Apollo World 対 Hunyuan3D WorldClaw：歩いて行ける場所か、それともスコアを狙えるドライブか

Apollo WorldとHunyuan3D WorldClawを比較するうえで最も有用なのは、両者とも「world」という語を使いながら、その意味するところが同じではないという点だ。Hunyuan3D WorldClawはTencent Hunyuanのエージェント型フレームワークで、1つの自由記述のテキストプロンプトから、Blenderで開いてゲームエンジンにエクスポートできる、明示的でテクスチャ付きのオブジェクト単位メッシュで構成された大規模かつ探索可能な3Dシーンを生成する。Apollo WorldはBaiduのエージェント駆動型シミュレーターで、2026年11月3日に公開された。仮想都市のカメラとLiDARの観測データをリアルタイムで生成し、ロボタクシー用スタックを完全なトリップ単位で訓練・評価できるようにする。WorldClawは場所を構築する。Apollo Worldはその中での走行を実行する。より優れた3Dを生成するのはどちらか知りたくてここに来たのなら、その問いはそもそも成り立たない形になっており、答えるよりも前提を解きほぐす価値がある。

ひとつの名詞をまとう2つの製品

重なり合う部分は確かに存在するが、狭い。どちらも、人が「世界」と呼びうるものを生み出す。しかしその後は、あらゆる性質が分岐していく。

• 成果物 — WorldClaw：個々のメッシュ、マテリアル、トランスフォームを含むシーンファイル。Apollo World：センサーフレームのストリームとエージェント状態。これは人ではなく運転ポリシーによって消費される。

• 作業単位 — WorldClaw：1つのプロンプトから1つのシーンへ。Apollo World：1つのルート、1つのポリシー、1つの採点済みトリップ。

• 時間 — WorldClawの出力は一度生成されると静的ですが、Apollo Worldは前へ進み続けるために存在し、一つひとつの決定が次に起こることを変えていきます。

• 対象者 — WorldClaw：レベルデザイナー、ゲームスタジオ、ジオメトリを必要とする合成データチーム。Apollo World：Baidu自身の自動運転組織。

• 「良い」とは何か — WorldClaw：シーンが一貫して見え、浮遊するオブジェクトなしで組み立てられるか。Apollo World：テスト中の車がより安全になるか。

そう言われてみれば、両者はライバルというより、まだ誰も端から端まで構築したことのないパイプラインの隣り合う段階だ。一方がセットを作り、もう一方がその上でトラフィックを仕切る。

WorldClawが実際に何をするのか、段階ごとに

WorldClawは、楽器というよりむしろ指揮者として理解するのが最も適切です。論文 arXiv 2608.05248 は2026年8月5日に提出され、公式発表は8月11日に続いて行われました。このフレームワークは自由形式のプロンプトを受け取り、粗から細へと進む4つの段階を実行します。

• {{1}}意図と計画{{/1}} — 言語モデルエージェントはプロンプトを読み、シーンに何を含めるべきかを判断して、画像ではなく計画を生成します。

• 地形 — グローバルパスがセマンティックレイアウト、ハイトフィールド、マテリアルを生成するため、何かを配置する前に地面が一貫性を保ちます。

• オブジェクト — 領域はレンダリングされ、セグメント化され、各領域はHunyuan3Dによって個別のメッシュに再構築されます。ここで明示的ジオメトリの約束が果たされます。出力はオブジェクトの集合であり、融合した塊やガウシアンスプラットではありません。

• リファインメント — ビジョンエージェントがレンダーを検査して、浮遊オブジェクト、相互貫通、誤ったスケールやポーズを検出し、修正を送り返します。

基盤となるスタックは、他社のモデル群と1つの非常に大規模なアプリケーションの寄せ集めだ。計画にはClaude Opus 4.8、画像生成にはGPT-Image-2、セグメンテーションにはSAM3とSAM3D、再構成にはHunyuan3D、組み立てにはMCP経由で駆動するBlender 5.1.1を使っている。Tencentはこれを4台のNVIDIA H20 GPU上で実行していると報告している。公開されている評価は定性的なもので、出力をSynCity、WorldGen、MajutsuCity、Marbleと並べて比較したシーンを示すだけで、FID、CLIP、ユーザー調査の数値はない。

リポジトリは、実際に使おうと考えている人にとってこそ重要な部分だ。公式GitHubプロジェクトにはREADMEとアセットがある。コードも、重みも、推論スクリプトも、APIも、価格もない。実装のないフレームワーク論文はツールではなく手法の説明にすぎず、多くの「試せますか」という疑問が潰えるのは、まさにその二つの間の隔たりにおいてなのだ。

Apollo Worldが実際に主張していること

Apollo Worldは、2026年11月3日に深圳で開催されたBaidu AI Day·Apolloにおいて、BaiduのIntelligent Driving GroupのチーフアーキテクトであるWang Liangと、ワールドモデル業務を率いるYang Zeによって公開された。その位置づけは鋭く、ワールドモデルは印象的な動画を描く画家ではなく、運転の安全性を審査する者であるべきだ、というものだった。Baiduはこれを「2+3」と呼ぶ評価基準で裏付けた。すなわち、そもそもワールドモデルに該当するかどうかを決める2つのゲートと、その良し悪しを格付けする3つの特性である。

判定基準は因果性とインタラクティブ性です。因果性とは、次の状態がフレームから組み立てられて後から埋められるのではなく、現在の状態から予測されることを意味します。インタラクティブ性とは、シーンに注入された行動によってその後に起こることが変わることを意味します。評価される特性は、物理的精度、持続性、リアルタイム性能です。持続性は、デモとテストリグを分ける特性です。長時間の実行でオブジェクトが徐々にドリフトしたり変形したりするシミュレータは、最終的には、開始時とはもはや一致しない世界に対してポリシーを評価することになります。Baidu は、道路車両の判断サイクルを30分の1秒、約33ミリ秒としています。

その約束を支えるのは、3つの能力です。あらゆる交通参加者は、台本通りに動く小道具ではなく、独自の意思決定を持つエージェントとしてモデル化されているため、ブレーキをかけたロボタクシーが後続車に異なる反応を引き起こすことができます。カメラとLiDARのデータはリアルタイムで生成され、これにより自動運転スタックは、実道路で使うのと同じインターフェースを通じて仮想都市を認識できます。そしてトリップは、孤立したシナリオクリップとしてではなく、任意の出発地と目的地にわたって、注文の受付、乗客の乗車、乗客の降車までエンドツーエンドで完結します。

Baiduは、このモデルがすでにApollo Goのグローバルなテストと検証を支えていると述べ、1日あたり約10万キロメートルのシミュレーション走行を挙げ、それをセーフティドライバーを同乗させた車による約3年間の連続テストに相当するものと位置づけている。Apollo Go自身の運用数値も併記された。28都市、2,300万回超の乗車、3億5,000万キロメートルの自動運転走行距離、うち2億4,000万キロメートル超が完全無人運転だった。パラメータ数、アーキテクチャ、ベンチマーク表、論文、重みファイル、価格はいずれも公開されていない。これは内部インフラに関する能力説明であり、製品発表ではない。

「Agentic」という言葉は、ここでは2つの異なる意味を持っています

これこそがこの比較に潜む罠であり、立ち止まって考える価値がある。なぜなら、両方の発表が同じ流行語に頼っているからだ。

WorldClawでは、エージェントが構築者です。言語モデルのプランナーがプロンプトをシーンプランに分解し、ビジョンエージェントが結果を検査して修正を指示します。知能はオーサリングループにあり、それはシーンを読み込む前の一度だけ動作します。メッシュがエクスポートされれば、エージェントはもう存在せず、世界は不活性なジオメトリです。

Apollo Worldでは、エージェントが住民である。プランナーは何かを組み立てているのではない。他の車を運転し、歩道を歩き、譲るかどうかを判断しているのだ。その知能はシミュレーションの間ずっと持続し、その目的はすべて、テスト対象のものに世界が反応するようにすることにある。反応する住民を備えた静的なシーンは、WorldClawの言葉では矛盾であり、Apolloの言葉ではまさに要点そのものである。

その違いは、両者を単純に組み合わせるのが難しい理由も説明しています。WorldClawのメッシュを運転シミュレーターに放り込んでも、見栄えのよいセットが手に入るだけで、その中では何も動いていません。WorldClawのシーンに反応する交通を加えるには、振る舞いのレイヤーを自分で書く必要があります。両フレームワークは同じ問題の異なる半分を解いており、どちらも残りの半分を提供していません。

どちらも利用できませんが、理由は同じではありません。

WorldClawは文書化されているが、配布可能ではない。論文は、十分なリソースを持つチームなら再実装できるほど詳細に手法を記述しており、いくつかの第三者機関が部分的なバージョンを構築しているが、Tencentはコードも重みも公開していない。4台のH20が必要であること、また別々にライセンスされたモデルのスタックに依存していることも、たとえ公開されたとしてもそのままダウンロードして使えるものにはならないことを意味している。

{{1}}Apollo World{{/1}}はデプロイ済みですが提供されていません。{{2}}Baidu{{/2}}はこれを{{3}}Apollo Go{{/3}}向けに稼働していると説明しており、その開示には商業条件もインターフェースも、外部アクセスが計画されているという示唆も含まれていません。したがって、両者の可用性に関する比較は「{{4}}オープン対クローズド{{/4}}」ではなく「{{5}}未リリース対内部向け{{/5}}」です——どちらかを待っている人にとっては重要な違いです。

今四半期にワールドが必要なチームにとって、現実的な道はどちらでもありません。プロシージャルシーンツールを備えたゲームエンジンは静的な半分をカバーし、商用ドライビングシミュレーターは動的な半分をカバーします。そしてオープンウェイトの動画ワールドモデルはデモ用の半分をカバーしますが、必要なのがセンサーなら、その出来はお粗末です。OrcaRouterはApollo WorldやHunyuan3D WorldClawを提供していません。どちらも呼び出し可能なモデルではないからです。しかし、シーンパイプラインを囲む言語・視覚ステージは通常のAPI作業であり、実際に当社がカバーするのはその層です：1つのキー、200以上のモデル、プロバイダー表示価格に対する0%のマークアップ、そしてビルド中に計画呼び出しがタイムアウトしたときのフェイルオーバー。

あなたの問題にとって正しい参照はどれですか

ゲームレベル、室内の合成データセット、あるいはバーチャルプロダクション用のセットを構築しているなら、たとえ WorldClaw を実行できなくても、こちらがより適切な設計です。4段階の分解——計画、地形、オブジェクト、洗練——は堅牢なアーキテクチャであり、明示的メッシュ出力は後から編集する必要があるあらゆるものにとって正しい選択です。定量評価がないことが、再実装に持ち込むべき注意点です。「SynCity より良く見える」は仕様ではありません。

走行スタックを検証しているなら、Apollo World の 2+3 ルーブリックのほうが有用なエクスポートであり、モデルはまだ使えなくても、今日チェックリストとして使えます。因果性、インタラクティブ性、物理的精度、長時間実行にわたる永続性、シーンの複雑さ下でのレイテンシについて、あらゆるシミュレータベンダーに尋ねてください。永続性の問いにドリフト測定値で答えられないベンダーは、物理学のラベルを貼った動画生成器を売っているのです。

この2つはおそらく収束するだろう。WorldClawのようなフレームワークから、編集可能でよく構造化されたシーンを取り込めるシミュレーターは、運転シミュレーションを高コストにしているコンテンツのボトルネックを解決するだろう。一方、WorldClaw級の生成器がその住民を動かせるようになれば、ジオラマを作り続けることはなくなる。どちらの企業もその取り組みを発表していない。今のところ正直に言えば、コードのないセットビルダーと扉のない交通監査官であり、両者が本当に共有しているのは一つの単語だけだ。