Genie 4 vs Hunyuan3D WorldClaw: En video av en värld, eller världens mesh-filer

En av dessa ger dig en MP4 och den andra ger dig en scengraf. Det är hela jämförelsen, och allt annat följer av den. Genie 4, Google DeepMinds världsmodell som tillkännagavs den 27 oktober 2026, genererar en fotorealistisk, hörbar, textstyrbar värld i realtid och visar den för dig som video. Hunyuan3D WorldClaw, publicerad av Tencent's Hunyuan3D-team i augusti 2026, producerar explicita, individuellt redigerbara, texturerade meshar som du kan öppna i Unity eller Unreal och behålla. Om ditt jobb slutar när tagningen är godkänd är Genie 4 det mer imponerande objektet. Om ditt jobb börjar när tagningen är godkänd är WorldClaw den enda av de två som ger dig något att arbeta med.

Båda är forskningsartefakter snarare än produkter, och båda är svårare att få tag på än vad deras demos antyder. Men de brister åt olika håll, och att veta vilket fel man kan leva med är hela avgörandet.

Leverabeltestet

Fråga vad som överlever sessionen, och gapet blir konkret.

• Utdata – Genie 4 returnerar genererade videobilder med synkroniserat genererat ljud; Hunyuan3D WorldClaw returnerar texturerade 3D-nät med terräng, material och placerade objekt.

• Redigerbarhet — Genie 4 redigeras genom att man ger promptar till simuleringen medan den körs; WorldClaws utdata redigeras som geometri, i ett modelleringsverktyg, av en människa eller ett skript.

• Nedströms användning – Genie 4:s utdata konsumeras som filmmaterial; WorldClaws konsumeras av en spelmotor, en renderare eller en fysisk simulator.

• Determinism — en Genie 4-körning är inte reproducerbar bildruta för bildruta; ett mesh är en fil som förblir identisk.

• Ljud – inbyggt i Genie 4; inte en del av WorldClaws pipeline.

• Åtkomst — Genie 4 är en begränsad forskningsförhandsvisning; WorldClaw är en artikel med ett kodförråd som ännu inte innehåller körbar kod.

Det finns en anledning till att det är videomodeller som blir virala och mesh-pipelines som går i produktion. En video är begriplig för vem som helst på fem sekunder. Ett mesh är begripligt bara för någon som vet vad de skulle göra med det – och den personen är oftast den som håller i budgeten.

Vad WorldClaws fyra stadier faktiskt gör

WorldClaw är inte ett enda nätverk. Det är en agentisk pipeline som delar upp "bygg mig en värld från den här meningen" i fyra steg, och själva uppdelningen är bidraget.

Det första steget är avsiktsanalys och scenplanering: språkmodellsagenter tolkar den öppna prompten till en strukturerad specifikation som omfattar regioner, terräng, objekt, material och rumsliga relationer. Det andra genererar global terräng – en semantisk layoutkarta plus ett regionsmedvetet höjdfält, med material och tillgångar tilldelade per region. Det tredje utför regional objektgenerering: terrängbetingade tvådimensionella kompositer segmenteras, varje instans rekonstrueras till ett individuellt texturerat mesh och dessa mesh placeras på terrängen. Det fjärde är renderingsbaserad förfining: en visionsagent renderar scenen från flera vinklar, inspekterar resultatet för svävande objekt, interpenetration, skal- och posefel, åtgärdar dem och renderar om. Sammansättningen sker i Blender via Model Context Protocol.

Den sista loopen är det intressanta ingenjörsarbetet. En generativ modell som inte kan se sin egen utdata är en enarmad bandit. En pipeline som renderar, inspekterar och korrigerar är en process – och korrigeringssteget är där merparten av den upplevda kvaliteten i en stor scen kommer ifrån, eftersom felmoderna hos placerade 3D-tillgångar är geometriska och därmed detekterbara snarare än estetiska och därmed diskutabla.

Uppsatsens egen uppsättning är en stack av tredjepartsmodeller: Claude Opus 4.8 som driver agenterna, GPT-Image-2 plus SAM3D för segmentering, Hunyuan3D för rekonstruktion, som körs på fyra NVIDIA H20-GPU:er. WorldClaw förstås bäst som ett orkestreringslager ovanpå befintliga generatorer snarare än en ny generativ modell, vilket är både dess styrka – den förbättras i takt med att dess komponenter förbättras – och dess bräcklighet, eftersom varje förändring i en komponents beteende förändrar pipelinens utdata.

Varför en Mesh är värd mer än en video, och kostar mer

En video av en värld är ett påstående om en värld. Ett mesh är världen, eller åtminstone tillräckligt mycket av den för att börja bygga. Den skillnaden märks i varje efterföljande uppgift: kollision, ocklusion, belysning, fysik, level design och det vanliga arbetet med att flytta en byggnad två meter åt vänster eftersom siktlinjen är fel.

Ingen av dessa operationer är möjlig på Genie 4:s utdata. Du kan prompta simuleringen att ändras, och den kommer att generera en ny uppsättning bildrutor som kanske eller kanske inte respekterar den begränsning du hade i åtanke, och ändringen kommer inte att bestå bortom det tvåminuters koherensfönster som DeepMind anger. Modellen låtsas inte något annat; dess angivna användningsområden är förvisualisering, prototyputveckling och robotträning, vilka alla förbrukar världar snarare än bygger vidare på dem.

Kostnaden för WorldClaws tillvägagångssätt är lika tydlig. Fyra steg, flera agenter, en extern renderare och en Blender-rundtur innebär minuter till timmar per värld i stället för sekunder, och pipelinen kan misslyckas i vilket steg som helst – ett segmenteringsfel fortplantar sig till ett felplacerat objekt, som förfiningssteget kan åtgärda eller inte. Genie 4:s felmoder är mjukare: en detalj som driver är irriterande, en svävande byggnad är trasig.

Tillgängligheten på båda sidor är sämre än vad demonstrationerna antyder.

Ingen av modellerna är något du kan införa det här kvartalet, och skälen skiljer sig.

Genie 4 är en forskningsförhandsvisning för betrodda testare. Google säger att AI Ultra-prenumeranter får det via Project Genie och att partner med tidig åtkomst kommer att nå det via Gemini API och Google AI Studio "under de kommande veckorna". Det finns en väntelista, inget pris, ingen publicerad upplösning eller bildfrekvens och inga kommersiella villkor.

WorldClaw ligger längre ifrån att vara användbart på ett specifikt sätt: förrådet på Tencent-Hunyuan/Hunyuan3D-WorldClaw innehåller en README och resurser, inte kod. En begäran om koden har inte besvarats. Det finns inga vikter, inget API och ingen prissättning. Det som finns är artikeln, tillkännagivandet och en uppsättning demos.

Så jämförelsen för en utövare i slutet av oktober 2026 står mellan en väntelista och ett kodförråd som inte går att köra. Det är ingen känga åt något av teamen — artiklar föregår releaser — men det innebär att varje artikel som säger åt dig att "välja" mellan dem beskriver en framtida anskaffning, inte en aktuell sådan.

Vad utvärderingsavsnitten säger dig

WorldClaws artikel utvärderar sitt resultat genom en kvalitativ jämförelse sida vid sida mot SynCity, Metas WorldGen, MajutsuCity och World Labs Marble. Det finns inga FID- eller CLIP-poäng och ingen användarstudie. Det är en verklig begränsning och det är också ärligt: kvaliteten på storskaliga 3D-scener är genuint svår att bedöma, och ett kvantitativt mått som belönade en axel skulle missrepresentera de andra.

Vid lanseringen av Genie 4 publicerades ingen benchmark alls – ingen jämförelse mot Genie 3 utöver det fördubblade koherensfönstret, ingen upplösning, ingen bildfrekvens. Ingen av parterna har gett en utomstående part en siffra att kontrollera. I en kategori där varje leverantör visar kurerade demos är avsaknaden av mätning det gemensamma villkoret, och det bör dämpa varje självsäker dom du läser någonstans, inklusive här.

Där pipelinen i sig blir produkten

Den del av WorldClaw som är värd att stjäla är inte 3D-genereringen — det är en samling komponenter — utan mönstret: planera med en språkmodell, generera med specialister, verifiera med en visionsmodell, reparera, upprepa. Det mönstret byggs just nu upp på nytt i varje studio som vill ha kontrollerbar världsgenerering, och det är nästan helt och hållet ett orkestreringsproblem.

Det är där infrastrukturfrågan landar. En pipeline av den formen gör dussintals modellanrop per värld, över minst tre modaliteter, och om ett enda anrop misslyckas stannar körningen. Att köra den via en enda slutpunkt med automatisk failover innebär att en leverantör som har fastnat blir ett nytt försök i stället för ett förlorat jobb, och en routing-DSL gör att du kan låsa den dyra modellen till planeringsfasen och en billigare till verifieringsomgångarna per objekt, vilket är där merparten av tokens går åt. Det är det lagret vi bygger – ett API över 200+ modeller, leverantörernas listpriser vidarebefordrade med 0 % påslag – och det är medvetet modellagnostiskt, eftersom komponenterna under en pipeline som WorldClaw har kommer att bytas ut flera gånger innan själva pipelinen stabiliseras.

Vilken ska man se?

Om du gör filmer, prototyper eller träningsmiljöer och behöver något redan det här kvartalet, håll koll på Genie 4:s besked om åtkomst och prototypa den kringliggande verktygskedjan mot en modell som du redan kan anropa. Ljudet och språkstyrningen är funktioner som inget annat i den här jämförelsen har, och taket på två minuter är en begränsning som du kan anpassa designen efter.

Om du gör spel, simuleringar eller något annat som levereras som en tillgång är {{1}}WorldClaws form{{/1}} den som spelar roll för dig, även om dess kod inte finns ännu. I samma stund som Tencent släpper den är en pipeline som matar ut redigerbara meshar till en spelmotor värd mer än tusen vackra videor, eftersom videon är slutet på arbetet och meshen är början på det.