Genie 4 vs HY-Nomas: Den bättre världen är stängd, den nedladdningsbara är det inte

För ungefär 196 gigabyte kan du äga en världsmodell rakt av. Det är storleken på den fullständiga checkpoint-samlingen för HY-Nomas, som Tencent:s Hunyuan-team publicerade under Apache 2.0 den 23 oktober 2026, med modellvikterna på Hugging Face och koden på GitHub. Fyra dagar senare tillkännagav Google DeepMind Genie 4 – en bättre världsmodell enligt de flesta kvalitativa mått, med inbyggt ljud och ett tvåminuters koherensfönster, endast tillgänglig för betrodda testare och via en väntelista. Mellan dessa två fakta ligger det mest praktiska beslutet inom generativ världsmodellering just nu: att välja den starkare modellen du inte kan få, eller den svagare som du kan köra i kväll.

Jämförelsen handlar egentligen inte om Genie 4 kontra HY-Nomas kvalitetsmässigt. Det är en jämförelse mellan två förhållningssätt till samma problem, och kvalitetsgapet är priset för förhållningssättet. Att förstå vad du betalar, och vad du betalar det med, är poängen med den här texten.

Vad Apache 2.0 faktiskt ger dig

HY-Nomas levereras som vikter, inte som en tjänst. Huvudcheckpointen finns på Hugging Face som tencent/Hy-Nomas, med en Diffusers-kompatibel variant bredvid, och förvaret innehåller ett LoRA-finjusteringsrecept plus två adaptrar – en för filmiskt kameraarbete, en för filmmaterial i robotikstil.

Den sista delen förtjänar särskild betoning, eftersom ingen sluten världsmodell erbjuder den. Om du kan finjustera med ditt eget filmmaterial kan du styra modellen mot din domän: din studios kameraspråk, din robots sensoregenskaper, ditt spels konstnärliga inriktning. Genie 4 kommer, oavsett sitt tak, att producera det Google tränade den att producera, och den enda hävstång du har är en textprompt. För ett team där världsmodellen är en konkurrensfördel snarare än ett verktyg väger den skillnaden upp en hel del visuell finish.

Licensen spelar också roll. Apache 2.0 är tillräckligt tillåtande för kommersiell driftsättning utan förhandling, vilket inte kan sägas om Genie 4, vars kommersiella villkor inte har publicerats alls.

Sextio sekunder mot två minuter

Båda modellerna genererar interaktiva världar. De genererar dem på olika sätt, och skillnaden avgör hur varaktighetssiffrorna ska läsas.

Genie 4 är en världsmodell i realtid: den renderar medan du styr, håller kvar en scen i ungefär två minuter och genererar ljud – omgivningsljud, musik, dialog – inbyggt i samma pass. Du ändrar vädret genom att skriva det. DeepMinds eget förbehåll är att detaljer och objektpermanens glider över längre körningar, särskilt efter upprepade komplexa promptredigeringar.

HY-Nomas genererar video i sekventiella segment i stället för i en enda statisk fil, och du styr den tur för tur med textpromptar och kamerabanor. En livslång KV-cache bär världskonsistens genom dessa turer. Den angivna övre gränsen är cirka sextio sekunders generering vid 720×1280 och 24 bilder per sekund, med åtta denoising-steg i den destillerade konfigurationen, där även fyra och sex stöds.

Så den ärliga jämförelsen är inte sextio sekunder mot etthundratjugo. Det är turbaserad segmentgenerering mot kontinuerlig realtidsrendering. Genie 4 ger dig en värld som svarar medan du är i den. HY-Nomas ger dig en värld som avancerar en författardefinierad tur i taget, vilket är ett långsammare sätt att arbeta och ett långt mer kontrollerbart sådant – varje segment är ett beslut du kan granska innan du går vidare till nästa.

Under huven är de två arkitektoniskt olika på ett sätt som förklarar beteendet. HY-Nomas är en diffusionstransformator – femtiofyra dubbelströms-MMDiT-block, en textkodare av typen Qwen2.5-VL-7B-Instruct, DCAE-V-latenter och en finjusterad PixelUMM-dekodare, på ungefär åtta miljarder parametrar härlett från den publicerade checkpunkten snarare än från ett officiellt uttalande. Det är en stor modell som producerar videosegment. Genie 4 är en realtidssimulator vars inre Google inte har beskrivit i någon jämförbar detalj, parad med Gemini-modeller som förankrar utseendet och styr loopen.

Funktionen som Genie 4 har och ingen annan har

Ljud. Genie 4 är den första DeepMind-världsmodellen som genererar ljud nativt, och i skrivande stund gör ingen världsmodell med öppna vikter i denna jämförelse – HY-Nomas inkluderad – ett motsvarande anspråk. Den producerar omgivningsljud, musik och interaktiv dialog där karaktärer reagerar på det som händer i scenen.

Om det är avgörande beror helt och hållet på hur du använder det. För filmens förvisualisering är det nära nog avgörande: ett skott utan ljud är ett halvt skott, och att bygga upp ljudlandskapet från grunden mot någon annans tajming är den del av pre-vis som ingen uppskattar. För robotiksimulering är det en saknad indatamodalitet som begränsar vad miljön kan lära ut. För en spelstudio som tar fram bakgrundsplåtmaterial är det en bekvämlighet.

Och för alla är det omätt. Google har inte publicerat något ljudbenchmark, ingen synkroniseringsmätning, och företagets egna ingenjörer medger att ljudnoggrannheten inte är löst. Påståendet är verkligt och beviset är en demorulle.

Hårdvarukostnaden, uträknad

Det är här den öppna modellen slutar vara gratis och börjar bli en kapitalutgift.

• Standarddriftsättning – HY-Nomas är utformad för åtta GPU:er. Det är en server, inte en arbetsstation.

• Enkel-GPU-väg — en dokumenterad konfiguration körs på ett RTX 4090 med INT8-vikter för diffusionstransformatorn, en FP8-dekoder, CPU-offload och en begränsad historikbuffert.

• Disk – den fullständiga checkpoint-uppsättningen är ungefär 196 GB; lågminnesvägen behöver cirka 38 GB plus textkodaren.

• Genomströmning – sextio sekunder utdata är inte sextio sekunder beräkning. Diffusion med åtta avbrusningssteg över femtiofyra transformer-block innebär att generering mäts i minuter per segment, och Tencent har inte publicerat latenssiffror.

• Genie 4 – inget publicerat hårdvarukrav, ingen publicerad latens, inget publicerat pris. Åtkomst är en prenumeration på Google AI Ultra via Project Genie eller ett partneravtal för tidig åtkomst.

Om man räknar ärligt är 4090-vägen en forskningsmaskin, inte en produktionsmaskin: den producerar ett segment, långsamt, med försämrat minne för långa sekvenser, vilket är precis den avvägning som den begränsade historikbufferten innebär. Vägen med åtta GPU:er ger användbar genomströmning och kostar lika mycket som åtta datacenter-GPU:er, innan man räknar in elförbrukningen och personen som måste hålla den igång.

Det är därför jämförelsen med ett hostat API inte är självklar. Om din volym är några hundra segment i månaden är det ett dåligt kapitalutnyttjande att köra åtta GPU:er för att betjäna dem, och det rätta svaret är ett API – vårt eller någon annans – med ett pris per anrop och utan capex. Om din volym är kontinuerlig, eller om dina data inte får lämna ditt nätverk, är nedladdningen på 196 GB ett fynd som ingen hostad tjänst kan matcha. Det är det faktiska beslutet, och det har inget att göra med vilken modell som är snyggare.

Två benchmarks, noll poäng

HY-Nomas levererar något som kallas Hy-Nomas-Bench: 280 testfall med ungefär 220 referenskamerabanor. Det är en riktig utvärderingsrigg och i samband med lanseringen har den inga publicerade resultat. Den tekniska rapporten beskrivs som kommande.

Genie 4 har ingen motsvarighet. Google publicerade ingen benchmark-svit, ingen numerisk jämförelse med Genie 3 utöver det fördubblade koherensefönstret, och ingen upplösning eller bildfrekvens alls.

Båda sidorna ber att få bedömas utifrån demofilmer. I det läget bör utslagsgivaren vara reproducerbarhet, och det är inte ens nära: du kan ladda ner HY-Nomas, köra Hy-Nomas-Bench själv och publicera en siffra. Det kan du inte göra med Genie 4, och om ni är ett team som behöver en siffra innan ni fattar beslut är den stängda modellen inte bara besvärlig – den är diskvalificerande.

Vad vi faktiskt skulle rekommendera

Om du behöver den mest övertygande värld som finns tillgänglig och ditt arbete är utforskande – pre-vis, konceptutveckling, simulering på prototypnivå – är Genie 4 den starkare förmågan och du bör ställa dig på väntelistan och designa utifrån en tvåminuters tagning. Enbart ljudet placerar den i en annan klass än allt med öppna vikter, och arkitekturen med Gemini i loopen innebär att den kan styras av en agent i stället för för hand.

Om du behöver en världsmodell som du kan äga, finjustera, granska, bädda in i en produkt eller köra utan att skicka data till en leverantör, är HY-Nomas det enda alternativet i den här jämförelsen, och det är ett genuint kapabelt sådant: Apache 2.0, en väg för ett enda 4090, kamerakontroll, robotikadaptrar och en publicerad utvärderingssvit. Du byter fotorealism och ljud mot kontroll och reproducerbarhet, och för en stor klass av ingenjörsarbete är det rätt avvägning.

Den omgivande stacken är där de två möts. Vilken modell du än väljer kommer den att sitta inuti en agentloop – något måste skriva prompterna, välja kamerabanan, kontrollera segmentet och avgöra om det ska genereras om. Den loopen består av vanliga anrop till språk- och visionsmodeller, och det är där en router gör nytta: ett API över fler än 200 modeller, automatisk failover så att en leverantör som stannar blir ett nytt försök i stället för en förlorad rendering, och leverantörernas listpriser som skickas vidare med 0 % påslag så att en prissänkning från en leverantör når dig samma dag som den görs. Världsmodellen är den dyra, långsamt föränderliga delen av din stack. Allt runtomkring den borde vara motsatsen.

För sex månader sedan var den intressanta frågan huruvida öppna världsmodeller alls kunde vara konkurrenskraftiga. HY-Nomas svarar att de kan vara konkurrenskraftiga när det gäller kontroll men ligger efter i återgivning, och Genie 4 svarar att taket för återgivningen fortfarande rör sig. Inget av svaren avgör debatten, vilket är därför nedladdningen finns och väntelistan är lång.