Genie 4 vs HY-Nomas: O mundo melhor é fechado, o que pode ser baixado não é

Por aproximadamente 196 gigabytes, você pode possuir um modelo de mundo por completo. Esse é o tamanho do conjunto completo de checkpoints do HY-Nomas, que a equipe Hunyuan da Tencent publicou sob a licença Apache 2.0 em 23 de outubro de 2026, com pesos no Hugging Face e código no GitHub. Quatro dias depois, o Google DeepMind anunciou o Genie 4 — um modelo de mundo melhor pela maioria das medidas qualitativas, com áudio nativo e uma janela de coerência de dois minutos, disponível para ninguém além de testadores confiáveis e de uma lista de espera. Entre esses dois fatos está a decisão mais prática em modelagem generativa de mundos neste momento: ficar com o modelo mais forte que você não pode ter, ou com o mais fraco que você pode executar hoje à noite.

A comparação não é realmente entre Genie 4 e HY-Nomas em termos de qualidade. É uma comparação entre duas posturas diante do mesmo problema, e a diferença de qualidade é o preço da postura. Entender o que se está pagando — e em que moeda — é o ponto deste texto.

O que o Apache 2.0 realmente oferece a você

O HY-Nomas é distribuído como pesos, não como um serviço. O checkpoint principal está no Hugging Face como tencent/Hy-Nomas, com uma variante compatível com o Diffusers ao lado dele, e o repositório inclui uma receita de ajuste fino de LoRA além de dois adaptadores — um para trabalho de câmera cinematográfico, outro para filmagens no estilo robótico.

Essa última parte merece ênfase, porque nenhum modelo de mundo fechado oferece isso. Se você puder fazer fine-tuning com suas próprias filmagens, poderá direcionar o modelo para o seu domínio: a linguagem de câmera do seu estúdio, as características dos sensores do seu robô, a direção de arte do seu jogo. O Genie 4, qualquer que seja seu teto, produzirá o que o Google o treinou para produzir, e a única alavanca que você tem é um prompt de texto. Para uma equipe cujo modelo de mundo é um ativo competitivo, e não uma ferramenta, essa diferença supera em muito um grande polimento visual.

A licença também importa. A Apache 2.0 é permissiva o suficiente para implantação comercial sem necessidade de negociação, o que não se pode dizer do Genie 4, cujos termos comerciais não foram publicados de forma alguma.

Sessenta Segundos Contra Dois Minutos

Ambos os modelos geram mundos interativos. Eles os geram de maneiras diferentes, e a diferença determina como os números de duração devem ser lidos.

O Genie 4 é um modelo de mundo em tempo real: ele renderiza conforme você controla, mantém uma cena por cerca de dois minutos e gera áudio — som ambiente, música, diálogo — nativamente na mesma passagem. Você muda o clima digitando. A própria ressalva do DeepMind é que os detalhes e a permanência de objetos se degradam em execuções mais longas, especialmente após repetidas edições complexas de prompt.

O HY-Nomas gera vídeo em segmentos sequenciais, e não em um único arquivo estático, e você o conduz turno a turno com prompts de texto e trajetórias de câmera. Um cache KV vitalício mantém a consistência do mundo entre esses turnos. Seu limite máximo declarado é de cerca de sessenta segundos de geração em 720×1280 e 24 quadros por segundo, usando oito etapas de remoção de ruído na configuração destilada, com quatro e seis também suportadas.

Então, a comparação honesta não é sessenta segundos contra cento e vinte. É geração de segmentos por turnos contra renderização contínua em tempo real. Genie 4 oferece um mundo que responde enquanto você está dentro dele. HY-Nomas oferece um mundo que avança um turno autoral por vez, o que é uma forma mais lenta de trabalhar e muito mais controlável — cada segmento é uma decisão que você pode inspecionar antes de se comprometer com o próximo.

Por baixo do capô, os dois são arquiteturalmente diferentes de uma forma que explica o comportamento. O HY-Nomas é um transformer de difusão — cinquenta e quatro blocos MMDiT de fluxo duplo, um codificador de texto Qwen2.5-VL-7B-Instruct, latentes DCAE-V e um decodificador PixelUMM ajustado com fine-tuning, com cerca de oito bilhões de parâmetros, por derivação do checkpoint publicado, e não de uma declaração oficial. Trata-se de um modelo grande que produz segmentos de vídeo. O Genie 4 é um simulador em tempo real cujos detalhes internos o Google não descreveu com nível de detalhe comparável, emparelhado com modelos Gemini que ancoram a aparência e orientam o loop.

A funcionalidade que o Genie 4 tem e nenhum outro tem

Áudio. O Genie 4 é o primeiro modelo de mundo da DeepMind a gerar som nativamente e, até o momento desta redação, nenhum modelo de mundo com pesos abertos nesta comparação — incluindo o HY-Nomas — apresenta uma afirmação equivalente. Ele produz ruído ambiente, música e diálogo interativo no qual os personagens respondem ao que está acontecendo na cena.

Se isso é decisivo depende inteiramente do seu uso. Para a pré-visualização de cinema, é quase decisivo: um plano sem som é meio plano, e reconstruir a paisagem sonora do zero conforme a marcação de tempo de outra pessoa é a parte da pré-visualização de que ninguém gosta. Para simulação de robótica, é uma modalidade de entrada ausente que limita o que o ambiente pode ensinar. Para um estúdio de jogos que gera filmagens de fundo para composição, é uma conveniência.

E, para todos, isso não é medido. O Google não publicou nenhum benchmark de áudio, nenhuma medição de sincronização, e seus próprios engenheiros admitem que a precisão de áudio não está resolvida. A alegação é real e a evidência é um reel de demonstração.

A conta do hardware, calculada

É aqui que o modelo aberto deixa de ser gratuito e passa a ser uma despesa de capital.

• Implantação padrão — o HY-Nomas foi projetado para oito GPUs. Isso é um servidor, não uma estação de trabalho.

• Rota de GPU única — uma configuração documentada roda em uma única RTX 4090 usando pesos INT8 para o transformer de difusão, um decodificador FP8, offload de CPU e um buffer de histórico limitado.

Disco — o conjunto completo de checkpoints tem cerca de 196 GB; a rota de baixa memória precisa de cerca de 38 GB, além do codificador de texto.

• Vazão — sessenta segundos de saída não são sessenta segundos de computação. A difusão com oito etapas de remoção de ruído em cinquenta e quatro blocos transformer significa que a geração é medida em minutos por segmento, e a Tencent não publicou números de latência.

• Genie 4 — nenhum requisito de hardware publicado, nenhuma latência publicada, nenhum preço publicado. O acesso é por assinatura do Google AI Ultra via Project Genie ou por um acordo de parceria de acesso antecipado.

Faça as contas com honestidade e o caminho da 4090 é uma máquina de investigação, não de produção: produzirá um segmento, lentamente, com memória degradada para sequências longas, que é exatamente o compromisso imposto pelo buffer de histórico limitado. O caminho com oito GPUs produz débito utilizável e custa o que custam oito GPUs de datacenter, antes de contar com a energia e com a pessoa que tem de o manter a funcionar.

É por isso que a comparação com uma API hospedada não é automática. Se o seu volume for de algumas centenas de segmentos por mês, executar oito GPUs para atendê-los é um mau uso de capital, e a resposta certa é uma API — nossa ou de qualquer outro — com preço por chamada e sem capex. Se o seu volume for contínuo, ou se os seus dados não puderem sair da sua rede, o download de 196 GB é uma pechincha que nenhum serviço hospedado consegue igualar. Essa é a decisão real, e ela não tem nada a ver com qual modelo é mais bonito.

Dois benchmarks, zero pontuações

HY-Nomas traz algo chamado Hy-Nomas-Bench: 280 casos de teste com cerca de 220 trajetórias de câmera de referência. Trata-se de um arcabouço de avaliação real e, até o momento do lançamento, não possui resultados publicados. O relatório técnico é descrito como de próxima publicação.

O Genie 4 não tem equivalente. O Google não publicou nenhuma suíte de benchmarks, nenhuma comparação numérica com o Genie 3 além da janela de coerência duplicada, e nenhuma resolução ou taxa de quadros.

Portanto, ambos os lados estão pedindo para serem julgados com base em filmagens de demonstração. Nessa situação, o critério de desempate deveria ser a reprodutibilidade, e não há nem comparação: você pode baixar o HY-Nomas, executar o Hy-Nomas-Bench por conta própria e publicar um número. Você não pode fazer isso com o Genie 4 e, se você for o tipo de equipe que precisa de um número antes de se comprometer, o modelo fechado não é apenas inconveniente — é desqualificador.

O que realmente recomendaríamos

Se você precisa do mundo mais convincente disponível e seu trabalho é exploratório — pré-vis, conceituação, simulação em nível de protótipo —, o Genie 4 é a capacidade mais forte, e você deve entrar na lista de espera e planejar em torno de uma tomada de dois minutos. Só o áudio já o coloca em outra categoria em relação a tudo o que tem pesos abertos, e a arquitetura com o Gemini no loop significa que ele pode ser conduzido por um agente em vez de manualmente.

Se você precisa de um modelo de mundo que possa possuir, ajustar com fine-tuning, auditar, incorporar em um produto ou executar sem enviar dados a um fornecedor, o HY-Nomas é a única opção nesta comparação, e é uma opção genuinamente capaz: Apache 2.0, um caminho para uma única 4090, controle de câmera, adaptadores para robótica e uma suíte de avaliação publicada. Você está trocando fotorrealismo e áudio por controle e reprodutibilidade, e, para uma grande classe de trabalho de engenharia, essa é a troca correta.

O stack ao redor é onde os dois convergem. Qualquer que seja o modelo que você escolher, ele ficará dentro de um loop de agente — algo precisa escrever os prompts, escolher a trajetória da câmera, verificar o segmento e decidir se deve regenerá-lo. Esse loop é feito de chamadas comuns a modelos de linguagem e de visão, e é aí que um roteador se paga: uma única API para mais de 200 modelos, failover automático para que um provedor travado vire uma nova tentativa em vez de uma renderização perdida, e preços de tabela dos provedores repassados com 0% de margem, para que um corte de preço do fornecedor chegue até você no dia em que for aplicado. O modelo de mundo é a parte cara e lenta de mudar do seu stack. Tudo ao redor dele deveria ser o oposto.

Seis meses atrás, a pergunta interessante era se os modelos de mundo aberto poderiam ser competitivos em algum nível. O HY-Nomas responde que eles podem ser competitivos em controle, embora fiquem atrás em fidelidade, e o Genie 4 responde que o teto de fidelidade ainda está subindo. Nenhuma das respostas encerra a discussão, e é por isso que o download existe e a lista de espera é longa.