Apollo World против Hy-Nomas: пиксели, которые должны выглядеть правильно, и датчики, которые должны быть точными

Покажите двум людям один и тот же десятисекундный ролик, где автомобиль подъезжает к перекрёстку, — и оба согласятся, что всё выглядит нормально. Покажите его стеку планирования — и пригодна будет только одна версия, потому что в другой у пешехода тень падает не в ту сторону, бордюр на 40 сантиметров выше, чем нужно, и вообще отсутствует лидарный отклик. В этом разрыве — вся разница между Apollo World и Hy-Nomas. Hy-Nomas — интерактивная видеомодель мира с открытыми весами от Tencent Hunyuan: модель с 8 миллиардами параметров, которая генерирует видео 720p по текстовому запросу и траектории камеры и была выпущена под лицензией Apache 2.0 в конце октября 2026 года. Apollo World — симулятор Baidu на основе агентов, представленный 3 ноября 2026 года, который выдаёт наблюдения с камеры и лидара виртуального города, где транспортный поток реагирует на тестируемый автомобиль. Одну оценивают на глаз. Другую — по тому, становится ли автомобиль лучше в вождении.

Оба по праву называются моделями мира. Только одну из них можно скачать сегодня днём, и только другая предназначена для питания стека восприятия. Вот об этом компромиссе и статья.

Ловушка верности

Видеомодели мира оптимизируются под то, что примет зритель. Это не критика; это правильная цель для генеративной модели, и именно поэтому Hy-Nomas может создать убедительную прогулку по улице, которую она никогда не видела. Но перцептивная правдоподобность и физическая согласованность — разные цели, и они расходятся именно там, где существует автономное вождение.

Модель, обученная предсказывать следующий кадр, узнаёт, что машины замедляются около перекрёстков и что тени падают в сторону от источника света. Из одних лишь пикселей она не узнаёт, что расстояние между двумя дорожными разметками составляет 3,5 метра, что импульс лидара возвращается от мокрой дороги с определённой интенсивностью или что пешеход, уже начавший выходить на дорогу, не может телепортироваться обратно на тротуар, когда эго-мобиль тормозит. Попросите у неё поток данных сенсоров — и она выдаст нечто похожее на поток данных сенсоров. Являются ли числа в нём метрическими — отдельный вопрос, который целевая функция обучения никогда не задавала.

Материалы презентации Baidu построены вокруг этого возражения. Ван Лян, главный архитектор Intelligent Driving Group компании Baidu, сказал со сцены, что модель мира должна быть не художником, создающим впечатляющее видео, а экзаменатором безопасности вождения, а последовавший за этим критерий «2+3» явно представляет собой фильтр для моделей, которые выглядят правильными, не будучи таковыми. Причинность и интерактивность — это входные врата; физическая точность, устойчивость и работа в реальном времени — оцениваемые свойства. Чем бы ещё ни был этот критерий, он описывает режим отказа видеогенератора, применённого к стеку вождения.

Что Hy-Nomas на самом деле поставляет

Hy-Nomas — это сегментно-авторегрессионный диффузионный трансформер, а не генератор видео за один проход. Он создаёт сегменты переменной длины, обусловленные кэшированной историей, и именно так сохраняется согласованность при движении камеры: «мировая память» представляет собой KV-кэш, переносимый вперёд и обновляемый по мере генерации новых сегментов.

• Размер — примерно 8 миллиардов параметров в 54 блоках MMDiT с двумя потоками и скрытой размерностью 2 048.

• Входные данные — свободный текст плюс непрерывная траектория камеры, с необязательным улучшителем промптов Nomas-PE, который переписывает свободный текст в структурированные JSON-описания.

• Вывод — 720 на 1280 при 24 кадрах в секунду, с использованием дообученного декодера PixelUMM по латентам DCAE-V, за восемь дистиллированных шагов шумоподавления.

• Веса — tencent/Hy-Nomas на Hugging Face под лицензией Apache 2.0, около 196 ГБ, код на GitHub и размещённая демо-версия.

• Аппаратное обеспечение — для развёртывания по умолчанию требуется восемь GPU. Существует вариант с одной RTX 4090, использующий INT8 DiT и KV-кэш, FP8-декодер и выгрузку на CPU, при примерно 38 ГБ.

Технический отчёт arXiv 2610.36729 появился 27 октября 2026 года и описывает приём, который обеспечивает работу многоходового взаимодействия: структурированные подписи согласуются со схемой причинного внимания, учитывающей действия, поэтому описательный контекст сохраняется между сегментами, а инструкции к действиям ограничиваются окном, в котором они были выданы. Оценка представляет собой бенчмарк из 280 случаев по четырём трекам — многоходовой текст, навигация камеры, чередующийся текст и камера, а также пространственная память — с попарными сравнениями людьми против Genie 3, LingBot-World v2 и Happy Oyster. Hy-Nomas побеждает по взаимодействию и следованию подсказкам, с заявленной долей побед около 65% по следованию подсказкам, и проигрывает Genie 3 по долговременной пространственной памяти. Это сравнения авторов на авторском бенчмарке, и они являются наиболее проверяемыми утверждениями в этой статье, поскольку веса открыты.

Что Apollo World не публикует

Разглашение информации Apollo World представляло собой брифинг о возможностях, и то, чего в нём нет, столь же информативно, как и заявления. Там нет ни числа параметров, ни архитектуры, ни статьи, ни таблицы бенчмарков с названными базовыми моделями, ни весов, ни API, ни цены. Что Baidu действительно сообщила, так это то, что модель уже поддерживает глобальное тестирование и валидацию Apollo Go, что она может покрывать около 100 000 километров симулированного вождения в день — в формулировке, примерно соответствующей трём годам непрерывного тестирования автомобилем с водителем безопасности, — и что Apollo Go работает в 28 городах с более чем 23 миллионами поездок, 350 миллионами автономных километров и более чем 240 миллионами полностью беспилотных километров.

Цифру в 100 000 километров стоит воспринимать с оговоркой. Это цифра компании, за которой не стоит никаких внешних измерений, а сравнение, на котором она основана, — три года непрерывной работы тестового автомобиля — зависит от предположения о годовом пробеге, которое Baidu не привела. Это не делает её ошибочной. Это делает её непроверяемой — а это другое и более полезное знание.

Утверждения о дизайне, напротив, достаточно конкретны, чтобы с ними можно было спорить. Каждый участник дорожного движения — это агент, который принимает решения, а не статист, следующий сценарию. Данные камеры и лидара генерируются в реальном времени. Поездки замыкаются сквозным образом — от принятого заказа до доставленного пассажира — при произвольных пунктах отправления и назначения. И всё это ограничено циклом принятия решений в одну тридцатую секунды, около 33 миллисекунд, и именно это делает свойства сохраняемости и задержки несущими, а не декоративными.

Применение собственных критериев Baidu к Hy-Nomas

Интересное упражнение состоит не в том, чтобы сравнивать эти две [сущности] по маркетинговым критериям, а в том, чтобы взять пять объектов Apollo World и сопоставить их с моделью, которая действительно существует.

Причинность: Hy-Nomas проходит, в том смысле, который имеет в виду Baidu. Она авторегрессионна по сегментам и обусловлена историей, поэтому будущее генерируется из настоящего, а не собирается и заполняется задним числом. Интерактивность: частично. Она реагирует на текстовые инструкции и движения камеры, но это команды режиссёра, а не действия других агентов. Ничто в сцене не реагирует на что-либо ещё в сцене. Физическая точность: не измерена и не может быть измерена по опубликованной работе, которая оценивается по человеческим предпочтениям, а не по эталонным метрикам. Устойчивость: это задокументированное слабое место — сама статья сообщает об отставании от Genie 3 по долговременной пространственной памяти, что как раз и есть свойство дрейфа, о котором говорит Baidu. Реальное время: 24 кадра в секунду за восемь дистиллированных шагов — это быстро для диффузионной модели, но эталонное развёртывание использует восемь GPU, а бюджет в 33 миллисекунды — это совсем другой разговор.

Ничто из этого не делает Hy-Nomas плохой моделью. Это делает её другим инструментом. Если оценивать её как интерактивный видеомир — то, для чего она создавалась, — она конкурентоспособна с лучшими из доступных решений и является открытой, чего почти нет у её конкурентов. Если оценивать её как симулятор вождения, она проваливает четыре из пяти тестов Baidu и провалила бы их, даже если бы веса были вдвое лучше.

Во сколько обходится работа каждого

У Hy-Nomas есть цена, которую можно рассчитать. Веса бесплатны по Apache 2.0; стоимость — это машина. Одной карте 4090 при работе с квантованным вариантом нужно около 38 ГБ памяти с учётом выгрузки на CPU, и она выдаёт 720p при 24 кадрах в секунду. Эталонное развёртывание на восьми GPU — это версия, которую описывают бенчмарки. Если вы генерируете несколько сотен клипов для исследовательского вопроса, одной карты достаточно; если вы генерируете обучающий корпус, счёт за электричество и есть лицензионная плата.

У Apollo World нет поддающейся расчёту цены, поскольку он не продаётся. Единственное честное утверждение состоит в том, что Baidu не опубликовала никаких коммерческих условий, а описанное развёртывание осуществляется в рамках её собственной деятельности по роботакси.

Для команд, строящих решения на базе любого из них, вопрос маршрутизации отделён от вопроса выбора модели. Ни Apollo World, ни Hy-Nomas не входят в каталог OrcaRouter — один из них является внутренней разработкой Baidu, другой — видеомодель, которую вы размещаете у себя, — и этот материал не собирается делать вид, что это не так. Что мы действительно предоставляем, так это слой, который оценивает и оркеструет выходные данные такого рода: визуально-языковой судья, который оценивает сгенерированные клипы, планировщик, превращающий исследовательский вопрос в пакет промптов, и резервная модель на случай, когда основная достигла лимита запросов. Это единый API к более чем 200 моделям с наценкой 0%, при этом цена из прайс-листа провайдера передаётся как есть, что особенно важно, когда вы выполняете тысячи вызовов судьи по выходным данным 196-гигабайтной модели.

Какой из них должен быть в вашем стеке

Если вы хотите исследовать сгенерированную среду, управлять камерой внутри неё и итеративно дорабатывать сцену в браузере, Hy-Nomas — лучший выбор, и он уже доступен. Открытая лицензия — не формальность: она позволяет дообучать, квантовать и выпускать продукт, чего не скажешь о большинстве интерактивных моделей мира, включая те, которые Hy-Nomas превосходит по следованию промптам.

Если вы валидируете политику вождения, Hy-Nomas не заменяет симулятор и не станет им благодаря улучшенным промптам. Правильное использование Apollo World — как спецификации: рубрика 2+3 представляет собой набор вопросов, которые можно задать любому поставщику симуляторов, и особенно вопрос об устойчивости — каков дрейф за десять часов работы — это тот вопрос, который отличает испытательный стенд от демонстрационного шоурила.

За чем стоит следить — так это за сближением с видео-моделью мира, которая выдаёт метрическую глубину и лидар наряду с RGB и обучается с функцией потерь на физическую согласованность, а не на перцептивную. Авторы Hy-Nomas уже ставят условием траектории камеры геометрически осмысленным образом; добавление сенсорной головы — очевидный следующий шаг, и никто его ещё не опубликовал. Пока кто-нибудь этого не сделает, разделение остаётся чётким: Hy-Nomas создаёт миры, на которые можно смотреть, Apollo World создаёт миры, в которых можно оценивать автомобиль, и зазор между этими двумя фразами — это то место, где будет лежать работа следующего года.