Genie 4 kontra HY-Nomas: Lepszy świat jest zamknięty, a ten do pobrania nie.

Za około 196 gigabajtów możesz mieć model świata na własność. Taki jest rozmiar pełnego zestawu checkpointów HY-Nomas, który zespół Hunyuan firmy Tencent opublikował na licencji Apache 2.0 23 października 2026 r., z wagami na Hugging Face i kodem na GitHubie. Cztery dni później Google DeepMind ogłosił Genie 4 — lepszy model świata pod względem większości miar jakościowych, z natywnym dźwiękiem i dwuminutowym oknem spójności, dostępny wyłącznie dla zaufanych testerów i osób z listy oczekujących. Między tymi dwoma faktami tkwi obecnie najbardziej praktyczna decyzja w generatywnym modelowaniu świata: wziąć silniejszy model, którego nie możesz mieć, czy słabszy, który możesz uruchomić jeszcze dziś wieczorem.

To porównanie tak naprawdę nie dotyczy jakości Genie 4 i HY-Nomas. To porównanie dwóch postaw wobec tego samego problemu, a różnica w jakości jest ceną tej postawy. Zrozumienie, za co płacisz i czym płacisz, jest sednem tego tekstu.

Co tak naprawdę daje Ci Apache 2.0

HY-Nomas jest dostarczany jako wagi, a nie jako usługa. Główny checkpoint znajduje się na Hugging Face jako tencent/Hy-Nomas, obok niego dostępny jest wariant kompatybilny z Diffusers, a repozytorium zawiera przepis na dostrajanie LoRA oraz dwa adaptery — jeden do filmowej pracy kamery, drugi do materiałów w stylu robotyki.

Ta ostatnia kwestia zasługuje na podkreślenie, ponieważ żaden zamknięty model świata jej nie oferuje. Jeśli możesz dostroić model na własnym materiale filmowym, możesz przesunąć go w stronę swojej dziedziny: języka kamery twojego studia, charakterystyki czujników twojego robota, kierunku artystycznego twojej gry. Genie 4, niezależnie od swojego pułapu, będzie produkować to, do czego Google go wytrenowało, a jedyną dźwignią, jaką masz, jest prompt tekstowy. Dla zespołu, dla którego model świata jest atutem konkurencyjnym, a nie narzędziem, ta różnica przewyższa znaczną część wykończenia wizualnego.

Licencja również ma znaczenie. Apache 2.0 jest wystarczająco permisywna dla komercyjnego wdrożenia bez negocjacji, czego nie można powiedzieć o Genie 4, którego warunki komercyjne w ogóle nie zostały opublikowane.

Sześćdziesiąt sekund kontra dwie minuty

Oba modele generują interaktywne światy. Generują je na różne sposoby, a różnica ta określa, jak należy odczytywać liczby dotyczące czasu trwania.

Genie 4 to model świata działający w czasie rzeczywistym: renderuje obraz na bieżąco podczas sterowania, utrzymuje scenę przez około dwie minuty i generuje dźwięk — dźwięki otoczenia, muzykę, dialogi — natywnie w tym samym przebiegu. Pogodę zmieniasz, wpisując ją. Zastrzeżenie samego DeepMind jest takie, że przy dłuższych przebiegach szczegóły i trwałość obiektów zaczynają się rozmywać, zwłaszcza po wielokrotnych złożonych edycjach promptu.

HY-Nomas generuje wideo w sekwencyjnych segmentach, a nie w jednym statycznym pliku, i sterujesz nim tura po turze za pomocą promptów tekstowych i trajektorii kamery. Całożyciowa pamięć podręczna KV zapewnia spójność świata między tymi turami. Deklarowany pułap to około sześćdziesięciu sekund generacji przy 720×1280 i 24 klatkach na sekundę, z ośmioma krokami odszumiania w konfiguracji destylowanej; obsługiwane są również cztery i sześć.

Uczciwe porównanie to więc nie sześćdziesiąt sekund kontra sto dwadzieścia. To generowanie segmentów w trybie turowym kontra ciągłe renderowanie w czasie rzeczywistym. Genie 4 daje świat, który reaguje, gdy jesteś w nim. HY-Nomas daje świat, który posuwa się do przodu o jedną zaprojektowaną turę naraz, co jest wolniejszym sposobem pracy i znacznie łatwiejszym do kontrolowania — każdy segment jest decyzją, którą możesz sprawdzić, zanim przejdziesz do następnego.

Pod względem wewnętrznej budowy oba rozwiązania różnią się architektonicznie w sposób, który wyjaśnia ich zachowanie. HY-Nomas to transformator dyfuzyjny — pięćdziesiąt cztery dwustrumieniowe bloki MMDiT, enkoder tekstowy Qwen2.5-VL-7B-Instruct, latentne reprezentacje DCAE-V i dostrojony dekoder PixelUMM, przy około ośmiu miliardach parametrów wyliczonych na podstawie opublikowanego checkpointu, a nie oficjalnego oświadczenia. To duży model generujący segmenty wideo. Genie 4 to symulator czasu rzeczywistego, którego wnętrze Google nie opisało w porównywalnych szczegółach, połączony z modelami Gemini, które zakotwiczają wygląd i sterują pętlą.

Funkcja, którą ma Genie 4, a której nie ma nikt inny

Audio. Genie 4 to pierwszy model świata firmy DeepMind, który generuje dźwięk natywnie, a w chwili pisania tego tekstu żaden model świata z otwartymi wagami w tym porównaniu — w tym HY-Nomas — nie może przedstawić równoważnego twierdzenia. Generuje dźwięki otoczenia, muzykę i interaktywny dialog, w którym postacie reagują na to, co dzieje się w scenie.

To, czy ma to decydujące znaczenie, zależy wyłącznie od zastosowania. W przypadku prewizualizacji filmowej jest to niemal decydujące: ujęcie bez dźwięku to tylko połowa ujęcia, a odtwarzanie pejzażu dźwiękowego od zera zgodnie z cudzym timingiem to ta część prewizualizacji, której nikt nie lubi. W symulacji robotyki to brakująca modalność wejściowa, która ogranicza to, czego środowisko może nauczyć. Dla studia gier generującego materiał filmowy do plate’ów tła jest to udogodnienie.

A dla wszystkich jest to niezmierzone. Google nie opublikował żadnego benchmarku audio, żadnego pomiaru synchronizacji, a jego własni inżynierowie przyznają, że dokładność audio nie została rozwiązana. Twierdzenie jest realne, a dowody to taśma demonstracyjna.

Rachunek za sprzęt — wyliczony

To tutaj otwarty model przestaje być darmowy i zaczyna być wydatkiem kapitałowym.

• Domyślne wdrożenie — HY-Nomas jest przeznaczony na osiem GPU. To serwer, a nie stacja robocza.

• Ścieżka z pojedynczym GPU — udokumentowana konfiguracja działa na jednej karcie RTX 4090, wykorzystując wagi INT8 dla transformatora dyfuzyjnego, dekoder FP8, odciążenie CPU i ograniczony bufor historii.

• Dysk — pełny zestaw checkpointów to około 196 GB; wariant niskopamięciowy wymaga około 38 GB plus enkoder tekstu.

• Przepustowość — sześćdziesiąt sekund wyniku to nie sześćdziesiąt sekund obliczeń. Dyfuzja przy ośmiu krokach odszumiania w pięćdziesięciu czterech blokach transformera oznacza, że generowanie mierzy się w minutach na segment, a Tencent nie opublikował danych dotyczących opóźnień.

• Genie 4 — brak opublikowanych wymagań sprzętowych, brak opublikowanych opóźnień, brak opublikowanej ceny. Dostęp jest subskrypcją Google AI Ultra za pośrednictwem Project Genie lub umowy partnerskiej dotyczącej wczesnego dostępu.

Jeśli uczciwie policzyć, ścieżka z 4090 to maszyna badawcza, a nie produkcyjna: wygeneruje segment, powoli, z pogorszoną pamięcią przy długich sekwencjach — co jest dokładnie kompromisem, jaki narzuca ograniczony bufor historii. Ścieżka z ośmioma GPU zapewnia użyteczną przepustowość i kosztuje tyle, ile kosztuje osiem GPU w centrum danych, nie licząc energii i osoby, która musi utrzymywać to w ruchu.

Dlatego porównanie z hostowanym API nie jest oczywiste. Jeśli Twój wolumen to kilkaset segmentów miesięcznie, uruchamianie ośmiu GPU, by je obsłużyć, to złe wykorzystanie kapitału, a właściwą odpowiedzią jest API — nasze lub kogokolwiek — z ceną za wywołanie i bez nakładów kapitałowych. Jeśli Twój wolumen jest ciągły albo Twoje dane nie mogą opuścić Twojej sieci, pobranie 196 GB to okazja, której nie dorówna żadna usługa hostowana. To jest rzeczywista decyzja i nie ma nic wspólnego z tym, który model jest ładniejszy.

Dwa benchmarki, zero wyników

HY-Nomas udostępnia coś o nazwie Hy-Nomas-Bench: 280 przypadków testowych z około 220 referencyjnymi trajektoriami kamery. To prawdziwe środowisko ewaluacyjne i na moment wydania nie ma opublikowanych wyników. Raport techniczny jest określany jako mający się wkrótce ukazać.

Genie 4 nie ma odpowiednika. Google nie opublikowało żadnego zestawu testów porównawczych, żadnego numerycznego porównania z Genie 3 poza podwojonym oknem spójności ani żadnej rozdzielczości czy liczby klatek na sekundę.

Zatem obie strony proszą, by oceniać je na podstawie nagrań demonstracyjnych. W takiej sytuacji rozstrzygającym kryterium powinna być powtarzalność i nie ma tu nawet porównania: możesz pobrać HY-Nomas, samodzielnie uruchomić Hy-Nomas-Bench i opublikować konkretną liczbę. Z Genie 4 nie możesz tego zrobić, a jeśli jesteś zespołem, który przed podjęciem decyzji potrzebuje liczby, model zamknięty nie jest jedynie niewygodny — jest dyskwalifikujący.

Co tak naprawdę polecilibyśmy

Jeśli potrzebujesz najbardziej przekonującego dostępnego świata, a Twoja praca ma charakter eksploracyjny — pre-vis, konceptualizacja, symulacja na poziomie prototypu — Genie 4 to mocniejsza możliwość: zapisz się na listę oczekujących i projektuj z myślą o dwuminutowym ujęciu. Sam dźwięk stawia go w innej klasie niż wszystko, co ma otwarte wagi, a architektura z Gemini w pętli oznacza, że może być sterowany przez agenta, a nie ręcznie.

Jeśli potrzebujesz modelu świata, który możesz mieć na własność, dostrajać, audytować, osadzić w produkcie lub uruchamiać bez wysyłania danych do dostawcy, HY-Nomas jest jedyną opcją w tym porównaniu — i to naprawdę zdolną: Apache 2.0, ścieżka oparta na pojedynczym 4090, sterowanie kamerą, adaptery robotyczne i opublikowany zestaw ewaluacyjny. Wymieniasz fotorealizm i dźwięk na kontrolę i powtarzalność, a w przypadku dużej klasy prac inżynierskich to właściwy wybór.

Otaczający stack to miejsce, w którym te dwa elementy się spotykają. Niezależnie od tego, który model wybierzesz, będzie on działał w pętli agenta — coś musi pisać prompty, wybierać trajektorię kamery, sprawdzać segment i decydować, czy wygenerować go ponownie. Ta pętla składa się ze zwykłych wywołań modeli językowych i wizyjnych i właśnie tam router zarabia na siebie: jedno API dla ponad 200 modeli, automatyczne przełączanie awaryjne, dzięki czemu zawieszony dostawca oznacza ponowną próbę, a nie utracony render, oraz ceny katalogowe dostawców przekazywane z 0% marży, dzięki czemu obniżka ceny przez dostawcę dociera do Ciebie w dniu jej wprowadzenia. Model świata to droga, wolno zmieniająca się część Twojego stacku. Wszystko wokół niego powinno być jego przeciwieństwem.

Sześć miesięcy temu ciekawym pytaniem było, czy modele otwartego świata mogą w ogóle być konkurencyjne. HY-Nomas odpowiada, że mogą być konkurencyjne pod względem kontroli, pozostając w tyle pod względem wierności, a Genie 4 odpowiada, że pułap wierności wciąż się przesuwa. Żadna z tych odpowiedzi nie rozstrzyga sporu — dlatego można ją pobrać, a lista oczekujących jest długa.