Hy-Nomas vs Hunyuan3D WorldClaw：同じラボ、2つの世界

テンセントのHunyuanグループは、ワールドモデルと呼ばれる2つのものを互いに3か月以内にリリースしたが、それらはほとんどすべての点で食い違っている。Hunyuan3D WorldClawは、2026年8月に公開されたもので、実のところモデルですらない。LLMエージェントでシーンを計画し、地形を生成し、個々のオブジェクトをテクスチャ付きメッシュとして再構成し、最後に視覚エージェントに結果をレンダリングさせて不自然な箇所を修正する、4段階のエージェント型パイプラインである。Hy-Nomasは、2026年10月23日にリリースされた、単一のセグメント自己回帰拡散トランスフォーマーであり、制御可能な動画をレンダリングし、重みをApache 2.0で公開している。一方は文から編集可能な3Dアセットを構築する。もう一方は会話から連続的な世界をレンダリングする。

比較する価値があるのは、まさに彼らが同じ研究所を共有しているからだ。これは二つの戦略におけるきれいな自然実験である。フロンティアモデルをパイプラインに編成するか、一つのモデルを訓練してすべてをやらせるか。この二つのリリースはオープンさの点でも互いを反転させている。より重いエンジニアリングスタックを持つ方はコードを一切公開せず、単一モデルである方はすべてを公開した。

モデルとパイプラインは異なる種類の成果物です。

WorldClawの論文はルーターについて述べている。このシステムは自身で生成を行うのではなく、複数のフロンティアモデルをオーケストレーションする。計画立案用のLLMエージェント、領域別合成用の画像モデル、セグメンテーションモデル、メッシュ再構成用のTencent製Hunyuan3D、そして組み立て用にMCP経由で駆動されるBlenderである。論文では、プランナーとしてClaude Opus 4.8を、領域別コンポーネントとしてGPT-Image-2とSAM3Dを挙げている。その貢献は新しい生成バックボーンではなく、グローバルから領域別への分解とレンダーベースの修復ループからなる連携制御にある。

Hy-Nomasは正反対の賭けだ。単一の54ブロック二重ストリームMMDiT、隠れサイズ2,048、Qwen2.5-VL-7B-Instructテキストエンコーダ、クロスアテンションによるカメラ条件付け、そしてライフロングKVキャッシュ。プランナーも、セグメンテーション段階も、ループ内の外部レンダラーも存在しない。モデルがシステムそのものだ。

その違いが故障モードを説明する。パイプラインは呼び出す各コンポーネントの弱点を引き継ぎ、コンポーネント単位で修理できる。単一モデルは一貫した世界観を持ち、段階間の継ぎ目がないが、どんな弱点も重みに焼き込まれ、再トレーニングかLoRAでしか修正できない。

WorldClawの4つのステージが実際に何をするのか

第1段階は意図分析とシーン計画です。2つのLLMエージェントが作業を分担します。一方はユーザーが実際に述べた制約だけを抽出し、もう一方は詳細を補完して、領域、地形、オブジェクト、空間関係を網羅する構造化されたシーン仕様を生成します。この分担は、単一のプランナーにありがちな失敗、つまり要件をでっち上げてからそれを満たすことに対する賢明な防御策です。

ステージ2ではグローバル地形を生成する。セマンティックレイアウトマップ、リージョン対応の高さフィールド、そして各リージョンに割り当てられたマテリアル、岩石、植生である。ステージ3では各リージョンを2Dコンポジットにレンダリングし、インスタンスをセグメント化し、Hunyuan3Dを通じてそれぞれをテクスチャ付きメッシュとして再構築し、地形上に戻す。ステージ4は興味深い。ビジョンエージェントが組み立てられたシーンを複数の視点からレンダリングし、浮遊オブジェクト、相互貫入、誤ったスケール、誤ったポーズを探して反復する。組み立てはMCPを通じてBlenderで行われる。

出力は、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個別編集可能なメッシュです。これは動画とは本質的に異なる成果物です。すべての木がオブジェクトであり、すべてのオブジェクトにトランスフォームがあり、レベルデザイナーは世界全体を再レンダリングせずに1つを動かせます。

編集できるメッシュ、自在に操れる動画

Hy-Nomasの出力は24 FPSの720×1280動画で、蒸留構成では8回のデノイジングステップを用いてセグメント単位で生成されます。Blenderで開くことはできません。ただし、セッションの途中で方向を変えられます。世界に何があるかを示す自由形式のテキスト、ショットがどこへ向かうかを示すカメラ外部パラメータ、そして以前のセグメントを新しい指示と整合させ続けるKVキャッシュです。編集は対話形式で行われ、次のセグメントがレンダリングされる前に実行されます。

WorldClawの出力は後から編集できる。得られるのはジオメトリで、編集は空間的だ——オブジェクトを動かし、ツリーを再スケールし、その領域を再レンダリングする。できないのは、世界がレンダリングしている最中に世界と対話することだ。パイプラインは最後まで走り切る。そしてその後でアセットに手を入れる。

• 出力 — Hy-Nomas の操作可能な 720 × 1280 動画 対 シーン内の Hunyuan3D WorldClaw の明示的なテクスチャ付きメッシュ

• 作業単位 — Hy-Nomas はリクエストに応じてレンダリングされるセグメントであるのに対し、Hunyuan3D WorldClaw は4段階で生成される世界全体

• 編集 — セグメント間のHy-Nomasテキストおよびカメラ指示 vs 生成後のメッシュに対するHunyuan3D WorldClawの直接操作

• エンジン — Hy-Nomas：単一の拡散トランスフォーマー vs Hunyuan3D WorldClaw：最先端モデルを組み合わせたスタック＋Blender

• ハードウェア — Hy-Nomas はデフォルトで GPU 8基、INT8 低メモリパスでは RTX 4090 を1基使用するのに対し、Hunyuan3D WorldClaw は NVIDIA H20 を4基使用

• リリース — Hy-Nomas は Apache 2.0 の重み、コード、ベンチマークデータセットを公開、一方 Hunyuan3D WorldClaw はコードも重みもない論文、プロジェクトページ、README のみ

エージェント型世界のコスト

WorldClawの計算コストの話は、通常の意味でのGPU時間数ではない。H20を4基使うことに加え、フロンティアモデルへの大量の呼び出しがある。プランニングトークン、領域ごとの画像生成、インスタンスごとのセグメンテーション、オブジェクトごとのメッシュ再構成、そして改良中のビジョンエージェントによる繰り返しレンダリングである。世界1つあたりの限界費用はこれらの呼び出しが大部分を占めており、論文は価格を公表していない。ホスト型の画像エンドポイントと3Dエンドポイントで代替するコミュニティ再構築では、1世界あたり約50セント、数分程度と報告されており、これは有用な桁の目安ではあるが、ベンダーによる数値ではない。

Hy-Nomasのコストはより従来型です。デフォルトでは8基のGPUによる8-wayシーケンス並列、またはINT8 DiT weights、INT8 KV cache、sliding-window history、CPU offload、FlexAttention、CUTLASS FP8 decoderを備えたRTX 4090 1基です。チェックポイント一式は約196 GBで、文書化されたデモパスは約86 GBをダウンロードし、低メモリパスはテキストエンコーダに加えて約38 GBを必要とします。ホスト型サービスが存在しないため、ホスト型の価格は存在しません。

重要なのは1ワールドあたりのドルではなく、資金がどこに向かうかだ。WorldClawはトークンとAPI呼び出しに費やすが、これらはフロンティアモデルの価格が下がるにつれて安くなる。Hy-NomasはGPU占有に費やすが、こちらは安くならない。パイプラインは他者のコスト曲線によって安くなるが、モデルは誰かがそれを蒸留したときにしか安くならない。

• Hy-Nomas のコスト要因 — 生成セッションあたりの GPU 時間で、呼び出しごとの課金はなし

• WorldClaw のコスト要因 — 計画、イメージング、セグメンテーション、再構成、修復のためのフロンティアモデル呼び出し、さらに 4 × H20

• Hy-Nomasのスケーリング手段 — 蒸留とLoRA、どちらもすでにリリースに含まれています

• WorldClawのスケーリングレバー — より安価なコンポーネントモデルと修復イテレーションの削減

WorldClawはまた、このバッチに含まれるルーティングレイヤーにとって最も明快な論拠でもある。なぜなら、それ自体がルーティングレイヤーだからだ。そのプランナーはあるモデルを呼び、地域ステージは別のモデルを呼び、再構築ステージはさらに別のモデルを呼ぶ。そして全体は、レンダラーを付属させたルーティングポリシーである。OrcaRouterはホスト型モデルに対しても同じ役割を果たす——1つのキーで200+モデル、プロバイダーの定価を0%のマークアップでそのまま適用し、自動フェイルオーバー、および複数のモデルを1回の呼び出しに組み合わせるルーティングDSLを提供し、チェーンではなくパネルが必要な場合にはモデルフュージョンも利用できる。Hy-NomasもWorldClawも当社のカタログにはなく、セルフホスト型のワールドモデルをエンドポイントであるかのように装うつもりはない。当社がルーティングするのは、WorldClawが必要だと示しているレイヤーである。

開放性が反転しています

このペアで最も奇妙なのはこの部分だ。WorldClaw はより手の込んだシステムであり、公開論文とプロジェクトページを備えた多段階のエージェント型パイプラインだ。そして公式 GitHub リポジトリには README、論文、プロジェクトの素材が含まれている。コードも重みも API も価格設定もない。コードを求める issue は未回答のままになっている。公開されているのは、ホスト型エンドポイントの上でパイプラインを再構築したコミュニティによる再実装であり、これは論文の明快さの証ではあるが、リリースの代替にはならない。

Hy-Nomasはよりシンプルなシステムで、よりオープンなものです。Apache 2.0、Hugging Face上の完全なチェックポイント、GitHub上の推論および学習コード、キャプション生成ハーネス、LoRAトレーナー、マージスクリプト、280ケースのベンチマークデータセットがあります。技術レポートはなく、ベンチマークにはスコアがありませんが、成果物は再現および変更を行うのに十分なほど完全です。

作ろうとしている人にとって、その逆転はアーキテクチャ以上に多くのことを決める。実行できないパイプラインは設計書にすぎない。実行できるモデルは、評価が白紙であっても出発点になる。

どちらを選ぶべきか

成果物がレベルである場合、つまりゲームエンジンに組み込み、人間が変更を加える必要がある、大規模で探索可能かつ編集可能な3D環境が成果物である場合は、Hunyuan3D WorldClawのアプローチを採用してください。Tencentが公開していないため、論文から再構築することになる点に留意してください。また、その品質に関する主張は定性的である点にも留意してください。論文は、FID、CLIP、ユーザー調査を用いずに、SynCity、World LabsのMarble、MajutsuCity、MetaのWorldGen、GPT-5.6 Solと比較しています。

成果物が映像素材やトレーニング環境である場合——プリビズ、合成動画、付属のRobotics LoRAで適応させる予定のロボティクスシーン生成器など——にはHy-Nomasを選んでください。長期的な一貫性に関する主張は設計上の論拠とデモによるものであってスコアではなく、また単一の4090での実行は可能ですがオフロードのオーバーヘッドを伴うことに留意してください。

編集可能な世界と、それを操作できる映像の両方が必要な場合、正直に言えば、現時点でそれを提供する単一のTencentのリリースは存在しません。WorldClawが生成するのは、会話的にアニメーション化できないジオメトリです。Hy-Nomasが生成するのは、エクスポートできない映像です。両者の間のギャップこそ、まだ誰も提供していない製品であり、それはどちらか単独のモデルよりも興味深く見守る価値のあるものです。