Apollo World vs Hy-Nomas: Pixlar som måste se rätt ut, sensorer som måste vara rätt

Visa två personer samma tio sekunder långa klipp av en bil som närmar sig en korsning och båda kommer att hålla med om att det ser bra ut. Visa det för en planeringsstack och bara en version är användbar, eftersom den andra har en fotgängare vars skugga pekar åt fel håll, en trottoarkant som är 40 centimeter för hög och ingen lidarretur alls. Det gapet är hela skillnaden mellan Apollo World och Hy-Nomas. Hy-Nomas är Tencent Hunyuans interaktiva videovärldsmodell med öppna vikter: en modell med 8 miljarder parametrar som genererar 720p-video från en textprompt och en kamerabana, släppt under Apache 2.0 i slutet av oktober 2026. Apollo World är Baidus agentdrivna simulator, avslöjad den 3 november 2026, som avger kamera- och lidarobservationer av en virtuell stad där trafiken reagerar på fordonet som testas. Den ena bedöms med ögat. Den andra bedöms utifrån om bilen blir bättre på att köra.

Båda kallas med rätta världsmodeller. Bara en av dem kan laddas ner i eftermiddag, och bara den andra är utformad för att mata en perceptionsstack. Det är den avvägningen som artikeln handlar om.

Fidelitetsfällan

Videovärldsmodeller optimerar för vad en tittare kommer att acceptera. Det är inte en kritik; det är det korrekta målet för en generativ modell, och det är därför Hy-Nomas kan skapa en övertygande promenad genom en gata som den aldrig har sett. Men perceptuell trovärdighet och fysisk konsistens är olika mål, och de går isär just där autonom körning hör hemma.

En modell som tränats att förutsäga nästa bildruta lär sig att bilar saktar in nära korsningar och att skuggor faller bort från en ljuskälla. Den lär sig inte, enbart från pixlar, att avståndet mellan två körfältsmarkeringar är 3,5 meter, att en lidarpuls återvänder från en våt väg med en viss intensitet, eller att en fotgängare som redan har börjat kliva ut inte kan teleportera sig tillbaka till trottoarkanten när ego-fordonet bromsar. Ber man den om en sensorström kommer den att producera något som ser ut som en sensorström. Huruvida siffrorna i den är metriska är en separat fråga som träningsmålet aldrig ställde.

Baidus lanseringsmaterial är uppbyggt kring den invändningen. Wang Liang, chefsarkitekt för Baidus Intelligent Driving Group, sade på scenen att en världsmodell inte borde vara en målare som producerar imponerande video utan en granskare av körsäkerhet, och den ”2+3”-bedömningsmatris som följde är uttryckligen ett filter för modeller som ser rätt ut utan att vara rätt. Kausalitet och interaktivitet är grindarna; fysisk noggrannhet, persistens och realtidsprestanda är de graderade egenskaperna. Vad bedömningsmatrisen än är så är den en beskrivning av felmoden hos en videogenerator som tillämpas på en körstack.

Vad Hy-Nomas faktiskt levererar

Hy-Nomas är en segmentautoregressiv diffusionstransformer, inte en videogenerator som genererar allt i ett enda svep. Den producerar segment av varierande längd som betingas på en cachad historik, och det är så den bibehåller koherensen när kameran rör sig: "världsminnet" är en KV-cache som förs vidare och uppdateras när nya segment genereras.

• Storlek – ungefär 8 miljarder parametrar över 54 dubbelströms-MMDiT-block med en dold storlek på 2 048.

• Indata – fritext plus en kontinuerlig kamerabana, med en valfri promptförbättrare, Nomas-PE, som skriver om lös prosa till strukturerade JSON-beskrivningar.

• Utdata — 720 gånger 1280 vid 24 bilder per sekund, med en finjusterad PixelUMM-dekoder över DCAE-V-latenter, i åtta destillerade avbrusningssteg.

• Vikter — tencent/Hy-Nomas på Hugging Face under Apache 2.0, cirka 196 GB, med kod på GitHub och en hostad demo.

• Hårdvara — en standarddriftsättning vill ha åtta GPU:er. Det finns en lösning med ett enda RTX 4090 som använder en INT8-DiT och KV-cache, en FP8-avkodare och CPU-offload, på ungefär 38 GB.

Den tekniska rapporten arXiv 2610.36729 publicerades den 27 oktober 2026 och beskriver tricket som får fleromgångsinteraktion att fungera: strukturerade bildtexter alignas med ett åtgärdsmedvetet kausalt uppmärksamhetsmönster, så att beskrivande kontext består över segment medan åtgärdsinstruktioner begränsas till det fönster där de utfärdades. Utvärderingen är ett benchmark med 280 fall över fyra spår – fleromgångstext, kameranavigering, varvat text och kamera samt rumsligt minne – med mänskliga parvisa jämförelser mot Genie 3, LingBot-World v2 och Happy Oyster. Hy-Nomas vinner på interaktion och promptföljsamhet, med en rapporterad vinstfrekvens på cirka 65 % för promptföljsamhet, och förlorar mot Genie 3 på långsiktigt rumsligt minne. Det är författarnas jämförelser på författarnas benchmark, och de är de mest kontrollerbara påståendena i den här artikeln eftersom vikterna är offentliga.

Vad Apollo World inte publicerar

Avslöjandet från Apollo World var en kapacitetsgenomgång, och frånvaron är lika informativ som påståendena. Det finns inget parameterantal, ingen arkitektur, ingen artikel, ingen benchmarktabell med namngivna baslinjer, inga vikter, inget API och inget pris. Det Baidu faktiskt sade var att modellen redan stöder Apollo Gos globala testning och validering, att den kan täcka cirka 100 000 kilometer simulerad körning per dag – formulerat som ungefär tre års kontinuerlig testning av en bil utrustad med säkerhetsförare – och att Apollo Go är verksamt i 28 städer med fler än 23 miljoner resor, 350 miljoner autonoma kilometer och fler än 240 miljoner helt förarlösa kilometer.

Siffran 100 000 kilometer är den man bör ta med en nypa salt. Det är en siffra från företaget utan någon extern mätning bakom sig, och jämförelsen den vilar på – tre års kontinuerlig körning med en testbil – beror på en antagen årlig körsträcka som Baidu inte uppgav. Det gör den inte felaktig. Det gör den overifierbar, vilket är en annan och mer användbar sak att känna till.

Designpåståendena är däremot tillräckligt specifika för att gå att argumentera emot. Varje trafikant är en agent som fattar beslut i stället för en rekvisita som följer ett manus. Kamera och lidar genereras i realtid. Resor slutförs från början till slut, från accepterad order till levererad passagerare, över godtyckliga start- och målpunkter. Och helheten begränsas av en beslutscykel på en trettiondels sekund, cirka 33 millisekunder, vilket är det som gör att egenskaperna avseende beständighet och latens är bärande i stället för dekorativa.

Att tillämpa Baidus egen bedömningsmall på Hy-Nomas

Den intressanta övningen är inte att jämföra de två i marknadsföringstermer utan att ta Apollo Worlds fem fastigheter och rikta dem mot den modell som faktiskt finns.

Kausalitet: Hy-Nomas klarar det, i den betydelse Baidu avser. Den är autoregressiv över segment och betingas av historik, så framtiden genereras från nuet i stället för att sättas samman och fyllas i efteråt. Interaktivitet: delvis. Den svarar på textinstruktioner och kamerarörelser, men det är regissörens kommandon, inte andra agenters handlingar. Ingenting i scenen reagerar på något annat i scenen. Fysisk noggrannhet: omätt, och omätbar utifrån det publicerade arbetet, som utvärderar mot mänskliga preferenser snarare än metrisk ground truth. Beständighet: detta är den dokumenterade svaga punkten — artikeln rapporterar själv att den ligger efter Genie 3 när det gäller långsiktigt spatialt minne, vilket är exakt den driftsegenskap som Baidu lyfter fram. Realtid: 24 bilder per sekund i åtta destillerade steg är snabbt för en diffusionsmodell, men referensdriftsättningen använder åtta GPU:er, och budgeten på 33 millisekunder är en helt annan fråga.

Inget av det gör Hy-Nomas till en dålig modell. Det gör den till ett annat instrument. Bedömd som en interaktiv videovärld – det den byggdes för att vara – är den konkurrenskraftig mot det bästa som finns och den är öppen, vilket nästan ingen av dess konkurrenter är. Bedömd som en körsimulator misslyckas den med fyra av Baidus fem tester, och skulle misslyckas med dem även om vikterna vore dubbelt så bra.

Vad det kostar att köra varje

Hy-Nomas har ett pris du kan räkna ut. Vikterna är gratis under Apache 2.0; kostnaden är maskinen. Ett enda 4090 som kör den kvantiserade vägen behöver cirka 38 GB minne när CPU-avlastning räknas in, och producerar 720p i 24 bilder per sekund. Referensdistributionen med åtta GPU:er är versionen som benchmarkarna beskriver. Om du genererar några hundra klipp för en forskningsfråga räcker ett kort; om du genererar en träningskorpus är elräkningen licensavgiften.

Apollo World har inget beräkningsbart pris eftersom det inte är till salu. Det enda ärliga påståendet är att Baidu inte har offentliggjort några kommersiella villkor, och den beskrivna driftsättningen sker inom den egna robotaxi-verksamheten.

För team som bygger kring någon av dem är routingfrågan separat från modellfrågan. Varken Apollo World eller Hy-Nomas finns i OrcaRouters katalog – den ena är intern hos Baidu, den andra är en videomodell som du själv hostar – och den här artikeln tänker inte låtsas något annat. Det vi faktiskt tillhandahåller är lagret som utvärderar och orkestrerar den här typen av utdata: en domare för vision och språk som poängsätter genererade klipp, en planerare som omvandlar en forskningsfråga till en uppsättning prompter, en reservmodell när den primära modellen har nått sin hastighetsgräns. Det är ett API över fler än 200 modeller med 0 % påslag, där leverantörens listpris förs vidare, vilket spelar störst roll när du kör tusentals anrop till domaren mot utdata från en 196 GB-modell.

Vilken hör hemma i din stack?

Om du vill utforska en genererad miljö, styra en kamera genom den och iterera på en scen i en webbläsare är Hy-Nomas det bättre svaret, och det finns tillgängligt nu. Den öppna licensen är inte en formalitet: den låter dig finjustera, kvantisera och leverera, vilket är mer än man kan säga om de flesta interaktiva världsmodeller, inklusive de som den slår när det gäller promptföljsamhet.

Om du validerar en körpolicy är Hy-Nomas ingen ersättning för en simulator och kommer inte att bli det genom bättre promptning. Rätt användning av Apollo World är som en specifikation: 2+3-bedömningsmatrisen är en uppsättning frågor som du kan ställa till vilken simulatorleverantör som helst, och särskilt frågan om uthållighet – vad är driften under en tio timmar lång körning – är den som skiljer en testrigg från en demorulle.

Den sammansmältning man bör hålla ögonen på är en videovärldsmodell som producerar metriskt djup och lidar tillsammans med RGB, tränad med en fysikalisk konsistensförlust snarare än en perceptuell. Författarna bakom Hy-Nomas betingar sig redan på kamerabanor på ett geometriskt meningsfullt sätt; att lägga till ett sensorhuvud är det självklara nästa steget och ingen har publicerat det. Tills någon gör det är uppdelningen tydlig: Hy-Nomas skapar världar man kan titta på, Apollo World skapar världar där en bil kan utvärderas, och glappet mellan de två meningarna är där nästa års arbete ligger.