Hy-Nomas vs Hunyuan3D WorldClaw: Mesmo laboratório, dois tipos de mundo

O grupo Hunyuan da Tencent lançou duas coisas chamadas de modelo de mundo com três meses de diferença, e elas discordam sobre quase tudo. Hunyuan3D WorldClaw, publicado em agosto de 2026, não é realmente um modelo: é um pipeline agêntico de quatro estágios que planeja uma cena com agentes LLM, gera terreno, reconstrói objetos individuais como malhas texturizadas e, em seguida, faz um agente de visão renderizar o resultado e corrigir o que parece errado. Hy-Nomas, lançado em 23 de outubro de 2026, é um único transformer de difusão autorregressivo por segmentos que renderiza vídeo controlável e distribui seus pesos sob a Apache 2.0. Um constrói um ativo 3D editável a partir de uma frase. O outro renderiza um mundo contínuo a partir de uma conversa.

A comparação vale a pena precisamente porque eles compartilham um laboratório. É um experimento natural limpo em duas estratégias: orquestrar modelos de fronteira em um pipeline, ou treinar um único modelo para fazer tudo. Os dois lançamentos também se invertem no quesito abertura — o que tem a pilha de engenharia mais pesada não publicou código, e o que é um único modelo publicou tudo.

Um modelo e um pipeline são tipos diferentes de artefato.

O artigo do WorldClaw descreve um roteador. O sistema orquestra vários modelos de fronteira em vez de realizar a geração ele mesmo: agentes LLM para planejamento, um modelo de imagem para composições regionais, um modelo de segmentação, o Hunyuan3D da própria Tencent para reconstrução de malha e o Blender acionado via MCP para montagem. O artigo nomeia Claude Opus 4.8 como o planejador e GPT-Image-2 e SAM3D entre os componentes regionais. Sua contribuição é a coreografia — a decomposição global-para-regional e o ciclo de reparo baseado em renderização —, não um novo backbone generativo.

Hy-Nomas é a aposta oposta. Um MMDiT dual-stream de 54 blocos, tamanho oculto de 2.048, um codificador de texto Qwen2.5-VL-7B-Instruct, condicionamento de câmera via atenção cruzada e um cache KV vitalício. Não há planejador, nem estágio de segmentação, nem renderizador externo no ciclo. O modelo é o sistema.

Essa diferença explica os modos de falha. Um pipeline herda as fraquezas de cada componente que chama e pode ser corrigido um componente por vez. Um único modelo tem uma visão de mundo coerente e nenhuma emenda entre estágios, mas qualquer fraqueza fica embutida nos pesos e só pode ser corrigida por retreinamento ou por um LoRA.

O que as quatro etapas do WorldClaw realmente fazem

A primeira etapa é a análise de intenção e o planejamento da cena. Dois agentes LLM dividem a tarefa: um extrai apenas as restrições que o usuário realmente declarou, e o outro preenche os detalhes para produzir uma especificação estruturada da cena, abrangendo regiões, terreno, objetos e relações espaciais. Essa divisão é uma defesa sensata contra a falha habitual de um único planejador, que consiste em inventar requisitos e depois satisfazê-los.

O estágio dois gera o terreno global: um mapa de layout semântico, campos de altura sensíveis à região e materiais, rochas e vegetação atribuídos por região. O estágio três renderiza cada região em uma composição 2D, segmenta as instâncias, reconstrói cada uma como uma malha texturizada por meio do Hunyuan3D e a posiciona de volta no terreno. O estágio quatro é o interessante — um agente de visão renderiza a cena montada a partir de múltiplos pontos de vista e procura por objetos flutuantes, interpenetração, escala errada e pose errada, então itera. A montagem acontece no Blender por meio do MCP.

O resultado são malhas explícitas, texturizadas e editáveis individualmente que exportam para uma game engine. Trata-se de um entregável genuinamente diferente de um vídeo: cada árvore é um objeto, cada objeto tem uma transformação, e um level designer pode mover um deles sem renderizar novamente o mundo inteiro.

Malhas que você pode editar, ou vídeo que você pode controlar

A saída do Hy-Nomas é um vídeo de 720 × 1280 a 24 FPS, gerado em segmentos com oito etapas de denoising na configuração destilada. Não é possível abri-lo no Blender. No entanto, você pode redirecioná-lo no meio da sessão: texto livre para o que está no mundo, parâmetros extrínsecos da câmera para onde a tomada vai e um cache KV que mantém os segmentos anteriores consistentes com a nova instrução. A edição é conversacional e acontece antes que o próximo segmento seja renderizado.

A saída do WorldClaw é editável posteriormente. Você obtém geometria, e a edição é espacial — mover o objeto, redimensionar a árvore, renderizar novamente a região. O que você não pode fazer é conversar com o mundo enquanto ele é renderizado. O pipeline é executado até o fim, e então você trabalha no asset.

• Saída — vídeo direcionável Hy-Nomas de 720 × 1280 vs malhas texturizadas explícitas Hunyuan3D WorldClaw em uma cena

• Unidade de trabalho — Hy-Nomas, um segmento renderizado sob demanda, versus Hunyuan3D WorldClaw, um mundo inteiro gerado em quatro etapas

• Edição — instruções de texto e câmera do Hy-Nomas entre segmentos vs. manipulação direta de malhas do Hunyuan3D WorldClaw após a geração

• Motor — Hy-Nomas, um transformer de difusão, vs Hunyuan3D WorldClaw, uma pilha orquestrada de modelos de ponta mais Blender

• Hardware — Hy-Nomas com 8 GPUs por padrão, uma RTX 4090 no caminho de baixa memória com INT8, em comparação com Hunyuan3D WorldClaw com 4 × NVIDIA H20

Lançamento — pesos Apache 2.0, código e dataset de benchmark do Hy-Nomas vs. Hunyuan3D WorldClaw: um paper, uma página de projeto e um README sem código nem pesos

O custo de um mundo agêntico

A história de computação do WorldClaw não é um número de horas-GPU no sentido usual. São quatro H20s mais um grande número de chamadas a modelos de fronteira: tokens de planejamento, geração de imagens por região, segmentação por instância, reconstrução de malha por objeto e renderizações repetidas do agente de visão durante o refinamento. O custo marginal de um mundo é dominado por essas chamadas, e o artigo não publica um preço. Reconstruções da comunidade que substituem endpoints hospedados de imagem e 3D relatam cerca de cinquenta centavos e alguns minutos por mundo, o que é uma ordem de grandeza útil, mas não um número do fornecedor.

O custo do Hy-Nomas é mais convencional: oito GPUs com paralelismo de sequência em oito vias por padrão, ou uma RTX 4090 com pesos DiT INT8, um cache KV INT8, histórico de janela deslizante, offload para CPU, FlexAttention e um decodificador CUTLASS FP8. O conjunto completo de checkpoints tem cerca de 196 GB; o caminho de demonstração documentado baixa cerca de 86 GB, e o caminho de baixa memória precisa de aproximadamente 38 GB mais o codificador de texto. Não existe preço hospedado porque não há serviço hospedado.

A comparação que importa não é dólares por mundo, mas para onde o dinheiro vai. A WorldClaw gasta com tokens e chamadas de API, que caem à medida que os preços dos modelos de fronteira caem. A Hy-Nomas gasta com ocupação de GPU, que não cai. Um pipeline fica mais barato na curva de outra pessoa; um modelo só fica mais barato quando alguém o destila.

• Fator de custo do Hy-Nomas — horas de GPU por sessão de geração, sem cobrança por chamada

• Fator de custo do WorldClaw — chamadas de modelos de fronteira para planejamento, imageamento, segmentação, reconstrução e reparo, além de 4 × H20

• Alavanca de escalabilidade do Hy-Nomas — destilação e LoRA, ambas já incluídas na versão

• Alavanca de escala do WorldClaw — modelos de componentes mais baratos e menos iterações de reparo

O WorldClaw é também o argumento mais claro deste lote a favor de uma camada de roteamento, porque é exatamente isso. Seu planejador chama um modelo, sua etapa regional chama outro, sua etapa de reconstrução chama um terceiro, e o conjunto todo é uma política de roteamento com um renderizador acoplado. O OrcaRouter faz o mesmo trabalho para modelos hospedados — 200+ modelos atrás de uma única chave, preço de tabela do provedor repassado com 0% de markup, failover automático e uma DSL de roteamento que compõe vários modelos em uma única chamada, com fusão de modelos disponível quando você quer um painel em vez de uma cadeia. Nem Hy-Nomas nem WorldClaw estão no nosso catálogo, e não vamos fingir que um modelo de mundo auto-hospedado é um endpoint; o que roteamos é a camada que o WorldClaw demonstra que você precisa.

A abertura está invertida

Esta é a parte mais estranha do par. O WorldClaw é o sistema mais elaborado — um pipeline agêntico de múltiplos estágios, com um artigo publicado e uma página de projeto — e o repositório oficial no GitHub contém um README, o artigo e os recursos do projeto. Nenhum código, nenhum peso, nenhuma API, nenhum preço. Uma issue pedindo o código permanece sem resposta. O que existe publicamente são reimplementações da comunidade que reconstroem o pipeline sobre endpoints hospedados, o que é um testemunho da clareza do artigo e não um substituto para o lançamento.

Hy-Nomas é o sistema mais simples e o mais aberto: Apache 2.0, checkpoints completos no Hugging Face, código de inferência e treinamento no GitHub, um harness de legendagem, um treinador LoRA, um script de mesclagem e o conjunto de dados de benchmark de 280 casos. O relatório técnico está ausente e o benchmark não tem pontuações, mas o artefato é completo o suficiente para reproduzir e modificar.

Para quem planeja construir, essa inversão decide mais do que a arquitetura. Um pipeline que você não consegue executar é um documento de design. Um modelo que você consegue executar é um ponto de partida, mesmo quando sua avaliação é uma página em branco.

Qual escolher

Recorra à abordagem do Hunyuan3D WorldClaw quando o entregável for um nível: um ambiente 3D grande, explorável e editável que precise ser colocado em uma engine de jogo e modificado por uma pessoa. Esteja ciente de que você o reconstruirá a partir do artigo, porque a Tencent não o lançou, e que suas alegações de qualidade são qualitativas — o artigo compara com SynCity, Marble da World Labs, MajutsuCity, WorldGen da Meta e GPT-5.6 Sol sem FID, CLIP ou um estudo com usuários.

Recorra ao Hy-Nomas quando o entregável for filmagem ou um ambiente de treino: pré-visualização, vídeo sintético, um gerador de cenas robóticas que pretende adaptar com o LoRA de Robótica fornecido. Tenha em conta que a alegação de consistência de longo horizonte é um argumento de design mais uma demonstração, não uma pontuação, e que uma execução numa única 4090 é possível, mas acarreta sobrecarga de offload.

E se você precisa dos dois — um mundo editável e imagens em movimento controláveis dele —, a resposta honesta é que nenhum lançamento isolado da Tencent oferece isso hoje. O WorldClaw produz geometria que você não consegue animar por conversa. O Hy-Nomas produz vídeo que você não consegue exportar. A lacuna entre eles é o produto que ninguém lançou ainda, e é algo mais interessante de acompanhar do que qualquer um dos modelos isoladamente.