Hy-Nomas vs Hunyuan3D WorldClaw: одна лаборатория, два мира

Группа Hunyuan компании Tencent выпустила две вещи, называемые мировой моделью, с разницей в три месяца, и они почти во всём противоречат друг другу. Hunyuan3D WorldClaw, опубликованный в августе 2026 года, на самом деле вовсе не модель: это четырёхэтапный агентный конвейер, который планирует сцену с помощью LLM-агентов, генерирует рельеф, реконструирует отдельные объекты как текстурированные меши, а затем поручает агенту компьютерного зрения отрендерить результат и исправить то, что выглядит неправильно. Hy-Nomas, выпущенный 23 октября 2026 года, — это единый сегментно-авторегрессионный диффузионный трансформер, который рендерит управляемое видео и распространяет свои веса под Apache 2.0. Один создаёт редактируемый 3D-ассет из предложения. Другой рендерит непрерывный мир из разговора.

Сравнение стоит провести именно потому, что они из одной лаборатории. Это чистый естественный эксперимент двух стратегий: выстроить передовые модели в конвейер или обучить одну модель делать всё целиком. Эти два релиза также противоположны друг другу по открытости — тот, что опирается на более тяжёлый инженерный стек, не опубликовал код, а тот, что представляет собой единую модель, опубликовал всё.

Модель и конвейер — это разные виды артефактов

В статье WorldClaw описывается роутер. Система оркестрирует несколько фронтирных моделей, а не выполняет генерацию сама: LLM-агенты для планирования, модель изображений для региональных композитов, модель сегментации, собственный Hunyuan3D от Tencent для реконструкции меша и Blender, управляемый через MCP для сборки. В статье в качестве планировщика указан Claude Opus 4.8, а среди региональных компонентов — GPT-Image-2 и SAM3D. Её вклад — это оркестровка: декомпозиция от глобального к региональному и цикл исправлений на основе рендеринга, а не новый генеративный бэкбон.

Hy-Nomas — это противоположная ставка. Один 54-блочный двухпотоковый MMDiT, размер скрытого слоя 2 048, текстовый энкодер Qwen2.5-VL-7B-Instruct, обусловливание камерой через кросс-внимание и долговременный KV-кэш. Здесь нет планировщика, нет этапа сегментации, нет внешнего рендерера в контуре. Модель и есть система.

Это различие объясняет режимы отказа. Конвейер наследует слабые места каждого компонента, который он вызывает, и его можно исправлять по одному компоненту за раз. У отдельной модели единая целостная картина мира и нет шва между этапами, но любое слабое место зашито в весах, и его можно исправить только переобучением или с помощью LoRA.

Что на самом деле делают четыре этапа WorldClaw

Первый этап — это анализ намерений и планирование сцены. Два LLM-агента разделяют работу: один извлекает только те ограничения, которые пользователь действительно указал, другой дополняет детали, чтобы получить структурированную спецификацию сцены, охватывающую регионы, рельеф, объекты и пространственные отношения. Такое разделение — разумная защита от типичной ошибки единственного планировщика: придумывать требования, а затем их выполнять.

Второй этап генерирует глобальный рельеф: семантическую карту компоновки, поля высот с учётом регионов, а также материалы, камни и растительность, назначенные для каждого региона. Третий этап отрисовывает каждый регион в 2D-композит, сегментирует экземпляры, реконструирует каждый из них как текстурированный меш с помощью Hunyuan3D и возвращает его на рельеф. Четвёртый этап — самый интересный: визуальный агент отрисовывает собранную сцену с нескольких точек обзора и ищет висящие в воздухе объекты, взаимопроникновения, неверный масштаб и неверную позу, после чего повторяет итерации. Сборка выполняется в Blender через MCP.

На выходе получаются явные, текстурированные, отдельно редактируемые меши, которые экспортируются в игровой движок. Это по-настоящему иной результат, чем видео: каждое дерево — это объект, у каждого объекта есть трансформация, и дизайнер уровней может переместить один объект, не перерисовывая весь мир.

Меши, которые можно редактировать, или видео, которым можно управлять

Выход Hy-Nomas — это видео 720 × 1280 при 24 FPS, генерируемое сегментами с восемью шагами шумоподавления в дистиллированной конфигурации. Вы не можете открыть его в Blender. Однако вы можете перенаправить его посреди сессии: текст в свободной форме о том, что находится в мире, внешние параметры камеры для того, куда движется кадр, и KV-кэш, который сохраняет согласованность более ранних сегментов с новой инструкцией. Редактирование ведётся в диалоговом режиме и происходит до рендеринга следующего сегмента.

Вывод WorldClaw можно редактировать постфактум. Вы получаете геометрию, и редактирование является пространственным — переместить объект, изменить масштаб дерева, повторно отрендерить область. Чего вы не можете, так это вести диалог с миром, пока он рендерится. Конвейер выполняется до конца, а затем вы работаете с ассетом.

• Результат — управляемое видео Hy-Nomas 720 × 1280 в сравнении с явными текстурированными сетками Hunyuan3D WorldClaw в сцене

• Единица работы — Hy-Nomas: сегмент, рендеримый по запросу, против Hunyuan3D WorldClaw: целый мир, генерируемый в четыре этапа

• Редактирование — текстовые инструкции и инструкции для камеры Hy-Nomas между сегментами против прямого управления мешами в Hunyuan3D WorldClaw после генерации

• Движок — Hy-Nomas: один диффузионный трансформер, против Hunyuan3D WorldClaw — оркестрированного стека передовых моделей плюс Blender

• Оборудование — Hy-Nomas 8 графических процессоров по умолчанию, один RTX 4090 в режиме низкой памяти INT8 против Hunyuan3D WorldClaw 4 × NVIDIA H20

• Релиз — веса Hy-Nomas под Apache 2.0, код и набор бенчмарков против Hunyuan3D WorldClaw: статья, страница проекта и README без кода или весов

Цена агентного мира

История вычислений WorldClaw — это не число GPU-часов в привычном смысле. Это четыре H20 плюс большое количество вызовов моделей передового уровня: токены планирования, генерация изображений для каждого региона, сегментация для каждого экземпляра, реконструкция меша для каждого объекта и повторяющиеся рендеры vision-агента в ходе уточнения. Предельная стоимость одного мира определяется в основном этими вызовами, а в статье цена не публикуется. Пересборки сообщества, которые заменяют хостинговые конечные точки для изображений и 3D, сообщают примерно о пятидесяти центах и нескольких минутах на мир; это полезный порядок величины, но не цифра от поставщика.

Стоимость Hy-Nomas более традиционна: по умолчанию восемь GPU с восьмикратным параллелизмом последовательностей либо один RTX 4090 с весами DiT в INT8, KV-кэшем INT8, историей со скользящим окном, выгрузкой на CPU, FlexAttention и декодером CUTLASS FP8. Полный набор контрольных точек занимает около 196 ГБ; документированный демонстрационный путь загружает около 86 ГБ, а путь с низким потреблением памяти требует примерно 38 ГБ плюс текстовый энкодер. Цены на хостинг не существует, поскольку нет хостингового сервиса.

То, что действительно важно сравнивать, — не доллары на мир, а то, куда уходят деньги. WorldClaw тратит на токены и вызовы API, стоимость которых снижается по мере падения цен на фронтирные модели. Hy-Nomas тратит на загрузку GPU, которая не снижается. Пайплайн дешевеет за счёт чужой кривой; модель дешевеет, только когда кто-то её дистиллирует.

• Ценообразующий фактор Hy-Nomas — часы GPU на сеанс генерации, без оплаты за каждый вызов

• Драйвер затрат WorldClaw — обращения к моделям передового уровня для планирования, получения изображений, сегментации, реконструкции и восстановления, а также 4 × H20

• Hy-Nomas — рычаг масштабирования: дистилляция и LoRA, и то и другое уже в релизе

• Рычаг масштабирования WorldClaw — более дешёвые модели компонентов и меньше итераций исправления

WorldClaw также является самым явным аргументом в пользу слоя маршрутизации в этой подборке, потому что он и есть такой слой. Его планировщик вызывает одну модель, региональный этап — другую, этап реконструкции — третью, и вся конструкция представляет собой политику маршрутизации с прикреплённым рендерером. OrcaRouter выполняет ту же задачу для размещённых моделей — 200+ моделей за одним ключом, цена провайдера по прайс-листу передаётся с наценкой 0%, автоматическое переключение при сбое, а также DSL маршрутизации, который объединяет несколько моделей в один вызов, с доступным слиянием моделей, когда вам нужен ансамбль, а не цепочка. Ни Hy-Nomas, ни WorldClaw нет в нашем каталоге, и мы не собираемся делать вид, что самостоятельно размещённая модель мира — это эндпоинт; мы маршрутизируем именно тот слой, необходимость которого демонстрирует WorldClaw.

Открытость инвертирована

Это самая странная часть этой пары. WorldClaw — более сложная система: многоэтапный агентный конвейер с опубликованной статьёй и страницей проекта, а официальный репозиторий на GitHub содержит README, статью и материалы проекта. Ни кода, ни весов, ни API, ни цен. Запрос (issue) с просьбой предоставить код остался без ответа. Публично существуют только общественные реимплементации, которые воссоздают конвейер поверх размещённых эндпоинтов; это свидетельство ясности статьи, а не замена релизу.

Hy-Nomas — более простая и более открытая система: Apache 2.0, полные контрольные точки на Hugging Face, код инференса и обучения на GitHub, инструментарий для создания подписей, тренер LoRA, скрипт слияния и набор тестовых данных из 280 случаев. Технический отчёт отсутствует, а у бенчмарка нет оценок, но артефакт достаточно полон, чтобы его можно было воспроизвести и модифицировать.

Для того, кто планирует что-то создавать, эта инверсия решает больше, чем сама архитектура. Пайплайн, который вы не можете запустить, — это проектный документ. Модель, которую вы можете запустить, — это отправная точка, даже если её оценка — чистая страница.

К чему прибегнуть

Обращайтесь к подходу Hunyuan3D WorldClaw, когда результат работы — это уровень: большая, исследуемая, редактируемая 3D-среда, которую нужно поместить в игровой движок и изменить вручную. Учитывайте, что вам придётся воссоздавать его по статье, поскольку Tencent его не выпустил, и что заявления о его качестве носят качественный характер — в статье он сравнивается с SynCity, Marble от World Labs, MajutsuCity, WorldGen от Meta и GPT-5.6 Sol без FID, CLIP и пользовательского исследования.

Выбирайте Hy-Nomas, когда результат должен быть видеоматериалом или средой для обучения: превиз, синтетическое видео, генератор робототехнических сцен, который вы планируете адаптировать с помощью поставляемой Robotics LoRA. Учитывайте, что заявление о долгосрочной согласованности — это аргумент из области проектирования плюс демонстрация, а не оценка, и что запуск на одной 4090 возможен, но сопряжён с накладными расходами на оффлоад.

А если вам нужно и то и другое — редактируемый мир и управляемые видеоматериалы из него, — честный ответ таков: сегодня ни один отдельный релиз Tencent не даёт этого. WorldClaw создаёт геометрию, которую нельзя анимировать в разговорном режиме. Hy-Nomas создаёт видео, которое нельзя экспортировать. Пробел между ними — это продукт, который ещё никто не выпустил, и наблюдать за этим интереснее, чем за любой из моделей по отдельности.