Hy-Nomas vs Hunyuan3D WorldClaw: to samo laboratorium, dwa rodzaje świata

Grupa Hunyuan należąca do Tencentu wypuściła w ciągu trzech miesięcy dwie rzeczy nazywane modelem świata, które nie zgadzają się ze sobą niemal we wszystkim. Hunyuan3D WorldClaw, opublikowany w sierpniu 2026 r., wcale nie jest modelem: to czteroetapowy potok agentowy, który planuje scenę za pomocą agentów LLM, generuje teren, rekonstruuje poszczególne obiekty jako teksturowane siatki, a następnie zleca agentowi wizyjnemu wyrenderowanie wyniku i poprawienie tego, co wygląda źle. Hy-Nomas, udostępniony 23 października 2026 r., to pojedynczy segmentowo-autoregresyjny transformer dyfuzyjny, który renderuje sterowalne wideo i udostępnia swoje wagi na licencji Apache 2.0. Jeden buduje edytowalny zasób 3D z jednego zdania. Drugi renderuje ciągły świat z rozmowy.

Porównanie warto przeprowadzić właśnie dlatego, że pochodzą z tego samego laboratorium. To czysty naturalny eksperyment dwóch strategii: zestawić modele frontier w potok albo wytrenować jeden model, który robi wszystko. Te dwa wydania są też względem siebie odwrotne pod względem otwartości — to z cięższym stosem inżynierskim nie opublikowało żadnego kodu, a to, które jest pojedynczym modelem, opublikowało wszystko.

Model i potok to różne rodzaje artefaktów.

Artykuł WorldClaw opisuje router. System orkiestruje kilka czołowych modeli, zamiast sam wykonywać generowanie: agentów LLM do planowania, model obrazu do kompozycji regionalnych, model segmentacji, własny Hunyuan3D Tencenta do rekonstrukcji siatki oraz Blendera sterowanego przez MCP do montażu. Artykuł wskazuje Claude Opus 4.8 jako planistę oraz GPT-Image-2 i SAM3D wśród komponentów regionalnych. Jego wkładem jest choreografia — dekompozycja z poziomu globalnego na regionalny oraz oparta na renderowaniu pętla naprawcza — a nie nowy generatywny szkielet.

Hy-Nomas to przeciwny zakład. Jeden 54-blokowy dwustrumieniowy MMDiT, wymiar ukryty 2 048, enkoder tekstu Qwen2.5-VL-7B-Instruct, warunkowanie kamery przez cross-attention i trwały cache KV. W pętli nie ma planisty, etapu segmentacji ani zewnętrznego renderera. Model jest systemem.

Ta różnica wyjaśnia tryby awarii. Potok dziedziczy słabości każdego komponentu, który wywołuje, i można go naprawiać komponent po komponencie. Pojedynczy model ma jeden spójny obraz świata i żadnego szwu między etapami, ale każda słabość jest zapisana na stałe w wagach i można ją naprawić tylko przez ponowne trenowanie lub za pomocą LoRA.

Co tak naprawdę robią cztery etapy WorldClaw

Etap pierwszy to analiza intencji i planowanie sceny. Dwa agenty LLM dzielą się zadaniem: jeden wyodrębnia wyłącznie ograniczenia, które użytkownik faktycznie podał, drugi uzupełnia szczegóły, aby utworzyć ustrukturyzowaną specyfikację sceny obejmującą regiony, teren, obiekty i relacje przestrzenne. Taki podział to rozsądna obrona przed typową porażką pojedynczego planisty, który wymyśla wymagania, a następnie je spełnia.

Etap drugi generuje globalny teren: mapę układu semantycznego, pola wysokości uwzględniające regiony oraz materiały, skały i roślinność przypisane do poszczególnych regionów. Etap trzeci renderuje każdy region do kompozycji 2D, segmentuje instancje, rekonstruuje każdą z nich jako teksturowaną siatkę za pomocą Hunyuan3D i umieszcza ją z powrotem na terenie. Etap czwarty jest tym ciekawszym — agent wizyjny renderuje złożoną scenę z wielu punktów widzenia i szuka unoszących się obiektów, przenikania się, nieprawidłowej skali i nieprawidłowej pozy, a następnie iteruje. Montaż odbywa się w Blenderze za pośrednictwem MCP.

Wynikiem są jawne, teksturowane, indywidualnie edytowalne siatki, które można wyeksportować do silnika gry. To zasadniczo inny produkt niż wideo: każde drzewo jest obiektem, każdy obiekt ma transformację, a projektant poziomów może przenieść jeden z nich bez ponownego renderowania świata.

Siatki, które możesz edytować, lub wideo, którym możesz sterować

Wynik Hy-Nomas to wideo 720 × 1280 przy 24 FPS, generowane segmentami z ośmioma krokami odszumiania w konfiguracji destylowanej. Nie można go otworzyć w Blenderze. Można jednak przekierować go w trakcie sesji: swobodny tekst opisujący, co znajduje się w świecie, parametry zewnętrzne kamery określające, dokąd zmierza ujęcie, oraz pamięć podręczna KV, która utrzymuje wcześniejsze segmenty spójne z nową instrukcją. Edycja ma charakter konwersacyjny i odbywa się przed wyrenderowaniem następnego segmentu.

Dane wyjściowe WorldClaw można edytować już po fakcie. Otrzymujesz geometrię, a edycja jest przestrzenna — przesuń obiekt, przeskaluj drzewo, ponownie wyrenderuj region. Nie możesz natomiast prowadzić rozmowy ze światem, gdy ten się renderuje. Potok działa do końca, a dopiero potem pracujesz na zasobie.

• Wynik — sterowalne wideo 720 × 1280 Hy-Nomas vs jawne teksturowane siatki Hunyuan3D WorldClaw w scenie

• Jednostka pracy — Hy-Nomas: segment renderowany na żądanie vs Hunyuan3D WorldClaw: cały świat generowany w czterech etapach

• Edycja — instrukcje tekstowe i dotyczące kamery między segmentami w Hy-Nomas vs bezpośrednia manipulacja siatkami po wygenerowaniu w Hunyuan3D WorldClaw

• Silnik — Hy-Nomas to pojedynczy transformer dyfuzyjny, a Hunyuan3D WorldClaw to orkiestrowany stos modeli frontier plus Blender

• Sprzęt — domyślnie 8 GPU Hy-Nomas, jedna RTX 4090 w ścieżce INT8 o niskim zużyciu pamięci w porównaniu z Hunyuan3D WorldClaw 4 × NVIDIA H20

• Wydanie — Hy-Nomas: wagi, kod i zbiór danych benchmarkowych na licencji Apache 2.0 kontra Hunyuan3D WorldClaw: artykuł, strona projektu i README bez kodu i wag

Koszt agentowego świata

Historia obliczeniowa WorldClaw to nie liczba godzin GPU w zwykłym sensie. To cztery H20 plus duża liczba wywołań modeli frontier: tokeny planowania, generowanie obrazów dla każdego regionu, segmentacja dla każdej instancji, rekonstrukcja siatki dla każdego obiektu oraz powtarzane renderowania agenta wizyjnego podczas dopracowywania. Koszt krańcowy jednego świata jest zdominowany przez te wywołania, a publikacja nie podaje ceny. Odtworzenia społecznościowe, które zastępują hostowane punkty końcowe obrazów i 3D, raportują około pięćdziesięciu centów i kilku minut na świat, co jest użytecznym rzędem wielkości, ale nie jest liczbą od dostawcy.

Koszt Hy-Nomas jest bardziej konwencjonalny: domyślnie osiem GPU z ośmiokierunkową równoległością sekwencji albo jedna RTX 4090 z wagami DiT INT8, pamięcią podręczną KV INT8, historią w oknie przesuwnym, odciążaniem na CPU, FlexAttention i dekoderem CUTLASS FP8. Pełny zestaw checkpointów to około 196 GB; udokumentowana ścieżka demonstracyjna pobiera około 86 GB, a ścieżka niskopamięciowa wymaga około 38 GB plus enkoder tekstu. Nie istnieje cena hostowana, ponieważ nie ma usługi hostowanej.

Porównanie, które ma znaczenie, to nie dolary na świat, lecz to, gdzie trafiają pieniądze. WorldClaw wydaje na tokeny i wywołania API, których koszt spada wraz ze spadkiem cen modeli frontier. Hy-Nomas wydaje na obłożenie GPU, które nie spada. Potok tanieje dzięki czyjejś krzywej; model tanieje tylko wtedy, gdy ktoś go destyluje.

• Czynnik kosztowy Hy-Nomas — godziny GPU na sesję generowania, bez rozliczania za każde wywołanie

• Czynnik kosztowy WorldClaw — wywołania modeli frontier do planowania, obrazowania, segmentacji, rekonstrukcji i naprawy, plus 4 × H20

• Hy-Nomas — dźwignia skalowania: destylacja i LoRA, obie już w wydaniu

• Dźwignia skalowania WorldClaw — tańsze modele komponentów i mniej iteracji naprawczych

WorldClaw jest także najwyraźniejszym argumentem za warstwą routingu, jaki zawiera ta partia, ponieważ nią jest. Jego planner wywołuje jeden model, jego etap regionalny wywołuje inny, jego etap rekonstrukcji wywołuje trzeci, a całość to polityka routingu z dołączonym rendererem. OrcaRouter robi to samo dla modeli hostowanych — ponad 200 modeli za jednym kluczem, cena katalogowa dostawcy przekazywana z 0% marży, automatyczne przełączanie awaryjne oraz DSL routingu, który komponuje kilka modeli w jedno wywołanie, z dostępną fuzją modeli, gdy chcesz panel, a nie łańcuch. Ani Hy-Nomas, ani WorldClaw nie znajdują się w naszym katalogu i nie zamierzamy udawać, że model świata hostowany u siebie jest endpointem; tym, co routujemy, jest warstwa, której potrzebę pokazuje WorldClaw.

Otwartość jest odwrócona

To najdziwniejsza część tej pary. WorldClaw to bardziej rozbudowany system — wieloetapowy potok agentowy z opublikowanym artykułem i stroną projektu — a oficjalne repozytorium GitHub zawiera README, artykuł i zasoby projektu. Żadnego kodu, wag, API ani cennika. Zgłoszenie z prośbą o kod pozostaje bez odpowiedzi. Publicznie istnieją jedynie społecznościowe reimplementacje, które odtwarzają potok na hostowanych endpointach, co świadczy o klarowności artykułu, a nie zastępuje wydania.

Hy-Nomas to prostszy i bardziej otwarty system: licencja Apache 2.0, pełne checkpointy na Hugging Face, kod inferencji i trenowania na GitHubie, zestaw narzędzi do opisywania obrazów, trener LoRA, skrypt scalający oraz zbiór danych benchmarkowych liczący 280 przypadków. Brakuje raportu technicznego, a benchmark nie zawiera wyników, ale artefakt jest wystarczająco kompletny, by go odtworzyć i zmodyfikować.

Dla każdego, kto planuje budować, to odwrócenie decyduje o więcej niż architektura. Pipeline, którego nie możesz uruchomić, jest dokumentem projektowym. Model, który możesz uruchomić, jest punktem wyjścia, nawet gdy jego ocena jest pustą stroną.

Po który sięgnąć

Sięgaj po podejście Hunyuan3D WorldClaw, gdy rezultatem ma być poziom: duże, eksplorowalne i edytowalne środowisko 3D, które trzeba wprowadzić do silnika gry i które ma modyfikować człowiek. Miej świadomość, że będziesz odtwarzać je na podstawie artykułu, ponieważ Tencent go nie udostępnił, a jego deklaracje dotyczące jakości mają charakter jakościowy — w artykule porównuje się je z SynCity, Marble od World Labs, MajutsuCity, WorldGen od Meta i GPT-5.6 Sol bez FID, CLIP ani badania z użytkownikami.

Sięgaj po Hy-Nomas, gdy rezultatem ma być materiał wideo lub środowisko treningowe: pre-vis, syntetyczne wideo, generator scen robotycznych, który zamierzasz dostosować za pomocą dostarczonego Robotics LoRA. Miej świadomość, że twierdzenie o spójności długiego horyzontu to argument projektowy plus demonstracja, a nie wynik liczbowy, oraz że pojedyncze uruchomienie na 4090 jest możliwe, ale wiąże się z narzutem offloadu.

A jeśli potrzebujesz obu — edytowalnego świata i sterowalnego materiału wideo z niego — uczciwa odpowiedź brzmi: żadne pojedyncze wydanie Tencent nie daje ci tego dziś. WorldClaw tworzy geometrię, której nie można animować konwersacyjnie. Hy-Nomas tworzy wideo, którego nie można wyeksportować. Luka między nimi to produkt, którego nikt jeszcze nie dostarczył, i ciekawiej jest go obserwować niż każdy z tych modeli osobno.