesegui il rendering della regione. Ciò che non puoi fare è conversare con il mondo mentre esegue il rendering. La pipeline viene eseguita fino al completamento, poi lavori sull'asset.

• Output — video orientabile 720 × 1280 di Hy-Nomas rispetto a mesh esplicite texturizzate di Hunyuan3D WorldClaw in una scena

• Unità di lavoro — Hy-Nomas un segmento renderizzato su richiesta vs Hunyuan3D WorldClaw un intero mondo generato in quattro fasi

• Modifica — istruzioni testuali e della camera di Hy-Nomas tra i segmenti vs manipolazione diretta delle mesh di Hunyuan3D WorldClaw dopo la generazione

• Motore — Hy-Nomas: un singolo diffusion transformer contro Hunyuan3D WorldClaw, uno stack orchestrato di modelli all'avanguardia più Blender

• Hardware — Hy-Nomas 8 GPU per impostazione predefinita, una RTX 4090 nel percorso a bassa memoria INT8 rispetto a Hunyuan3D WorldClaw 4 × NVIDIA H20

• Rilascio — pesi, codice e dataset di benchmark Hy-Nomas con licenza Apache 2.0 rispetto a Hunyuan3D WorldClaw: un paper, una pagina di progetto e un README senza codice né pesi

Il costo di un mondo agentico

La storia computazionale di WorldClaw non è un numero di ore GPU nel senso usuale. Si tratta di quattro H20 più un gran numero di chiamate a modelli frontier: token di pianificazione, generazione di immagini per regione, segmentazione per istanza, ricostruzione mesh per oggetto e render ripetuti di agenti visivi durante il refinement. Il costo marginale di un mondo è dominato da quelle chiamate, e il paper non pubblica un prezzo. Le ricostruzioni della community che sostituiscono endpoint ospitati per immagini e 3D riportano circa cinquanta centesimi e qualche minuto per mondo, il che è un ordine di grandezza utile ma non una cifra del fornitore.

Il costo di Hy-Nomas è più convenzionale: otto GPU con parallelismo di sequenza a otto vie per impostazione predefinita, oppure una RTX 4090 con pesi DiT INT8, una cache KV INT8, cronologia a finestra scorrevole, offload sulla CPU, FlexAttention e un decoder CUTLASS FP8. Il set completo di checkpoint è di circa 196 GB; il percorso demo documentato scarica circa 86 GB, mentre il percorso a basso consumo di memoria richiede all'incirca 38 GB più il codificatore di testo. Non esiste un prezzo in hosting perché non esiste un servizio ospitato.

Il confronto che conta non è in dollari per mondo, ma dove finiscono i soldi. WorldClaw spende in token e chiamate API, che calano man mano che scendono i prezzi dei modelli di frontiera. Hy-Nomas spende in occupazione delle GPU, che non cala. Una pipeline diventa più economica sfruttando la curva di qualcun altro; un modello diventa più economico solo quando qualcuno lo distilla.

• Determinante di costo di Hy-Nomas — ore GPU per sessione di generazione, nessuna fatturazione per chiamata

• Determinante di costo di WorldClaw — chiamate a modelli frontier per pianificazione, imaging, segmentazione, ricostruzione e riparazione, più 4 × H20

• Leva di scaling Hy-Nomas — distillazione e LoRA, entrambi già nella release

• Leva di scalabilità di WorldClaw — modelli di componenti più economici e meno iterazioni di riparazione

WorldClaw è anche l'argomento più chiaro a favore di un livello di routing presente in questo batch, perché ne è uno. Il suo planner chiama un modello, la sua fase regionale ne chiama un altro, la sua fase di ricostruzione ne chiama un terzo, e il tutto è una politica di routing con un renderer annesso. OrcaRouter fa lo stesso lavoro per i modelli ospitati — oltre 200 modelli dietro un'unica chiave, prezzo di listino del provider passato con 0% di markup, failover automatico e un DSL di routing che compone più modelli in un'unica chiamata, con model fusion disponibile quando vuoi un panel anziché una catena. Né Hy-Nomas né WorldClaw è nel nostro catalogo, e non abbiamo intenzione di fingere che un world model self-hosted sia un endpoint; ciò che instradiamo è il livello che WorldClaw dimostra essere necessario.

L'apertura è invertita

Questa è la parte più strana della coppia. WorldClaw è il sistema più elaborato — una pipeline agentica a più stadi con un paper pubblicato e una pagina di progetto — e il repository GitHub ufficiale contiene un README, il paper e le risorse del progetto. Nessun codice, nessun peso, nessuna API, nessun prezzo. Una issue che chiede il codice è rimasta senza risposta. Ciò che esiste pubblicamente sono reimplementazioni della comunità che ricostruiscono la pipeline sopra endpoint ospitati, il che è una testimonianza della chiarezza del paper e non un sostituto del rilascio.

Hy-Nomas è il sistema più semplice e quello più aperto: Apache 2.0, checkpoint completi su Hugging Face, codice di inferenza e addestramento su GitHub, una harness per il captioning, un trainer LoRA, uno script di merge e il dataset di benchmark da 280 casi. Il rapporto tecnico manca e il benchmark non ha punteggi, ma l'artefatto è abbastanza completo da poter essere riprodotto e modificato.

Per chiunque programmi di costruire, quell'inversione conta più dell'architettura stessa. Una pipeline che non puoi eseguire è un documento di progettazione. Un modello che puoi eseguire è un punto di partenza, anche quando la sua valutazione è una pagina bianca.

Quale scegliere

Scegli l'approccio di Hunyuan3D WorldClaw quando il risultato da consegnare è un livello: un ambiente 3D ampio, esplorabile e modificabile che deve essere inserito in un motore di gioco ed essere modificato da una persona. Tieni presente che dovrai ricostruirlo partendo dal paper, perché Tencent non lo ha rilasciato, e che le sue dichiarazioni sulla qualità sono qualitative: il paper opera un confronto con SynCity, Marble di World Labs, MajutsuCity, WorldGen di Meta e GPT-5.6 Sol senza FID, CLIP o uno studio sugli utenti.

Ricorri a Hy-Nomas quando il deliverable è materiale video o un ambiente di addestramento: pre-vis, video sintetico, un generatore di scene robotiche che intendi adattare con la Robotics LoRA fornita. Tieni presente che la dichiarazione di coerenza a lungo orizzonte è un'argomentazione progettuale più una demo, non un punteggio, e che una singola esecuzione su 4090 è possibile ma comporta un sovraccarico di offload.

E se ti servono entrambi — un mondo modificabile e filmati controllabili che lo mostrano — la risposta onesta è che nessuna singola release di Tencent te lo offre oggi. WorldClaw produce geometria che non puoi animare in modo conversazionale. Hy-Nomas produce video che non puoi esportare. Il divario tra i due è il prodotto che nessuno ha ancora lanciato, ed è una cosa più interessante da osservare rispetto a ciascuno dei due modelli da solo.