Apollo World kontra Hy-Nomas: piksele, które muszą wyglądać dobrze, czujniki, które muszą być dokładne

Pokaż dwóm osobom ten sam dziesięciosekundowy klip z samochodem zbliżającym się do skrzyżowania, a obie zgodzą się, że wygląda dobrze. Pokaż go stosowi planowania, a tylko jedna wersja będzie użyteczna, bo w drugiej pieszy ma cień padający w złą stronę, krawężnik jest o 40 centymetrów za wysoki, a odbicia lidarowego nie ma w ogóle. Ta luka to cała różnica między Apollo World a Hy-Nomas. Hy-Nomas to interaktywny model świata wideo z otwartymi wagami firmy Tencent Hunyuan: model z 8 miliardami parametrów, który generuje wideo 720p na podstawie promptu tekstowego i ścieżki kamery, udostępniony na licencji Apache 2.0 pod koniec października 2026. Apollo World to symulator Baidu sterowany przez agenta, ujawniony 3 listopada 2026, który generuje obserwacje z kamery i lidaru wirtualnego miasta, w którym ruch drogowy reaguje na testowany pojazd. Jeden ocenia się na oko. Drugi ocenia się po tym, czy samochód coraz lepiej jeździ.

Oba są uzasadnienie nazywane modelami świata. Tylko jeden z nich można pobrać jeszcze dziś po południu, a tylko ten drugi jest zaprojektowany, by zasilać stos percepcyjny. I ten kompromis jest tematem artykułu.

Pułapka wierności

Modele świata wideo optymalizują pod kątem tego, co odbiorca zaakceptuje. To nie jest krytyka; to właściwy cel modelu generatywnego i dlatego Hy-Nomas potrafi wygenerować przekonujący spacer ulicą, której nigdy nie widział. Jednak wiarygodność percepcyjna i spójność fizyczna to różne cele, które rozchodzą się dokładnie tam, gdzie funkcjonuje jazda autonomiczna.

Model wytrenowany do przewidywania następnej klatki dowiaduje się, że samochody zwalniają w pobliżu skrzyżowań i że cienie padają w kierunku odwrotnym do źródła światła. Nie dowiaduje się jednak, wyłącznie na podstawie pikseli, że odległość między dwoma oznaczeniami pasa ruchu wynosi 3,5 metra, że impuls lidaru wraca od mokrej drogi z określoną intensywnością albo że pieszy, który już zaczął wychodzić na jezdnię, nie może teleportować się z powrotem na krawężnik, gdy pojazd ego hamuje. Poproś go o strumień danych z czujników, a wygeneruje coś, co wygląda jak strumień danych z czujników. Czy liczby w nim są metryczne, to osobne pytanie, którego cel treningowy nigdy nie zadał.

Materiały premierowe Baidu są zbudowane wokół tego zarzutu. Wang Liang, główny architekt Baidu Intelligent Driving Group, powiedział na scenie, że model świata nie powinien być malarzem tworzącym imponujące wideo, lecz egzaminatorem bezpieczeństwa jazdy, a przedstawiony następnie zestaw kryteriów „2+3” jest wyraźnie filtrem dla modeli, które sprawiają wrażenie poprawnych, nie będąc takimi. Przyczynowość i interaktywność są bramami; dokładność fizyczna, trwałość i działanie w czasie rzeczywistym to właściwości podlegające ocenie. Czymkolwiek jeszcze jest ten zestaw kryteriów, stanowi opis trybu awarii generatora wideo zastosowanego do stosu jazdy autonomicznej.

Co Hy-Nomas faktycznie dostarcza

Hy-Nomas to segmentowo-autoregresyjny transformer dyfuzyjny, a nie generator wideo działający w jednym przebiegu. Tworzy segmenty o zmiennej długości na podstawie historii w pamięci podręcznej, co pozwala mu zachować spójność podczas ruchu kamery: „pamięć świata” to pamięć podręczna KV przenoszona dalej i odświeżana w miarę generowania nowych segmentów.

• Rozmiar — około 8 miliardów parametrów w 54 dwustrumieniowych blokach MMDiT o wymiarze ukrytym 2048.

• Dane wejściowe — swobodny tekst oraz ciągła trajektoria kamery, z opcjonalnym rozszerzaczem promptów, Nomas-PE, który przekształca luźną prozę w ustrukturyzowane podpisy JSON.

• Wyjście — 720 na 1280 przy 24 klatkach na sekundę, z użyciem dostrojonego dekodera PixelUMM na latentach DCAE-V, w ośmiu destylowanych krokach odszumiania.

• Wagi — tencent/Hy-Nomas na Hugging Face na licencji Apache 2.0, około 196GB, z kodem na GitHubie i hostowanym demo.

• {{1}}Sprzęt{{/1}} — domyślne wdrożenie wymaga ośmiu GPU. Istnieje ścieżka dla pojedynczej karty RTX 4090 wykorzystująca DiT INT8 i pamięć podręczną KV, dekoder FP8 oraz odciążenie CPU, przy około 38 GB.

Raport techniczny arXiv 2610.36729 ukazał się 27 października 2026 r. i opisuje sztuczkę, która sprawia, że interakcja wieloturowa działa: ustrukturyzowane podpisy są dopasowane do wzorca przyczynowej uwagi uwzględniającej działania, dzięki czemu kontekst opisowy utrzymuje się między segmentami, podczas gdy instrukcje działań są ograniczone do okna, w którym je wydano. Ewaluacja to benchmark obejmujący 280 przypadków w czterech ścieżkach — tekst wieloturowy, nawigacja kamerą, przeplatany tekst i kamera oraz pamięć przestrzenna — z ludzkimi porównaniami parami z Genie 3, LingBot-World v2 i Happy Oyster. Hy-Nomas wygrywa pod względem interakcji i podążania za promptem, z raportowanym odsetkiem wygranych na poziomie około 65% w podążaniu za promptem, a przegrywa z Genie 3 w długoterminowej pamięci przestrzennej. To porównania autorów na benchmarku autorów i są to najbardziej weryfikowalne twierdzenia w tym artykule, ponieważ wagi są publicznie dostępne.

Czego Apollo World nie publikuje

Ujawnienie przez Apollo World było prezentacją możliwości, a to, czego nie podano, jest równie wymowne jak deklaracje. Nie ma liczby parametrów, architektury, artykułu, tabeli benchmarków z nazwanymi modelami bazowymi, wag, API ani ceny. Baidu powiedziało natomiast, że model już wspiera globalne testy i walidację Apollo Go, że może obejmować około 100 000 kilometrów jazdy symulowanej dziennie — przedstawianej jako około trzy lata ciągłych testów samochodu z kierowcą bezpieczeństwa — oraz że Apollo Go działa w 28 miastach, z ponad 23 milionami przejazdów, 350 milionami kilometrów autonomicznych i ponad 240 milionami kilometrów w pełni bez kierowcy.

Do liczby 100 000 kilometrów należy podchodzić z rezerwą. To liczba podana przez firmę, za którą nie stoi żadne zewnętrzne mesure, a porównanie, na którym się opiera — trzy lata nieprzerwanej jazdy samochodu testowego — zależy od założonego rocznego przebiegu, którego Baidu nie podało. Nie czyni jej to błędną. Czyni ją niezweryfikowalną, co jest odmienną i bardziej przydatną informacją.

Twierdzenia projektowe są natomiast wystarczająco konkretne, by można było z nimi polemizować. Każdy uczestnik ruchu jest agentem, który decyduje, a nie rekwizytem, który podąża za scenariuszem. Obraz z kamery i dane lidaru są generowane w czasie rzeczywistym. Przejazdy domykają się od początku do końca — od przyjętego zamówienia po dostarczonego pasażera — dla dowolnych punktów początkowych i docelowych. A całość jest ograniczona cyklem decyzyjnym wynoszącym jedną trzydziestą sekundy, około 33 milisekund, i to właśnie sprawia, że właściwości trwałości i opóźnienia odgrywają rolę nośną, a nie dekoracyjną.

Zastosowanie własnych kryteriów Baidu do Hy-Nomas

Ciekawym ćwiczeniem nie jest porównywanie tych dwóch pod względem marketingowym, lecz wzięcie pięciu obiektów Apollo World i odniesienie ich do modelu, który faktycznie istnieje.

Przyczynowość: Hy-Nomas zalicza ją w sensie, jaki ma na myśli Baidu. Jest autoregresyjny względem segmentów i warunkuje się na historii, więc przyszłość jest generowana z teraźniejszości, a nie składana i uzupełniana wstecz. Interaktywność: częściowo. Reaguje na instrukcje tekstowe i ruchy kamery, ale to polecenia reżysera, a nie działania innych agentów. Nic w scenie nie reaguje na nic innego w scenie. Dokładność fizyczna: niezmierzona i niezmierzalna na podstawie opublikowanej pracy, która ocenia względem preferencji ludzi, a nie metrycznej prawdy odniesienia. Trwałość: to udokumentowany słaby punkt — sama praca donosi, że ustępuje Genie 3 w długoterminowej pamięci przestrzennej, co jest dokładnie właściwością dryfu, na którą wskazuje Baidu. Czas rzeczywisty: 24 klatki na sekundę w ośmiu destylowanych krokach to szybko jak na model dyfuzyjny, ale referencyjne wdrożenie to osiem GPU, a budżet 33 milisekund to zupełnie inna rozmowa.

Nic z tego nie czyni Hy-Nomas złym modelem. To czyni go innym narzędziem. Oceniany jako interaktywny świat wideo — to, czym miał być — jest konkurencyjny wobec najlepszych dostępnych i jest otwarty, czym prawie żaden z jego konkurentów nie jest. Oceniany jako symulator jazdy oblewa cztery z pięciu testów Baidu i oblałby je nawet wtedy, gdyby wagi były dwukrotnie lepsze.

Ile kosztuje uruchomienie każdego

Hy-Nomas ma cenę, którą można obliczyć. Wagi są darmowe na licencji Apache 2.0; kosztem jest maszyna. Pojedyncza karta 4090 działająca w trybie skwantyzowanym potrzebuje około 38 GB pamięci, gdy uwzględni się odciążenie CPU, i generuje obraz 720p przy 24 klatkach na sekundę. Ośmiokartowe wdrożenie referencyjne to wersja, którą opisują benchmarki. Jeśli generujesz kilkaset klipów na potrzeby pytania badawczego, jedna karta wystarczy; jeśli generujesz korpus treningowy, rachunek za prąd jest opłatą licencyjną.

Apollo World nie ma możliwej do wyliczenia ceny, ponieważ nie jest na sprzedaż. Jedynym uczciwym stwierdzeniem jest to, że Baidu nie opublikowało żadnych warunków handlowych, a opisane wdrożenie odbywa się w ramach własnej działalności robotaxi.

Dla zespołów budujących w oparciu o którąkolwiek z tych opcji kwestia routingu jest oddzielna od kwestii modelu. Ani Apollo World, ani Hy-Nomas nie znajdują się w katalogu OrcaRouter — jeden jest wewnętrznym rozwiązaniem Baidu, drugi to model wideo, który hostujesz samodzielnie — i ten tekst nie zamierza udawać inaczej. To, co oferujemy, to warstwa, która ocenia i orkiestruje tego rodzaju wyniki: sędzia wizyjno-językowy, który ocenia wygenerowane klipy, planista, który zamienia pytanie badawcze w zestaw promptów, model zapasowy, gdy model podstawowy osiągnie limit szybkości. To jest jedno API obejmujące ponad 200 modeli przy 0% marży, z ceną z cennika dostawcy przekazywaną bez zmian, co ma największe znaczenie, gdy uruchamiasz tysiące wywołań sędziego względem wyników modelu o rozmiarze 196GB.

Który z nich należy do twojego stacka?

Jeśli chcesz eksplorować wygenerowane środowisko, prowadzić przez nie kamerę i iteracyjnie dopracowywać scenę w przeglądarce, Hy-Nomas jest lepszą odpowiedzią i jest już dostępny. Otwarta licencja nie jest formalnością: pozwala dostrajać, kwantyzować i wdrażać, czego nie można powiedzieć o większości interaktywnych modeli światów, w tym o tych, które przewyższa pod względem podążania za promptami.

Jeśli walidujesz politykę jazdy, Hy-Nomas nie zastępuje symulatora i nie stanie się nim dzięki lepszemu promptowaniu. Właściwym zastosowaniem Apollo World jest rola specyfikacji: rubryka 2+3 to zestaw pytań, które możesz zadać dowolnemu dostawcy symulatorów, a zwłaszcza pytanie o trwałość — jaki jest dryf w trakcie dziesięciogodzinnego przebiegu — jest tym, które odróżnia stanowisko testowe od pokazowego materiału wideo.

Konwergencja, na którą warto patrzeć, to model świata wideo, który obok RGB emituje metryczną głębię i dane lidarowe, trenowany z użyciem straty spójności fizycznej, a nie percepcyjnej. Autorzy Hy-Nomas już warunkują na trajektoriach kamery w geometrycznie sensowny sposób; dodanie głowicy czujnika to oczywisty następny krok i nikt tego nie opublikował. Dopóki ktoś tego nie zrobi, podział jest czysty: Hy-Nomas tworzy światy, na które można patrzeć, Apollo World tworzy światy, w których można poddać ocenie samochód, a luka między tymi dwoma zdaniami to miejsce, w którym lokuje się następny rok pracy.