Hy-Nomas kontra Odyssey-3: Otwarte wagi bez wyników, wyniki bez wag

Zapytaj firmę Odyssey o Odyssey-3, a dostaniesz liczbę: 66,1 w Physics-IQ Verified, najwyższy surowy wynik wideo-do-wideo, jaki firma podaje. Poproś o checkpoint, a dostaniesz formularz kontaktowy. Zapytaj firmę Tencent Hunyuan o Hy-Nomas, a wymiana przebiega w drugą stronę: około 196 GB wag na licencji Apache 2.0, środowisko do wnioskowania, trener LoRA i demo w przeglądarce, a do żadnego z nich nie dołączono wyniku. Oba modele należą do tej samej kategorii — interaktywnych autoregresyjnych modeli świata typu diffusion-transformer — i pochodzą z tego samego miesiąca. Publiczny podgląd badawczy Odyssey-3 otwarto 8 października 2026 r.; wagi Hy-Nomas udostępniono między 21 a 23 października 2026 r. Ale wybór między nimi nie jest kwestią tego, który jest lepszy, ponieważ żadna ze stron nie opublikowała dowodów, które by to rozstrzygnęły, a każdemu z nich brakuje innej połowy.

To, co następuje, to wyłącznie to, co można ustalić na podstawie obu wydań: jak każdy z modeli traktuje kamerę, co liczby po każdej ze stron mierzą, a czego nie, oraz ile kosztuje doprowadzenie któregokolwiek z nich do działania przed użytkownikiem.

Pudełko, nie architektura

Oba są autoregresyjnymi transformerami dyfuzyjnymi i na poziomie schematów blokowych są kuzynami. Hy-Nomas renderuje segment wideo, dołącza go do sesji i warunkuje kolejny segment na dożywotnim cache'u KV; szkieletem jest 54-blokowy dwustrumieniowy MMDiT o rozmiarze ukrytym 2048, z 16 głowami uwagi i 128 wymiarami na głowę, enkoderem tekstu Qwen2.5-VL-7B-Instruct i 32-kanałowymi latentami DCAE-V. Odyssey-3 jest opisywany przez swojego twórcę jako wieloetapowy transformer dyfuzji wideo rozszerzony autoregresyjnie z teacher forcing i maskowaniem przyczynowym, a następnie destylowany do interakcji w czasie rzeczywistym. Oba decydują się renderować świat w kawałkach i pamiętać, co było wcześniej.

Różnica, która ma znaczenie, tkwi w tym, co zawiera wydanie. Hy-Nomas dostarcza zestaw: bazowy DiT w FP32, destylowany DiT, wersję INT8, autoenkoder DCAE-V, dekoder PixelUMM w FP32 i FP8, wzmacniacz promptów Nomas-PE, dwa adaptery LoRA, obraz Dockera, narzędzie do generowania opisów do tworzenia danych do dostrajania, pakowanie sekwencji offline, trener LoRA i skrypt scalający. Odyssey-3 dostarcza zakładkę przeglądarki i kolejkę.

• Wagi — Hy-Nomas Apache 2.0, około 196 GB; Odyssey-3 — nie udostępniono żadnych wag i nie opublikowano licencji

• Kod wnioskowania — repozytorium Hy-Nomas oraz obraz Docker; Odyssey-3 — brak

• Dostrajanie — Hy-Nomas dostarcza trener LoRA i udokumentowany przepis; Odyssey-3 nie jest oferowany

• Liczba parametrów — żaden z dostawców jej nie ujawnia; checkpoint Hy-Nomas FP32 ma 34,2 GB, co sugeruje około 8,5 mld parametrów, jeśli założyć 32-bitowe przechowywanie i brak stanu optymalizatora — to szacunek arytmetyczny, a nie specyfikacja

• Dostęp — własny hosting Hy-Nomas lub demo Tencenta; podgląd Odyssey-3 w przeglądarce, API przez formularz kontaktowy

Kto decyduje o tym, gdzie ma znaleźć się kamera?

Model interakcji Odyssey-3 opiera się na nawigacji. Podgląd obsługuje ruch w pierwszej osobie, ruch w trzeciej osobie oraz niezależny ruch kamery, a świat nieustannie przewiduje, kiedy się poruszasz. To właściwy projekt dla osoby eksplorującej środowisko oraz dla demo reel, który sprzedał model: idziesz, świat reaguje, iluzja się utrzymuje.

Model interakcji Hy-Nomas opiera się na trajektorii. Podajesz ekstrynziki kamery, ścieżkę pozycji i orientacji, a model renderuje tę ścieżkę. Tekst i kamera to osobne kanały: prompt mówi, co jest w scenie, a trajektoria mówi, gdzie znajduje się obiektyw. Te dwa elementy się uzupełniają, a nie konkurują. Nomas-PE istnieje po to, by przekształcić zwięzłą instrukcję w coś, na czym model skuteczniej opiera warunkowanie, co mówi co nieco o ostrych krawędziach kanału tekstowego.

Praktyczną konsekwencją jest powtarzalność. Sesja nawigacji to przejście: odbywa się w czasie rzeczywistym, jest sterowana przez człowieka i trudno ją dokładnie odtworzyć. Trajektoria to parametr, który można rejestrować, zmieniać i względem którego można ponownie generować. Jeśli tworzysz syntetyczne dane treningowe dla robota lub agenta, druga jest adnotacją, a pierwsza demonstracją. To nie jest twierdzenie, że Hy-Nomas wygląda lepiej. Nie ma dowodów, że tak jest. To twierdzenie o tym, który interfejs sterowania może wykorzystać pipeline.

Linia rozdzielczości i dlaczego nie należy od niej zaczynać

Nasuwa się oczywiste stwierdzenie, że Hy-Nomas renderuje 720 × 1280 przy 24 FPS, podczas gdy Odyssey-3 renderuje 832 × 480, a wersja Pro oferuje 1280 × 720. To porównanie jest prawdziwe i samo w sobie niemal bez znaczenia. Wartość 24 FPS dotyczy odtwarzania wygenerowanego fragmentu, a nie szybkości generowania. 16 FPS w Odyssey-3 zmierzono na stanowisku testowym Physics-IQ, a liczba klatek na sekundę w wersji Pro nie jest w ogóle publikowana. Żaden z dostawców nie pokazał, jak jego wynik wygląda obok wyniku drugiego przy tej samej rozdzielczości, ponieważ nigdy nie uruchamiano ich na tym samym zadaniu.

• Rozdzielczość bazowa — Hy-Nomas 720 × 1280, z możliwością nadpisania na 480 × 832; Odyssey-3 832 × 480

• Najwyższa klasa — Hy-Nomas ma jedną konfigurację; Odyssey-3 Pro działa w rozdzielczości 1280 × 720

• Klatkaż — odtwarzanie Hy-Nomas przy 24 FPS, prędkość generowania niepodana; Odyssey-3 16 FPS na stanowisku benchmarkowym, Pro niepodana

• Odszumianie — Hy-Nomas 8 kroków w konfiguracji destylowanej, przy czym akceptowane są również 4 i 6; Odyssey-3 jest destylowany do pracy w czasie rzeczywistym, ale liczba jego kroków nie jest publikowana

Jeden ranking, dwa sposoby, by na niego nie odpowiedzieć

Physics-IQ Verified, prowadzony przez Anates Labs we współpracy z Google DeepMind, jest najbliższym odpowiednikiem niezależnej weryfikacji, jaki ma którykolwiek z tych modeli. Zadaniem modelu jest kontynuowanie nagrania rzeczywistego eksperymentu fizycznego, a kontynuacja jest oceniana względem tego, co faktycznie się wydarzyło. W rankingu znajduje się czterdzieści jeden modeli z szesnastu laboratoriów. Wynik Odyssey-3 Pro wynoszący 66,1 to liczba, którą firma wysuwa na pierwszy plan, i jest to najwyższy zgłoszony surowy wynik wideo-do-wideo.

Przyjrzyj się samej tablicy, a obraz staje się bardziej konkretny. Rankinguje według poprawy netto względem średniej dla ścieżki, a nie według surowego wyniku, i w tej kolumnie FLUX 3 [large] zajmuje pierwsze miejsce z +12,27 punktu, Odyssey-3 Pro drugie z +11,15, a bazowy Odyssey-3 trzecie z +9,99. Zgłoszenia Odyssey pojawiają się dwukrotnie w dwóch reżimach promptów: z niestandardowymi promptami +11,15 i +9,99; z własnymi promptami benchmarku model bazowy spada do +2,15 i ósmego miejsca. Wynik 66,1 pochodzi z próbkowania best-of-8; pojedyncze generowanie daje 63,37. Tablica jest tablicą zgłoszeń, a nie przebiegiem zewnętrznym.

Nic z tego nie czyni Odyssey-3 złym modelem. Sprawia to, że nagłówek dotyczy wybranej konfiguracji, a ranking samego leaderboardu to inne twierdzenie niż to z materiału premierowego. Czytelnik, który cytuje 66.1, i czytelnik, który cytuje pozycję 02, cytują ten sam leaderboard, a tylko jeden z nich cytuje sposób punktowania w tym leaderboardzie.

Strona dowodowa Hy-Nomas jest prostsza i bardziej pusta. Tencent opublikował Hy-Nomas-Bench: 280 przypadków w czterech ścieżkach, obejmujących wieloturową kontrolę tekstową, nawigację kamerą, przeplataną kontrolę tekstu i kamery oraz pamięć przestrzenną, z około 220 referencyjnymi trajektoriami kamery. Zbiór danych jest prawdziwy i można go pobrać. Tabela wyników nie istnieje. Link do raportu technicznego na karcie modelu widnieje jako „Coming Soon” i prowadzi donikąd.

Uczciwy stan tego porównania — szesnaście dni po udostępnieniu wersji zapoznawczej Odyssey-3 i trzy dni po pojawieniu się wag Hy-Nomas — jest taki, że tych dwóch modeli nigdy nie oceniano na tym samym zadaniu, za pomocą tego samego środowiska testowego i przy tych samych ustawieniach. Physics-IQ nie wymienia Hy-Nomas. Hy-Nomas-Bench nie wymienia Odyssey-3. Każdy, kto twierdzi, który z nich jest lepszy, wyciąga wnioski z architektury i klipów demonstracyjnych.

Ile kosztuje dotknięcie

Odyssey-3 nie ma opublikowanej ceny. Tablica wyników Physics-IQ podaje znormalizowany szacunek kosztu: $0.139 za wygenerowane wideo dla modelu bazowego i $0.267 dla Pro, w miarę możliwości znormalizowany do 24 fps i szerokości wyjściowej 1280, ale są to księgowe wartości benchmarkowe, a nie stawki, po których można kupić. Dostęp zapewnia podgląd w przeglądarce oraz formularz kontaktowy w sprawie priorytetu API. Warunki API w serwisie nadal opisują prototyp Odyssey-2, co jest niezłym sygnałem, jak daleko posunęła się warstwa komercyjna.

Hy-Nomas również nie ma ceny, ponieważ nie ma nic do kupienia. Tencent nie udostępnia dla niego hostowanego punktu końcowego. Koszt to sprzęt: osiem GPU z ośmiokierunkowym równoległością sekwencji na domyślnej ścieżce lub pojedynczy RTX 4090 wykorzystujący wagi DiT INT8, pamięć podręczną KV INT8, dekoder FP8, ograniczenie historii do przesuwnego okna i odciążenie CPU. Pełny zestaw checkpointów ma około 196 GB, udokumentowana ścieżka demonstracyjna pobiera około 86 GB, a ścieżka niskopamięciowa wymaga około 38 GB plus enkoder tekstu. Przykład treningowy w repozytorium wykorzystuje 128 GPU jako szesnaście replik równoległych danych w ośmiu rangach równoległości sekwencji.

Zestaw je obok siebie, a pod względem wygody nie ma o czym dyskutować: Odyssey-3 kosztuje dziś jedną kartę przeglądarki, Hy-Nomas kosztuje GPU i weekend. Weekend daje coś, czego karta przeglądarki nigdy nie da: checkpoint, który możesz dostroić na własnych nagraniach, scalić w destylowaną kompilację i serwować, nie pytając nikogo o zgodę.

Gdzie tak naprawdę powinna znajdować się warstwa routingu

Żaden z tych modeli nie znajduje się w naszym katalogu. Hy-Nomas to otwarte wagi, które hostujesz samodzielnie; Odyssey-3 to zamknięta wersja zapoznawcza dostępna po wypełnieniu formularza kontaktowego. Nie zamierzamy sugerować inaczej i w przypadku żadnego z nich nie mamy własnej strony modelu, do której można by podlinkować.

Powód, dla którego routing wciąż się pojawia, tkwi w pętli wokół modelu, a nie w samym modelu. Sesja Hy-Nomas potrzebuje czegoś, co zdecyduje o następnej instrukcji i często przepisze prompt, zanim zobaczy go Nomas-PE. Prototyp Odyssey-3 potrzebuje czegoś, co zaloguje sesję, oceni, czy środowisko pozostało spójne, i zamieni przejście w ustrukturyzowaną ocenę. To zwykłe wywołania modeli językowych i to właśnie one zawodzą o trzeciej w nocy. OrcaRouter udostępnia ponad 200 modeli hostowanych za jednym kluczem przy 0% marży, przekazuje cenę katalogową dostawcy bez zmian i pozwala połączyć przepisywacz promptów, oceniającego i fallback w jeden łańcuch DSL routingu zamiast trzech umów z dostawcami. Model świata pozostaje tam, gdzie jest; otaczająca go infrastruktura otrzymuje jeden punkt końcowy i automatyczne przełączanie awaryjne.

Trzy decyzje, trzy odpowiedzi

• Potrzebujesz modelu, który możesz dostroić na zastrzeżonym materiale filmowym, wdrożyć na własnym sprzęcie lub scalić z nim domenowy LoRA — Hy-Nomas, bez poważnej alternatywy w tej parze. Udokumentowana receptura — ranga i alpha 256 w Muon przy stałym 1e-4 przez 2000 kroków, trenowana z checkpointu FP32 i scalona z modelem destylowanym — jest wystarczająco konkretna, by uruchomić ją w tym tygodniu.

• Dziś po południu potrzebujesz środowiska do eksploracji na spotkaniu z interesariuszem i nie musisz go posiadać — wersja zapoznawcza Odyssey-3. Jest to również jedyny z tych dwóch, który ma zgłoszenie na tablicy strony trzeciej, łącznie z zastrzeżeniami.

• Potrzebujesz uzasadnionej odpowiedzi na pytanie „które jest lepsze” na potrzeby dokumentu przetargowego — żadne z nich. Ten dokument nie ma jeszcze źródła.

Co zmieniłoby odpowiedź

Trzy rzeczy, w kolejności prawdopodobieństwa. Raport techniczny Hy-Nomas z rzeczywistymi liczbami rozwiązałby problem jednostronnych dowodów i zamienił następną wersję tej strony w prawdziwe porównanie. Fala społecznościowych LoRA pokazałaby, czy przepis na dostrajanie działa poza własnymi przykładami Tencent, co jest twierdzeniem najłatwiejszym do przetestowania. Wydanie wag Odyssey-3, a nawet udokumentowana cena API, przeniosłoby go z dema, które się odwiedza, do komponentu, na którym można oprzeć planowanie.

Dopóki któraś z nich nie zostanie wydana, najlepszym sposobem odczytania tej pary jest to, co każde z nich pozwala ci zachować. Odyssey-3 pozwala zachować wrażenie. Hy-Nomas pozwala zachować model. To, którego z nich potrzebujesz, jest kwestią twojego projektu, a nie benchmarku.