Apollo World vs Hy-Nomas：見た目が正しくなければならないピクセル、正確でなければならないセンサー

同じ10秒のクリップを2人に見せる。交差点に近づく車を映したもので、2人とも問題なく見えると言う。だが、それをプランニングスタックに見せると、使えるのは一方だけだ。もう一方には、影が逆向きを指す歩行者がいて、縁石が40センチ高すぎ、ライダーのリターンがまったくないからだ。この差こそが、Apollo WorldとHy-Nomasの違いそのものだ。Hy-NomasはTencent Hunyuanのオープンウェイトのインタラクティブ動画ワールドモデルで、テキストプロンプトとカメラパスから720p動画を生成する80億パラメータのモデルであり、2026年10月下旬にApache 2.0で公開された。Apollo WorldはBaiduのエージェント駆動シミュレータで、2026年11月3日に公表された。試験対象車両に交通が反応する仮想都市のカメラ観測とライダー観測を出力する。一方は目で評価される。もう一方は、車の運転がうまくなるかどうかで評価される。

どちらも紛れもなくワールドモデルと呼ばれる。だが、今日の午後すぐにダウンロードできるのは一方だけで、知覚スタックに供給するために設計されているのはもう一方だけだ。このトレードオフこそが、この記事の主題である。

忠実性の罠

動画世界モデルは、視聴者が受け入れるものを最適化します。これは批判ではなく、生成モデルにとって正しい目的であり、Hy-Nomasが一度も見たことのない街路を歩く説得力のある映像を生成できる理由でもあります。しかし、知覚的なもっともらしさと物理的整合性は別の目標であり、まさに自動運転が成り立つ領域で両者は乖離します。

次フレームを予測するよう訓練されたモデルは、車が交差点付近で減速することや、影が光源から遠ざかる方向に落ちることを学ぶ。しかし、ピクセルだけから、2本の車線標示の間隔が3.5メートルであること、LiDARパルスが濡れた路面から特定の強度で返ってくること、あるいはすでに道路に踏み出し始めた歩行者が、自車がブレーキをかけても縁石へテレポートして戻ることはできない、といったことを学ぶわけではない。センサーストリームを要求すれば、センサーストリームのように見えるものを生成する。その中の数値がメートル法に基づくかどうかは、訓練目的が決して問わなかった別問題である。

Baiduの発表資料は、その反論を軸に構成されている。Baidu Intelligent Driving GroupのチーフアーキテクトであるWang Liang氏は壇上で、ワールドモデルは印象的な動画を生成する画家であるべきではなく、運転安全性の審査官であるべきだと述べ、続いて示された「2+3」の評価基準は、見た目は正しいが本質的に正しくないモデルをふるいにかけるためのものだと明言した。因果性とインタラクティブ性が関門であり、物理的正確性、持続性、リアルタイム性能が評価対象の特性だ。この評価基準がほかに何であれ、それは運転スタックに適用された動画生成器の失敗モードを描写したものだ。

Hy-Nomasが実際に出荷しているもの

Hy-Nomasはセグメント自己回帰型の拡散トランスフォーマーであり、単発の動画生成器ではありません。キャッシュされた履歴を条件として可変長のセグメントを生成し、それによってカメラが動いても一貫性を維持します。「ワールドメモリ」とは、新しいセグメントが生成されるたびに更新されながら引き継がれるKVキャッシュのことです。

• サイズ — 隠れサイズ2,048の54個のデュアルストリームMMDiTブロックにわたり、約80億パラメータ。

• 入力 — 自由形式のテキストと連続的なカメラ軌道。任意でプロンプトエンハンサー Nomas-PE を併用でき、これはまとまりのない文章を構造化された JSON キャプションに書き換えます。

出力 — 720×1280、24フレーム/秒。微調整済みのPixelUMMデコーダをDCAE-V潜在表現上で用い、8段階の蒸留済みノイズ除去ステップで生成。

• 重み — Hugging Face 上の tencent/Hy-Nomas、Apache 2.0 ライセンス、約196GB、コードは GitHub、ホスト型デモあり。

• ハードウェア — デフォルトのデプロイには8基のGPUが必要です。単一のRTX 4090で実行する構成も存在し、INT8のDiTとKVキャッシュ、FP8デコーダー、CPUオフロードを用いて、およそ38GBに収まります。

技術報告書 arXiv 2610.36729 は2026年10月27日に公開され、マルチターン相互作用を成立させる仕組みを説明している。構造化キャプションを行動を考慮した因果的アテンションパターンに整合させることで、記述的なコンテキストはセグメントをまたいで持続し、行動指示はそれが発行されたウィンドウ内に限定される。評価は、マルチターンテキスト、カメラナビゲーション、テキストとカメラのインターリーブ、空間記憶という4つのトラックにわたる280件のケースからなるベンチマークで、Genie 3、LingBot-World v2、Happy Oyster に対する人手によるペアワイズ比較を行っている。Hy-Nomas はインタラクションとプロンプト追従で勝利し、プロンプト追従では報告されている勝率が約65%である一方、長期空間記憶では Genie 3 に敗れている。これらは著者らのベンチマーク上での著者らによる比較であり、重みが公開されているため、この記事の中で最も検証可能な主張である。

Apollo Worldが公開していないもの

Apollo Worldの公表は能力に関するブリーフィングであり、欠けている情報は主張と同じくらい示唆に富む。パラメータ数、アーキテクチャ、論文、名前付きベースラインを伴うベンチマーク表、重み、API、価格のいずれもない。Baiduが実際に述べたのは、このモデルがすでにApollo Goの世界的なテストと検証を支えていること、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カバーできること（安全運転員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と位置づけられている）、そしてApollo Goが28都市で展開し、2,300万回超の乗車、3億5,000万自律走行キロメートル、2億4,000万キロメートル超の完全無人走行距離を有していることだ。

10万キロという数字は、あまり固く受け止めないほうがいい。外部の測定に裏づけられていない企業側の数字であり、それが前提としている比較、つまりテスト車を3年間連続走行させるという比較は、Baiduが示さなかった想定年間走行距離に依存している。だからといって間違いというわけではない。それは検証不能だということであり、知っておくべき別の、より有益な事実だ。

対照的に、設計上の主張は議論できるほど具体的だ。すべての交通参加者は台本に従う小道具ではなく、自ら決定するエージェントである。カメラとライダーはリアルタイムで生成される。トリップは、注文の受付から乗客の送り届けまで、任意の出発地と目的地にわたってエンドツーエンドで完結する。そして全体は、1秒の30分の1、約33ミリ秒という意思決定サイクルによって制約されており、これが永続性とレイテンシの特性を装飾ではなく構造を支える不可欠なものにしている。

Baidu自身の評価基準をHy-Nomasに適用する

興味深いのは、両者をマーケティング用語で比較することではなく、Apollo Worldの5つの特性を取り上げ、それを実際に存在するモデルに照らし合わせてみることだ。

因果性：Baidu が意図する意味では、Hy-Nomas は合格する。セグメント単位で自己回帰的であり、履歴に条件付けするため、未来は組み立てて後から埋めるのではなく、現在から生成される。インタラクティブ性：部分的。テキスト指示やカメラ移動には応答するが、それらは監督のコマンドであり、他のエージェントの行動ではない。シーン内の何も、シーン内の他の何かに反応しない。物理的精度：未測定であり、発表された研究からは測定不能である。その研究は指標となる正解データではなく、人間の選好に対して評価している。持続性：これが文書化された弱点であり、論文自体が長期的な空間記憶において Genie 3 に劣ると報告している。これはまさに Baidu が指摘するドリフト特性である。リアルタイム性：8 段階の蒸留ステップで毎秒 24 フレームは拡散モデルとしては速いが、参照デプロイは 8 基の GPU であり、33 ミリ秒の予算は同じ土俵の話ではない。

そうしたことのどれも、Hy-Nomas が悪いモデルであることにはならない。それは Hy-Nomas を別の道具にしているのだ。インタラクティブな動画世界として——それが作られた目的である——評価するなら、それは入手可能な最高のものと競争力があり、しかもオープンだ。競合のほとんどはそうではない。運転シミュレーターとして評価すると、Baidu の5つのテストのうち4つに失敗し、仮に重みが2倍優れていてもそれらに失敗するだろう。

それぞれを実行するのにかかる費用

Hy-Nomas の価格は計算できます。重みは Apache 2.0 の下で無料で、コストはマシンそのものです。CPU オフロードを考慮すると、量子化パスを実行する単一の 4090 には約 38GB のメモリが必要で、720p を毎秒 24 フレームで生成します。8 GPU のリファレンスデプロイメントは、ベンチマークが対象としているバージョンです。研究上の問いのために数百本のクリップを生成するなら、1 枚で十分です。学習コーパスを生成するなら、電気代がライセンス料になります。

Apollo Worldは販売対象ではないため、算出できる価格は存在しません。正直に言えるのは、Baiduが商業条件を一切公表しておらず、説明されている導入は同社自身のロボタクシー事業の内部で行われているという点だけです。

どちらを中心に構築するチームにとっても、ルーティングの問いはモデルの問いとは別です。Apollo WorldもHy-NomasもOrcaRouterのカタログにはありません。一方はBaidu内部のもので、もう一方は自分でホストする動画モデルであり、この記事はそうでないふりをするつもりはありません。私たちが提供するのは、この種の出力を評価しオーケストレーションするレイヤーです。生成されたクリップを採点する視覚言語ジャッジ、リサーチ上の問いを一連のプロンプトに変えるプランナー、プライマリがレート制限されたときのフォールバックモデルです。それは単一のAPIで、200以上のモデルに対応し、マークアップは0%、プロバイダーの定価をそのまま適用しており、これは196GBモデルの出力に対して何千ものジャッジ呼び出しを実行するときに最も重要になります。

あなたのスタックに属するのはどれですか

生成された環境を探索し、その中でカメラを操作し、ブラウザ上でシーンを反復的に改善したいなら、Hy-Nomas がより適した答えであり、今すぐ利用できます。オープンライセンスは形式上のものではありません。微調整、量子化、出荷が可能であり、これはほとんどのインタラクティブワールドモデル、プロンプト追従で打ち負かしているものも含めて、到底言えることではありません。

運転ポリシーを検証しているのであれば、Hy-Nomas はシミュレータの代替ではなく、より良いプロンプトによってそうなることもありません。Apollo World の正しい使い方は仕様としての使い方です。2+3 ルーブリックは、どのシミュレータベンダーにも投げかけられる質問群であり、とりわけ持続性の問い——10 時間の実行でどれだけドリフトするか——は、テストリグとデモリールを分ける問いです。

注目すべき収束は、RGBに加えてメトリック深度とLiDARを出力し、知覚的損失ではなく物理整合性損失で訓練される動画世界モデルだ。Hy-Nomasの著者らはすでにカメラ軌道を幾何学的に意味のある形で条件付けしており、センサーヘッドの追加は明らかな次の一歩だが、まだ誰も発表していない。誰かがそれを実現するまで、分業は明確だ。Hy-Nomasは見て楽しめる世界を作り、Apollo Worldは車を評価できる世界を作る。そして、その二つの文の間にあるギャップこそが、来年の研究が位置する場所である。