Genie 4 vs Hunyuan3D WorldClaw: wideo świata czy pliki siatki świata?

Jedno z nich wręcza ci plik MP4, a drugie — graf sceny. Na tym polega całe porównanie i wszystko inne z niego wynika. Genie 4, model świata Google DeepMind ogłoszony 27 października 2026 r., generuje w czasie rzeczywistym fotorealistyczny, dźwiękowy, sterowany tekstem świat i pokazuje ci go jako wideo. Hunyuan3D WorldClaw, opublikowany przez zespół Hunyuan3D Tencentu w sierpniu 2026 r., tworzy jawne, indywidualnie edytowalne, teksturowane siatki, które możesz otworzyć w Unity lub Unreal i zachować. Jeśli twoja praca kończy się, gdy ujęcie zostanie zatwierdzone, Genie 4 jest bardziej imponującym obiektem. Jeśli twoja praca zaczyna się, gdy ujęcie zostanie zatwierdzone, WorldClaw jest jedynym z tych dwóch, który daje ci cokolwiek do pracy.

Oba są artefaktami badawczymi, a nie produktami, i oba trudniej zdobyć, niż sugerują ich dema. Ale zawodzą w różnych kierunkach, a świadomość, z którą porażką potrafisz żyć, to cała decyzja.

Test produktu końcowego

Zapytaj, co przetrwa sesję, a luka stanie się konkretna.

• Wynik — Genie 4 zwraca wygenerowane klatki wideo z zsynchronizowanym wygenerowanym dźwiękiem; Hunyuan3D WorldClaw zwraca teksturowane siatki 3D z terenem, materiałami i umieszczonymi obiektami.

• Edytowalność — Genie 4 edytuje się, wydając polecenia symulacji w trakcie jej działania; dane wyjściowe WorldClaw są edytowane jako geometria, w narzędziu do modelowania, przez człowieka lub skrypt.

• Zastosowanie downstream — dane wyjściowe Genie 4 są wykorzystywane jako materiał filmowy; dane wyjściowe WorldClaw są wykorzystywane przez silnik gry, renderer lub symulator fizyczny.

• Determinizm — uruchomienia Genie 4 nie można odtworzyć klatka po klatce; siatka to plik, który pozostaje identyczny.

• Audio — natywne w Genie 4; nie jest częścią pipeline'u WorldClaw.

• Dostęp — Genie 4 to badawcza wersja zapoznawcza o ograniczonym dostępie; WorldClaw to publikacja z repozytorium, które nie zawiera jeszcze kodu możliwego do uruchomienia.

Nie bez powodu to modele wideo stają się viralowe, a potoki siatek trafiają do produkcji. Wideo jest zrozumiałe dla każdego w pięć sekund. Siatka jest zrozumiała tylko dla kogoś, kto wie, co by z nią zrobił — a tą osobą zwykle jest ta, która dysponuje budżetem.

Co właściwie robią cztery etapy WorldClaw

WorldClaw nie jest pojedynczą siecią. To agentowy potok, który rozkłada „zbuduj mi świat z tego zdania" na cztery etapy — i to właśnie ten podział jest wkładem.

Pierwszy etap to analiza intencji i planowanie sceny: agenci oparci na modelach językowych przekształcają otwarte polecenie w ustrukturyzowaną specyfikację obejmującą regiony, ukształtowanie terenu, obiekty, materiały i relacje przestrzenne. Drugi generuje globalny teren — semantyczną mapę układu oraz pole wysokości uwzględniające regiony, z materiałami i zasobami przypisanymi do poszczególnych regionów. Trzeci obejmuje generowanie obiektów regionalnych: kompozyty dwuwymiarowe uwarunkowane terenem są segmentowane, każda instancja jest rekonstruowana w indywidualną teksturowaną siatkę, a te siatki są umieszczane na terenie. Czwarty to udoskonalanie oparte na renderowaniu: agent wizyjny renderuje scenę z wielu punktów widzenia, sprawdza wynik pod kątem unoszących się obiektów, przenikania, błędów skali i pozy, poprawia je i renderuje ponownie. Montaż odbywa się w Blenderze za pośrednictwem Model Context Protocol.

Ta ostatnia pętla to najciekawsza część inżynierii. Model generatywny, który nie widzi własnych wyników, jest automatem do gry. Potok, który renderuje, kontroluje i koryguje, jest procesem — a krok korekcji jest źródłem większości postrzeganej jakości w dużej scenie, ponieważ tryby awarii umieszczonych zasobów 3D są geometryczne, a więc wykrywalne, a nie estetyczne, a więc dyskusyjne.

Konfiguracja przyjęta w samym artykule to stos modeli firm trzecich: Claude Opus 4.8 kierujący agentami, GPT-Image-2 wraz z SAM3D do segmentacji, Hunyuan3D do rekonstrukcji, działający na czterech GPU NVIDIA H20. WorldClaw najlepiej rozumieć jako warstwę orkiestracji nad istniejącymi generatorami, a nie jako nowy model generatywny, co jest zarówno jego mocną stroną — poprawia się wraz z ulepszaniem swoich komponentów — jak i słabością, ponieważ każda zmiana w zachowaniu komponentu zmienia wynik działania całego potoku.

Dlaczego Mesh jest wart więcej niż wideo i kosztuje więcej

Wideo przedstawiające świat jest twierdzeniem o świecie. Siatka to świat, a przynajmniej tyle jego części, by zacząć budować. Ta różnica uwidacznia się w każdym późniejszym zadaniu: kolizjach, zasłanianiu, oświetleniu, fizyce, projektowaniu poziomów oraz zwykłej pracy polegającej na przesunięciu jednego budynku o dwa metry w lewo, bo linia widzenia jest nieprawidłowa.

Żadna z tych operacji nie jest możliwa na danych wyjściowych Genie 4. Możesz zlecić symulacji zmianę, a ona wygeneruje nowy zestaw klatek, który może, ale nie musi respektować ograniczenia, jakie miałeś na myśli, a zmiana nie utrzyma się poza dwuminutowym oknem spójności, o którym mówi DeepMind. Model nie udaje inaczej; jego deklarowane przypadki użycia to prewizualizacja, prototypowanie i trenowanie robotów — wszystkie one konsumują światy, zamiast na nich budować.

Koszt podejścia WorldClaw jest równie oczywisty. Cztery etapy, wielu agentów, zewnętrzny renderer i rundka przez Blendera oznaczają minuty do godzin na świat zamiast sekund, a pipeline może zawieść na każdym etapie — błąd segmentacji propaguje się do źle umieszczonego obiektu, który etap dopracowania może naprawić albo nie. Tryby awarii Genie 4 są łagodniejsze: dryfujący szczegół jest irytujący, unoszący się budynek jest zepsuty.

Dostępność po obu stronach jest gorsza, niż sugerują pokazy.

Żaden z tych modeli nie jest czymś, co można wdrożyć w tym kwartale, a powody są różne.

Genie 4 to podgląd badawczy dla zaufanych testerów. Google podaje, że subskrybenci AI Ultra otrzymają go poprzez Project Genie, a partnerzy z wczesnym dostępem dotrą do niego przez Gemini API i Google AI Studio „w nadchodzących tygodniach”. Istnieje lista oczekujących, nie ma ceny, nie opublikowano rozdzielczości ani liczby klatek na sekundę i nie ma warunków komercyjnych.

WorldClaw jest pod jednym konkretnym względem jeszcze dalej od użyteczności: repozytorium Tencent-Hunyuan/Hunyuan3D-WorldClaw zawiera README i zasoby, a nie kod. Prośba o kod pozostała bez odpowiedzi. Nie ma wag, API ani cennika. Istnieje artykuł, ogłoszenie i zestaw demonstracji.

Zatem dla praktyka pod koniec października 2026 roku porównanie sprowadza się do listy oczekujących i repozytorium, którego nie da się uruchomić. To nie jest przytyk do żadnego z zespołów — publikacje zawsze wyprzedzają wydania — ale oznacza, że każdy artykuł, który każe ci „wybierać” między nimi, opisuje przyszłe zakupy, a nie obecne.

Co mówią sekcje oceny

Artykuł WorldClaw ocenia swoje wyniki poprzez jakościowe porównanie bezpośrednie z SynCity, WorldGen firmy Meta, MajutsuCity i Marble od World Labs. Nie ma wyników FID ani CLIP, nie ma też badania z udziałem użytkowników. To jest rzeczywiste ograniczenie, ale także uczciwe: jakość wielkoskalowych scen 3D naprawdę trudno ocenić, a metryka ilościowa, która premiowałaby jedną oś, zniekształcałaby pozostałe.

Przy premierze Genie 4 nie opublikowano żadnego benchmarku — żadnego porównania z Genie 3 poza podwojonym oknem spójności, żadnej rozdzielczości, żadnej liczby klatek na sekundę. Żadna ze stron nie podała podmiotowi zewnętrznemu liczby do sprawdzenia. W kategorii, w której każdy dostawca pokazuje wyselekcjonowane dema, brak pomiarów jest wspólnym stanem i powinien studzić każdy kategoryczny werdykt, jaki przeczytasz gdziekolwiek, także tutaj.

Gdzie sam pipeline staje się produktem

Ta część WorldClaw, którą warto ukraść, to nie generowanie 3D — to stos komponentów — lecz wzorzec: planuj z modelem językowym, generuj ze specjalistami, weryfikuj modelem wizyjnym, naprawiaj, powtarzaj. Ten wzorzec jest właśnie teraz odtwarzany w każdym studiu, które chce kontrolowalnego generowania światów, a to jest niemal wyłącznie problem orkiestracji.

I tu właśnie pojawia się kwestia infrastruktury. Potok o takim kształcie wykonuje dziesiątki wywołań modeli na każdy świat, w co najmniej trzech modalnościach, a awaria któregokolwiek wywołania wstrzymuje cały przebieg. Uruchamianie go przez pojedynczy endpoint z automatycznym przełączaniem awaryjnym sprawia, że zawieszony dostawca oznacza ponowną próbę, a nie utracone zadanie, natomiast DSL routingu pozwala przypiąć drogi model do etapu planowania, a tańszy do przebiegów weryfikacji poszczególnych obiektów, gdzie zużywa się większość tokenów. To jest warstwa, którą budujemy — jedno API obejmujące ponad 200 modeli, ceny z cenników dostawców przekazywane z 0% marży — i jest ona celowo niezależna od modeli, ponieważ komponenty w potoku takim jak WorldClaw będą wymieniane kilka razy, zanim sam potok się ustabilizuje.

Który z nich obejrzeć

Jeśli tworzysz filmy, prototypy lub środowiska szkoleniowe i potrzebujesz czegoś w tym kwartale, śledź komunikaty o dostępie do Genie 4 i twórz prototypy otaczających narzędzi w oparciu o model, który już możesz wywołać. Audio i sterowanie językiem to możliwości, których nie ma nic innego w tym porównaniu, a limit dwóch minut to ograniczenie, z myślą o którym możesz projektować.

Jeśli tworzysz gry, symulacje lub cokolwiek, co jest dostarczane jako asset, liczy się dla ciebie kształt WorldClaw, nawet jeśli jego kod jeszcze nie istnieje. W chwili, gdy Tencent go udostępni, pipeline generujący edytowalne siatki do silnika gry będzie wart więcej niż tysiąc pięknych filmów, ponieważ film jest końcem pracy, a siatka jej początkiem.