Hy-Nomas kontra SKY-001: jeden renderuje świat, drugi go składa

Tencent opublikował 280 przypadków benchmarkowych dla Hy-Nomas, ale nie podał wyników. Skyfall opublikował wyniki dla SKY-001, ale nie udostępnił zestawu testowego. Ta symetria jest na tyle zgrabna, że wygląda na zbieg okoliczności, i jest najpożyteczniejszą rzeczą w zestawieniu tych dwóch modeli obok siebie, ponieważ poza określeniem „model świata” nie mają ze sobą prawie nic wspólnego. Hy-Nomas, udostępniony przez Tencent Hunyuan między 21 a 23 października 2026 r., generuje eksplorowalne wideo: 720 × 1280 przy 24 FPS, sterowane swobodnym tekstem i trajektoriami kamery. SKY-001, ogłoszony przez Skyfall AI 19 października 2026 r., generuje geometrię inżynierską: przyjmuje prompt tekstowy lub obraz 2D i tworzy uporządkowaną sekwencję konstrukcji CAD lub BIM. Wynik jednego modelu to coś, na co się patrzy. Wynik drugiego to coś, co się wytwarza.

To rozróżnienie nie jest przejawem pedanterii. Decyduje o tym, co oznacza dokładność, co może zmierzyć benchmark, czy w ogóle można uzyskać model i co właściwie można by z nim zrobić w poniedziałek rano.

Dwie funkcje ukryte za jednym zwrotem

Model świata wideo przewiduje następny obserwowalny stan sceny. Jego jednostką wyjściową jest klatka lub segment, a kryterium poprawności jest to, czy wynik wygląda i zachowuje się jak świat. Inżynierski model świata przewiduje następny stan strukturalny projektu. Jego jednostką wyjściową jest część, zespół lub etap konstrukcji, a kryterium poprawności jest to, czy geometria odpowiada temu, o co poproszono, oraz czy sekwencję można zbudować.

Hy-Nomas działa w trybie autoregresji segmentowej. Renderuje fragment wideo, przechowuje go w trwałej pamięci podręcznej KV, przyjmuje kolejną instrukcję i renderuje następny fragment. Tekst i kamera to osobne dane wejściowe, które się składają: prompt opisuje scenę, a parametry zewnętrzne określają, dokąd trafia obiektyw. SKY-001 jest hierarchiczny. Kompozytor rozkłada żądanie na systemy, zespoły, podzespoły i części, a następnie schodzi w dół przez kondygnacje, lokale i pomieszczenia; model świata budowy planuje uporządkowane stany wizualne, które tworzą każdy element. Oba nazywają siebie modelami świata, ponieważ oba uczą się modelu dynamiki danej dziedziny. Dziedziny te nie pokrywają się.

• Dane wyjściowe — segmenty wideo Hy-Nomas w 720 × 1280 i 24 FPS; ustrukturyzowane sekwencje konstrukcyjne CAD/BIM SKY-001 przeznaczone dla narzędzi projektowych

• Dane wejściowe — dowolny tekst Hy-Nomas oraz parametry zewnętrzne kamery; SKY-001: prompt tekstowy lub obraz 2D

• Definicja poprawności — spójność percepcyjna Hy-Nomas między turami; geometryczne nakładanie się SKY-001 względem projektu referencyjnego

• Jednostka oceny — Hy-Nomas: sesja; SKY-001: przypadek

• Co faktycznie jest dziś udostępniane — wagi Hy-Nomas na licencji Apache 2.0, około 196 GB; SKY-001 to miejsce na liście oczekujących

Co twierdzi SKY-001 i ile warte jest to twierdzenie

Ogłoszenie Skyfall to benchmark dostawcy i jest dobrze skonstruowany: dwa tory, po tysiąc przypadków każdy, nazwany komparator i wystarczająco szczegółów, by zobaczyć kształt testu. Tor CAD obejmuje 1000 komponentów przy około 100 krokach rysunkowych na przypadek. Tor BIM obejmuje 1000 rzutów kondygnacji przy średnio około 70 krokach. W porównaniu z GPT-6 Astra Skyfall raportuje 79,7% wobec 79,1% średniego IoU na CAD przy 3,9 sekundy wobec 199 sekund i 0,005 USD wobec 0,75 USD na przypadek. W BIM raportuje 43,6% wobec 40,6%, przy 1,22 sekundy wobec 144,6 sekundy i około 0,0024 USD wobec 0,446 USD.

Z odczytania liczb, a nie nagłówka, wynikają trzy rzeczy. Po pierwsze, liczba „150x taniej” to wskaźnik kosztów przebiegu benchmarku — szacunek Skyfall dotyczący kosztu wykonania jednego przypadku, a nie cena, po której ktokolwiek może kupić. Nie istnieje publiczny cennik SKY-001. Po drugie, IoU mierzy nakładanie geometryczne, a nie jakość inżynierską: nie mówi, czy część można wyprodukować, czy tolerancje się domykają ani czy plan piętra spełnia wymagania dotyczące dróg ewakuacyjnych, dostępności lub konstrukcji. Po trzecie, podane czasy nie obejmują wysyłania, wstępnego przetwarzania, kolejkowania, konwersji CAD lub BIM, walidacji, eksportu i przeglądu przez człowieka — a każdy z tych elementów występuje w rzeczywistym wdrożeniu.

Luka w dokładności to ta część, która się gubi. W przypadku CAD wynosi 0,6 punktu procentowego w tysiącu przypadków; w przypadku BIM — 3,0. To realny, choć wąski wynik. Dowodzi, że wyspecjalizowany model małego zespołu może trafić w ten sam przedział co czołowy model ogólnego przeznaczenia w tym zadaniu, a nie że go zastępuje. Sposób ujęcia przez samą firmę Skyfall jest bliższy prawdy niż doniesienia prasowe: firma opisuje SKY-001 jako zapowiedź badawczą z dostępem przez listę oczekujących i komercyjnym wdrożeniem planowanym na początek 2027 r., a nie jako produkt, który można wywołać.

Czego Hy-Nomas dostarcza, a czego nie chce twierdzić

Wydanie Tencentu to odwrotny artefakt: kompletny zestaw z usuniętym wnioskiem. Wagi są na licencji Apache 2.0 i zawierają więcej niż checkpoint. Jest tam 54-blokowy dwustrumieniowy MMDiT o rozmiarze ukrytym 2048 z 16 głowicami uwagi, enkoder tekstowy Qwen2.5-VL-7B-Instruct, 32-kanałowe reprezentacje latentne DCAE-V, dostrojony dekoder PixelUMM w FP32 i FP8 oraz osiem kroków odszumiania w konfiguracji destylowanej, przy czym akceptowane są również cztery i sześć. Dostarczane są dwa adaptery LoRA: Cinematic oraz Robotics wytrenowany na zestawie danych ramienia robota RealSource-World. Repozytorium dokumentuje, jak wytrenować własny: ranga i alfa 256, zerowy dropout, optymalizator Muon ze stałym współczynnikiem uczenia 1e-4 przez 2000 kroków, trenowany od checkpointu FP32 i scalony z destylowanym.

To, czego nie dostarczono, jest liczbą. Hy-Nomas-Bench obejmuje 280 przypadków w ramach czterech ścieżek: wieloturowe sterowanie tekstem, nawigacja kamerą, przeplatane sterowanie tekstem i kamerą oraz pamięć przestrzenna, z około 220 referencyjnymi trajektoriami kamery. Jego tabela wyników jest pusta. Link do raportu technicznego na karcie modelu jest oznaczony jako „wkrótce” i prowadzi donikąd. Strona Hugging Face podaje, że model nie jest wdrażany przez żadnego dostawcę inferencji. W chwili pisania tego tekstu repozytorium GitHub miało dziesięć godzin, 21 gwiazdek i zero wydań.

Asymetria, która rozstrzyga większość rzeczywistych przypadków

Gdyby oba modele były równie dobre w swoich zadaniach, dla większości czytelników i tak nie byłby to wyrównany wybór, ponieważ tylko jeden z nich można uzyskać. Hy-Nomas jest do pobrania: uruchamiasz go, dostrajasz i udostępniasz. Zastrzeżenie jest takie, że „uruchomienie” oznacza osiem GPU na udokumentowanej ścieżce albo pojedynczą kartę RTX 4090 z wagami DiT INT8, pamięcią podręczną KV INT8, dekoderem FP8, ograniczeniem historii w oknie przesuwnym i odciążeniem CPU. Pełny zestaw checkpointów ma około 196 GB; trasa niskopamięciowa wymaga około 38 GB plus enkoder tekstu. To nie jest pobieranie na laptopa i nie ma hostowanego endpointu od Tencent, na który można by się awaryjnie przerzucić.

SKY-001 to lista oczekujących. Brak wag, brak warunków licencji, brak publicznego API, brak opublikowanej ceny oraz cel komercyjny na początek 2027 r., którego firma nie potwierdziła jako daty. Dla czytelnika decydującego, co zrobić w tym kwartale, ta różnica ma większe znaczenie niż jakikolwiek benchmark na tej stronie.

To także przeformułowuje pytanie. „Hy-Nomas versus SKY-001” nie jest wyborem między dwoma sposobami robienia tego samego. To wybór między dwiema możliwościami: jedną można mieć już dziś, a drugiej nie można jeszcze mieć w ogóle.

Tam, gdzie te dwa słownictwa faktycznie się stykają

Robotyka to jedyne miejsce, w którym się zbliżają. Robotics LoRA od Hy-Nomas została wytrenowana na zbiorze danych ramion robotycznych i łączy się z destylowanym checkpointem, aby poprawić sceny manipulacji. Kompozytor SKY-001 działa na zespołach mechanicznych i częściach, co jest tym samym fizycznym słownictwem widzianym z drugiej strony. Laboratorium mogłoby prawdopodobnie zaprojektować wspornik za pomocą modelu inżynierskiego i zasymulować ramię podnoszące go za pomocą modelu świata wideo, a połączenie jest ciekawsze niż każdy z elementów osobno.

Ale interfejsy nie istnieją. {{1}}SKY-001 emituje sekwencje konstrukcyjne przeznaczone dla narzędzi CAD.{{/1}} {{2}}Hy-Nomas przyjmuje tekst i trajektorie kamery.{{/2}} Nic w żadnym z tych wydań nie odnosi się do drugiego, żadne nie zostało zweryfikowane na fizycznym sprzęcie w opublikowanym teście, a twierdzenie dotyczące robotyki po obu stronach jest demonstracją możliwości, a nie zmierzonym wynikiem. To spotkanie jest diagramem, a nie potokiem.

Rozmowa o kosztach, którą ludzie prowadzą źle

O tych modelach krążą dwa rodzaje liczb i żadna z nich nie jest ceną. Wartości 0,005 USD za przypadek CAD i 0,0024 USD za plan BIM dla SKY-001 to wewnętrzne szacunki z przebiegów benchmarkowych, a wartości porównawcze 0,75 USD i 0,446 USD to koszt uruchomienia GPT-6 Astra w tym samym harnessie. Są przydatne do oceny wydajności. Nie są to stawki, a Skyfall nie opublikował karty stawek.

Hy-Nomas nie podaje żadnej kwoty kosztów, ponieważ nie ma usługi, którą można wycenić. Jego koszt to godziny GPU: jeden RTX 4090 w konfiguracji z małą pamięcią lub osiem GPU w standardowej ścieżce, plus pobranie i przechowywanie. Jeśli chcesz rzetelnie porównać koszty eksploatacji każdego z nich, potrzebujesz własnych założeń dotyczących wykorzystania, a żaden z dostawców nie podał liczb, które pozwoliłyby je przyjąć.

Jedyną porównywalną rzeczą jest koszt ewaluacji każdego z nich. Hy-Nomas pozwala samodzielnie uruchomić swój benchmark obejmujący 280 przypadków, ponieważ zbiór danych jest opublikowany; trzeba będzie jednak zbudować narzędzie do oceniania, ponieważ Tencent nie udostępnił wyników. Benchmark SKY-001 jest opisany, ale nie został udostępniony, więc strona trzecia nie może go odtworzyć bez przebudowania testu. Ta asymetria jest warta więcej niż nagłówek o 0,005 USD.

Model nie jest workflow

Żaden z tych modeli nie znajduje się w naszym katalogu i raczej szybko się to nie zmieni: jeden to wydanie z otwartymi wagami do samodzielnego hostowania, drugi to badawcze wydanie podglądowe z listą oczekujących i bez API. Nie zamierzamy udawać, że jest inaczej.

To, czego potrzebują oba z nich, a czego żaden z nich nie zawiera, to warstwa rozumowania wokół generatora. Przepływ pracy w stylu SKY-001 zaczyna się od żądania, które trzeba rozłożyć na drzewo projektu, skierować do właściwego narzędzia, sprawdzić względem ograniczeń i zapisać z powrotem do pliku CAD. Sesja Hy-Nomas zaczyna się od intencji wyrażonej językiem naturalnym, która musi stać się ścieżką kamery i instrukcją na poziomie segmentu. To zadania dla modeli językowych i właśnie na nich zdobywa się lub traci niezawodność. OrcaRouter daje tej warstwie jeden punkt końcowy dla ponad 200 modeli, z 0% marży na cenie katalogowej dostawcy, dzięki czemu tańszy model może zająć się dekompozycją, a silniejszy — końcową weryfikacją, a automatyczne przełączanie awaryjne utrzymuje łańcuch przy życiu, gdy dostawca zawodzi. Całą sekwencję można wyrazić w DSL routingu zamiast zakodowywać na sztywno trzy integracje. Model świata wykonuje renderowanie lub montaż; warstwa routingu decyduje, o co go poprosić.

Co sprawiłoby, że byłoby to prawdziwym porównaniem?

Porównanie staje się sensowne w momencie, gdy którakolwiek ze stron zmniejszy swoją lukę. Jeśli Tencent opublikuje wyniki dla Hy-Nomas-Bench, model zyska punkt odniesienia i każdy przyszły model świata będzie można mierzyć względem niego. Jeśli Skyfall udostępni swoje zestawy testowe CAD i BIM, 79,7% stanie się odtwarzalne, a nie tylko raportowane, a przewaga 0,6 punktu doczeka się takiej analizy, na jaką przewaga 0,6 punktu zasługuje.

Do tego czasu właściwa interpretacja jest kategoryczna, a nie konkurencyjna. Hy-Nomas to otwarty, możliwy do samodzielnego hostowania model świata wideo z pustą tabelą wyników. SKY-001 to zamknięty, objęty listą oczekujących inżynierski model świata z tabelą dostawców i niewielką przewagą. Łączy je fraza, miesiąc i luka metodologiczna. Nie łączy ich to samo zadanie.