Apollo World vs Hy-Nomas: Pixels que precisam parecer certos, sensores que precisam estar certos

Mostre a duas pessoas o mesmo clipe de dez segundos de um carro se aproximando de um cruzamento, e ambas concordarão que parece bom. Mostre-o a uma pilha de planejamento e só uma versão será utilizável, porque a outra tem um pedestre cuja sombra aponta na direção errada, um meio-fio 40 centímetros alto demais e nenhum retorno de lidar. Essa lacuna é toda a diferença entre Apollo World e Hy-Nomas. Hy-Nomas é o modelo de mundo de vídeo interativo de pesos abertos da Tencent Hunyuan: um modelo de 8 bilhões de parâmetros que gera vídeo em 720p a partir de um prompt de texto e de um caminho de câmera, lançado sob Apache 2.0 no final de outubro de 2026. Apollo World é o simulador orientado por agentes da Baidu, revelado em 3 de novembro de 2026, que emite observações de câmera e lidar de uma cidade virtual na qual o trânsito reage ao veículo em teste. Uma é julgada pelo olho. A outra é julgada por se o carro melhora na condução.

Ambos são legitimamente chamados de modelos de mundo. Apenas um deles pode ser baixado hoje à tarde, e apenas o outro foi projetado para alimentar um stack de percepção. Esse trade-off é o artigo.

A armadilha da fidelidade

Os modelos de mundo em vídeo otimizam para aquilo que um espectador aceitará. Isso não é uma crítica; é o objetivo correto para um modelo de geração, e é por isso que o Hy-Nomas consegue produzir uma caminhada convincente por uma rua que nunca viu. Mas plausibilidade perceptual e consistência física são alvos diferentes, e eles se separam exatamente onde vive a condução autônoma.

Um modelo treinado para prever o próximo quadro aprende que os carros diminuem a velocidade perto de cruzamentos e que as sombras se afastam de uma fonte de luz. Ele não aprende, apenas a partir dos pixels, que a distância entre duas marcações de faixa é de 3,5 metros, que um pulso de lidar retorna de uma estrada molhada com uma intensidade específica, ou que um pedestre que já começou a sair da calçada não pode se teletransportar de volta para o meio-fio quando o veículo ego freia. Peça a ele um fluxo de sensores e ele produzirá algo que se parece com um fluxo de sensores. Se os números nele são métricos é uma questão à parte que o objetivo de treinamento nunca fez.

O material de lançamento da Baidu é construído em torno dessa objeção. Wang Liang, arquiteto-chefe do Grupo de Direção Inteligente da Baidu, disse no palco que um modelo de mundo não deve ser um pintor que produz vídeos impressionantes, mas sim um examinador da segurança de direção, e a rubrica “2+3” que se seguiu é explicitamente um filtro para modelos que parecem certos sem estar certos. Causalidade e interatividade são os portões; precisão física, persistência e desempenho em tempo real são as propriedades avaliadas. Seja o que for que a rubrica seja além disso, ela é uma descrição do modo de falha de um gerador de vídeo aplicado a uma stack de direção.

O que a Hy-Nomas realmente entrega

Hy-Nomas é um transformer de difusão autorregressivo por segmentos, não um gerador de vídeo de passada única. Ele produz segmentos de comprimento variável condicionados a um histórico em cache, e é assim que mantém a coerência enquanto a câmera se move: a "memória do mundo" é um cache KV levado adiante, atualizado à medida que novos segmentos são gerados.

• Tamanho — cerca de 8 bilhões de parâmetros distribuídos em 54 blocos MMDiT de fluxo duplo com tamanho oculto de 2.048.

• Entradas — texto livre mais uma trajetória contínua de câmera, com um aprimorador de prompt opcional, Nomas-PE, que reescreve prosa solta em legendas JSON estruturadas.

• Saída — 720 por 1280 a 24 quadros por segundo, usando um decodificador PixelUMM fine-tuned sobre latentes DCAE-V, em oito etapas destiladas de remoção de ruído.

• Pesos — tencent/Hy-Nomas no Hugging Face sob Apache 2.0, cerca de 196GB, com código no GitHub e uma demonstração hospedada.

• Hardware — uma implantação padrão exige oito GPUs. Existe um caminho com uma única RTX 4090 usando um DiT INT8 e cache KV, um decodificador FP8 e offload para CPU, em cerca de 38 GB.

O relatório técnico, arXiv 2610.36729, foi publicado em 27 de outubro de 2026 e descreve o truque que faz a interação multiturno funcionar: legendas estruturadas são alinhadas com um padrão de atenção causal sensível às ações, de modo que o contexto descritivo persiste entre segmentos, enquanto as instruções de ação ficam confinadas à janela em que foram emitidas. A avaliação é um benchmark de 280 casos em quatro trilhas — texto multiturno, navegação por câmera, texto e câmera intercalados e memória espacial — com comparações humanas pareadas contra Genie 3, LingBot-World v2 e Happy Oyster. Hy-Nomas vence em interação e seguimento de prompts, com uma taxa de vitória relatada em cerca de 65% no seguimento de prompts, e perde para Genie 3 em memória espacial de longo prazo. Essas são as comparações dos autores no benchmark dos autores, e são as alegações mais verificáveis neste artigo porque os pesos são públicos.

O que a Apollo World não publica

A divulgação do Apollo World foi um briefing de capacidades, e as ausências são tão informativas quanto as afirmações. Não há contagem de parâmetros, nem arquitetura, nem artigo, nem tabela de benchmark com baselines nomeados, nem pesos, nem API e nem preço. O que a Baidu de fato disse é que o modelo já está apoiando os testes e a validação globais do Apollo Go, que ele pode cobrir cerca de 100.000 quilômetros de condução simulada por dia — enquadrado como aproximadamente três anos de testes contínuos por um carro equipado com motorista de segurança — e que o Apollo Go opera em 28 cidades com mais de 23 milhões de viagens, 350 milhões de quilômetros autônomos e mais de 240 milhões de quilômetros totalmente sem motorista.

A cifra de 100.000 quilômetros é a que se deve encarar com cautela. É um número fornecido pela empresa, sem nenhuma medição externa por trás, e a comparação em que ele se baseia — três anos de um carro de teste rodando continuamente — depende de uma quilometragem anual presumida que a Baidu não informou. Isso não o torna errado. Torna-o inverificável, o que é uma coisa diferente e mais útil de se saber.

Em contrapartida, as alegações de design são específicas o suficiente para serem contestadas. Todo participante do trânsito é um agente que decide, e não um figurante que segue um roteiro. Câmera e lidar são gerados em tempo real. As viagens fecham de ponta a ponta, do pedido aceito ao passageiro entregue, entre origens e destinos arbitrários. E o conjunto é limitado por um ciclo de decisão de um trinta avos de segundo, cerca de 33 milissegundos, o que faz com que as propriedades de persistência e latência sejam estruturais, e não decorativas.

Aplicando a própria rubrica da Baidu à Hy-Nomas

O exercício interessante não é comparar os dois em termos de marketing, mas pegar as cinco propriedades da Apollo World e direcioná-las para o modelo que realmente existe.

Causalidade: Hy-Nomas passa, no sentido em que a Baidu quer dizer. É autorregressivo sobre segmentos e é condicionado pelo histórico, então o futuro é gerado a partir do presente em vez de ser montado e preenchido retroativamente. Interatividade: parcialmente. Ele responde a instruções de texto e movimentos de câmera, mas esses são comandos de diretor, não as ações de outros agentes. Nada na cena reage a qualquer outra coisa na cena. Precisão física: não medida e não mensurável a partir do trabalho publicado, que avalia em relação à preferência humana em vez da verdade de referência métrica. Persistência: este é o ponto fraco documentado — o próprio artigo relata ficar atrás do Genie 3 na memória espacial de longo prazo, que é exatamente a propriedade de deriva que a Baidu destaca. Tempo real: 24 quadros por segundo em oito etapas destiladas é rápido para um modelo de difusão, mas a implantação de referência é de oito GPUs, e o orçamento de 33 milissegundos não está na mesma conversa.

Nada disso faz do Hy-Nomas um modelo ruim. Isso faz dele um instrumento diferente. Julgado como um mundo de vídeo interativo — aquilo para o que foi criado —, ele é competitivo com o melhor disponível e é aberto, o que quase nenhum de seus concorrentes é. Julgado como um simulador de direção, ele falha em quatro dos cinco testes do Baidu e falharia neles mesmo se os pesos fossem duas vezes melhores.

Quanto custa executar cada um.

O Hy-Nomas tem um preço que você pode calcular. Os pesos são gratuitos sob a Apache 2.0; o custo é a máquina. Uma única 4090 executando o caminho quantizado precisa de cerca de 38 GB de memória quando se contabiliza o offload para a CPU, e produz 720p a 24 quadros por segundo. A implantação de referência com oito GPUs é a versão que os benchmarks descrevem. Se você está gerando algumas centenas de clipes para uma questão de pesquisa, uma placa é o suficiente; se está gerando um corpus de treinamento, a conta de energia é a taxa de licença.

O Apollo World não tem preço calculável porque não está à venda. A única afirmação honesta é que a Baidu não publicou quaisquer termos comerciais, e a implantação descrita ocorre dentro da sua própria operação de robotáxi.

Para equipes que constroem em torno de qualquer um dos dois, a questão do roteamento é separada da questão do modelo. Nem Apollo World nem Hy-Nomas estão no catálogo do OrcaRouter — um é interno da Baidu, o outro é um modelo de vídeo que você mesmo hospeda — e este texto não vai fingir o contrário. O que nós oferecemos é a camada que avalia e orquestra esse tipo de saída: um juiz de visão-linguagem que pontua clipes gerados, um planejador que transforma uma pergunta de pesquisa em um lote de prompts, um modelo de fallback quando o principal está com limite de requisições. Isso é uma API para mais de 200 modelos com 0% de markup, com o preço de tabela do provedor repassado, o que importa mais quando você está executando milhares de chamadas de juiz contra a saída de um modelo de 196 GB.

Qual deles se encaixa na sua stack

Se quiser explorar um ambiente gerado, orientar uma câmara através dele e iterar numa cena num navegador, o Hy-Nomas é a melhor resposta e está disponível agora. A licença aberta não é uma formalidade: permite fazer fine-tuning, quantizar e distribuir, o que é mais do que se pode dizer da maioria dos modelos de mundo interativos, incluindo aqueles que ele supera no seguimento de prompts.

Se você está validando uma política de condução, o Hy-Nomas não é um substituto para um simulador e não se tornará um por meio de prompts melhores. O uso correto do Apollo World é como especificação: a rubrica 2+3 é um conjunto de perguntas que você pode fazer a qualquer fornecedor de simulador, e a questão da persistência em particular — qual é a deriva ao longo de uma execução de dez horas — é a que separa uma bancada de testes de um vídeo de demonstração.

A convergência que merece atenção é um modelo de mundo em vídeo que emite profundidade métrica e lidar junto com RGB, treinado com uma perda de consistência física em vez de uma perceptiva. Os autores do Hy-Nomas já estão condicionando em trajetórias de câmera de uma forma geometricamente significativa; adicionar uma cabeça de sensor é o próximo passo óbvio e ninguém publicou isso. Até que alguém o faça, a divisão é nítida: o Hy-Nomas cria mundos que você pode olhar, o Apollo World cria mundos nos quais um carro pode ser avaliado, e a lacuna entre essas duas frases é onde se situa o trabalho do próximo ano.