Genie 4 対 HY-Nomas：より良い世界は閉ざされているが、ダウンロード可能な世界は閉ざされていない

約196ギガバイトで、世界モデルを完全に所有できる。これは、TencentのHunyuanチームが2026年10月23日にApache 2.0の下で公開したHY-Nomasチェックポイント一式のサイズであり、重みはHugging Face、コードはGitHubにある。その4日後、Google DeepMindはGenie 4を発表した。ほとんどの定性的指標でより優れた世界モデルであり、ネイティブ音声と2分間の一貫性ウィンドウを備えるが、信頼されたテスターと順番待ちリスト以外の誰も利用できない。この2つの事実の間に、今の生成的ワールドモデリングで最も実用的な判断がある。手に入らないより強力なモデルを取るか、今夜実行できるより弱いモデルを取るかだ。

この比較は、品質におけるGenie 4対HY-Nomasの比較というわけではない。同じ問題に対する二つの姿勢の比較であり、品質の差はその姿勢の代償だ。何を支払っているのか、そして何で支払っているのかを理解すること——それが本稿の要点である。

Apache 2.0が実際にもたらすもの

HY-Nomas はサービスとしてではなく、重みとして提供されます。メインのチェックポイントは Hugging Face 上に tencent/Hy-Nomas としてあり、そのそばに Diffusers 互換のバリアントも用意されています。また、リポジトリには LoRA ファインチューニングのレシピと 2 つのアダプター — 1 つはシネマティックなカメラワーク向け、もう 1 つはロボティクス風の映像向け — が含まれています。

最後の点は強調に値します。なぜなら、閉じたワールドモデルはそれを提供しないからです。自社の映像でファインチューニングできれば、モデルを自らのドメインに近づけられます。スタジオのカメラ言語、ロボットのセンサー特性、ゲームのアートディレクションなどです。Genie 4は、その上限がどうであれ、Googleが訓練した通りのものを生成し、あなたが持つ唯一のレバーはテキストプロンプトです。ワールドモデルをツールではなく競争資産と捉えるチームにとって、その違いは多大な視覚的磨き込みを凌ぐものです。

ライセンスも重要です。Apache 2.0 は交渉なしで商用展開できるほど寛容で、商用条件がまったく公開されていない Genie 4 には到底当てはまりません。

60秒 対 2分

両方のモデルはインタラクティブな世界を生成します。生成の仕方はそれぞれ異なり、その違いによって継続時間の数値をどのように読むべきかが決まります。

Genie 4はリアルタイムのワールドモデルです。操作しながらレンダリングし、シーンを約2分間保持し、環境音、音楽、会話といった音声を同じ処理でネイティブに生成します。天気は入力するだけで変えられます。DeepMind自身の注意点として、特に複雑なプロンプト編集を繰り返した後は、長時間の実行で詳細やオブジェクトの永続性がずれるということです。

HY-Nomasは動画を単一の静的ファイルではなく連続したセグメントで生成し、テキストプロンプトとカメラ軌道によってターンごとに操作します。ライフロングKVキャッシュが、それらのターンにわたって世界の一貫性を維持します。公称上限は720×1280、24フレーム毎秒で約60秒の生成で、蒸留構成では8つのノイズ除去ステップを使用し、4と6もサポートします。

正直に比較すべきは、60秒対120秒ではありません。ターン制のセグメント生成対、継続的なリアルタイムレンダリングです。Genie 4は、その世界の中にいる間に応答する世界を提供します。HY-Nomasは、オーサリングされた1ターンずつ世界が進むもので、作業方法としては遅い一方で、はるかに制御しやすい方法です — 各セグメントは、次に進む前に確認できる判断なのです。

内部では、両者はアーキテクチャ上異なっており、その違いが挙動を説明している。HY-Nomasは拡散トランスフォーマーであり、54個のデュアルストリームMMDiTブロック、Qwen2.5-VL-7B-Instructテキストエンコーダー、DCAE-V潜在表現、微調整済みPixelUMMデコーダーを備え、公開チェックポイントから導出された約80億パラメータである（公式発表に基づくものではない）。これは動画セグメントを生成する大規模モデルだ。Genie 4はリアルタイムシミュレーターであり、その内部をGoogleは同程度に詳細には説明していない。外観をグラウンディングしループを導くGeminiモデルと組み合わされている。

Genie 4だけが備えている、他にはない機能

オーディオ。Genie 4は、音をネイティブに生成する最初のDeepMindのワールドモデルであり、本稿執筆時点では、この比較に含まれるオープンウェイトのワールドモデル——HY-Nomasを含め——の中で同等のことを主張しているものはありません。環境音、音楽、そしてキャラクターがシーンで起きていることに反応するインタラクティブな会話を生成します。

それが決定的かどうかは、完全に用途次第だ。映画のプリビズなら、ほぼ決定的だ。音のないショットは半人前のショットであり、他人のタイミングに合わせてサウンドスケープを一から作り直すのは、プリビズで誰もが嫌う作業だからだ。ロボティクスシミュレーションなら、環境が教えられることを制限する、欠けた入力モダリティだ。ゲームスタジオが背景プレート映像を生成するなら、便利さの話だ。

そして誰にとっても、それは測定されていない。Googleは音声ベンチマークを一つも公開しておらず、同期の測定も行っていない。同社のエンジニア自身が、音声の精度は解決されていないと認めている。主張は本物だが、証拠はデモリールにすぎない。

ハードウェア費用の内訳

ここが、オープンモデルが無料であることをやめ、資本的支出へと変わり始める分岐点だ。

• デフォルトのデプロイ — HY-Nomas は8基のGPUを前提に設計されています。それはワークステーションではなく、サーバーです。

• 単一GPUルート — 文書化された構成では、拡散トランスフォーマー用のINT8重み、FP8デコーダー、CPUオフロード、上限付き履歴バッファを使用して、1台のRTX 4090上で実行されます。

• ディスク — フルチェックポイントセットは約196 GB、低メモリ方式では約38 GBに加えてテキストエンコーダが必要です。

• スループット — 60秒分の出力は、60秒分の計算ではない。8つのデノイジングステップと54のトランスフォーマーブロックにわたる拡散処理では、生成時間はセグメントあたり分単位で測られることになり、Tencentはレイテンシの数値を公表していない。

• Genie 4 — 公開されているハードウェア要件、レイテンシ、価格はありません。アクセスには、Project Genie 経由の Google AI Ultra サブスクリプションか、早期アクセスパートナー契約が必要です。

算数を正直にやれば、4090 の道は研究用マシンであって本番用ではない。遅々としてセグメントを生成し、長いシーケンスではメモリが劣化する。これはまさに、履歴バッファに上限を設けることによるトレードオフそのものだ。8 GPU の道は実用的なスループットを生み出すが、電源と、それを動かし続ける人件費を数える以前に、データセンター用 GPU 8 台分のコストがかかる。

だからこそ、ホスト型APIとの比較は自動的に決まるものではない。月に数百セグメント程度の処理量なら、それを処理するためにGPUを8台動かすのは資本の無駄遣いであり、正解は呼び出しごとの課金で設備投資不要のAPI——当社のものでも他社のものでも——だ。処理量が継続的である場合、あるいはデータを自社ネットワーク外に出せない場合、196 GBのダウンロードは、どのホスト型サービスも太刀打ちできないほど割安な選択となる。これが実際の判断基準であり、どのモデルがより美しいかとは何の関係もない。

2つのベンチマーク、スコアはゼロ

HY-Nomasは「Hy-Nomas-Bench」と呼ばれるものを提供している。280件のテストケースと約220件の参照カメラ軌跡を備えている。これは実際の評価ハーネスであり、リリース時点で公開された結果はない。技術報告書は近日公開予定と説明されている。

Genie 4には相当するものが存在しない。Googleはベンチマークスイートも、コヒーレンスウィンドウが2倍になったこと以外のGenie 3との数値比較も公開しておらず、解像度やフレームレートについても一切公表していない。

つまり、双方ともデモ映像で評価してほしいと言っている。その状況では決め手は再現性であるべきで、しかもその差は歴然としている。HY-Nomasをダウンロードし、Hy-Nomas-Benchを自分で実行し、数値を公表できる。Genie 4ではそれができない。そして、導入を決める前に数値が必要なタイプのチームにとって、クローズドモデルは単に不便なだけでなく、失格に相当する。

私たちが実際におすすめするもの

最も説得力のある世界が必要で、作業が探索的（プリビズ、コンセプト作成、プロトタイプレベルのシミュレーション）なら、Genie 4 のほうが強力な選択肢です。ウェイトリストに参加し、2分のショットを前提に設計すべきです。音声だけでも、オープンウェイトのあらゆるものとは別格であり、Gemini-in-the-loop アーキテクチャにより、手作業ではなくエージェントによって駆動できます。

所有でき、ファインチューニングでき、監査でき、製品に組み込め、ベンダーにデータを送らずに実行できる世界モデルが必要なら、この比較で唯一の選択肢はHY-Nomasであり、しかも本当に能力の高い選択肢です。Apache 2.0、単一の4090で動かせる構成、カメラ制御、ロボティクス用アダプター、公開された評価スイートを備えています。フォトリアリズムとサウンドを犠牲にして、制御性と再現性を得る取引であり、多くのエンジニアリング作業にとってそれは正しいトレードオフです。

周囲のスタックこそが、両者が収束する場所です。どちらのモデルを選んでも、それはエージェントループの中に置かれます。プロンプトを書き、カメラ軌道を選び、セグメントを確認して再生成するかどうかを決める何かが必要です。そのループは通常の言語モデルとビジョンモデルの呼び出しで構成されており、ここでルーターが真価を発揮します。200以上のモデルにまたがる単一のAPI、停滞したプロバイダーがレンダーの消失ではなくリトライになる自動フェイルオーバー、そしてベンダーの値下げが実施されたその日にあなたへ届くよう、プロバイダーのリスト価格を0%のマークアップで通過させることです。ワールドモデルは、スタックの中でも高コストで変化の遅い部分です。その周囲はすべて、正反対であるべきです。

半年前、興味深い問いは、オープンなワールドモデルがそもそも競争力を持ち得るのかどうかだった。HY-Nomasは、制御においては競争力を持ち得る一方で忠実度では後れを取るという答えを、Genie 4は、忠実度の天井はまだ上がり続けているという答えを示している。どちらの答えも論争を決着させはしない。だからこそダウンロードが用意され、順番待ちリストが長いのだ。