Hy-Nomas vs Hunyuan3D WorldClaw: Samma labb, två slags värld

Tencentes Hunyuan-grupp släppte två saker som kallas världsmodell med mindre än tre månaders mellanrum, och de är oense om nästan allt. Hunyuan3D WorldClaw, som publicerades i augusti 2026, är egentligen inte någon modell alls: det är en agentisk pipeline i fyra steg som planerar en scen med LLM-agenter, genererar terräng, rekonstruerar enskilda objekt som texturerade mesh-modeller och sedan låter en visionsagent rendera resultatet och rätta det som ser fel ut. Hy-Nomas, som släpptes den 23 oktober 2026, är en enda segmentautoregressiv diffusions-transformator som renderar styrbar video och släpper sina vikter under Apache 2.0. Den ena bygger en redigerbar 3D-tillgång utifrån en mening. Den andra renderar en kontinuerlig värld utifrån en konversation.

Jämförelsen är värd att göra just eftersom de delar ett labb. Det är ett rent naturligt experiment med två strategier: att orkestrera frontiermodeller i en pipeline, eller att träna en enda modell att göra hela jobbet. De två lanseringarna är också varandras motsatser när det gäller öppenhet – den med den tyngre tekniska stacken publicerade ingen kod, och den som är en enda modell publicerade allt.

En modell och en pipeline är olika typer av artefakter

WorldClaws artikel beskriver en router. Systemet orkestrerar flera frontiermodeller i stället för att självt utföra genereringen: LLM-agenter för planering, en bildmodell för regionala kompositer, en segmenteringsmodell, Tencent:s egen Hunyuan3D för mesh-rekonstruktion och Blender som styrs via MCP för montering. I artikeln namnges Claude Opus 4.8 som planerare och GPT-Image-2 och SAM3D bland de regionala komponenterna. Dess bidrag är koreografin – nedbrytningen från globalt till regionalt och reparationsloopen baserad på rendering – inte en ny generativ basmodell.

Hy-Nomas är den motsatta satsningen. En 54-blocks dubbelströms-MMDiT, dold storlek 2 048, en Qwen2.5-VL-7B-Instruct-textkodare, kamerabetingning via cross-attention och en livslång KV-cache. Det finns ingen planerare, inget segmenteringssteg, ingen extern renderare i loopen. Modellen är systemet.

Den skillnaden förklarar fellägena. En pipeline ärver svagheterna hos varje komponent den anropar och kan repareras en komponent i taget. En enskild modell har en sammanhängande världsbild och ingen skarv mellan stegen, men varje svaghet är inbakad i vikterna och kan bara åtgärdas genom omträning eller med en LoRA.

Vad WorldClaws fyra steg faktiskt gör

Steg ett är avsiktsanalys och scenplanering. Två LLM-agenter delar upp arbetet: en extraherar endast de begränsningar som användaren faktiskt angav, den andra fyller i detaljerna för att producera en strukturerad scenspecifikation som omfattar regioner, terräng, objekt och rumsliga relationer. Uppdelningen är ett förnuftigt skydd mot det vanliga misslyckandet hos en enskild planerare, nämligen att hitta på krav och sedan uppfylla dem.

Steg två genererar global terräng: en semantisk layoutkarta, regionmedvetna höjdfält samt material, stenar och vegetation som tilldelas per region. Steg tre renderar varje region till en 2D-komposit, segmenterar instanserna, rekonstruerar var och en som ett texturerat mesh via Hunyuan3D och placerar tillbaka den på terrängen. Steg fyra är det intressanta – en visionsagent renderar den sammansatta scenen från flera vyer och letar efter svävande objekt, interpenetration, fel skala och fel pose, och itererar sedan. Sammansättningen sker i Blender via MCP.

Utdata är explicita, texturerade mesh-nät som är individuellt redigerbara och exporteras till en spelmotor. Det är en helt annan typ av leverabel än en video: varje träd är ett objekt, varje objekt har en transform, och en level designer kan flytta ett objekt utan att rendera om världen.

Nät du kan redigera, eller video du kan styra

Hy-Nomas utdata är en video på 720 × 1280 vid 24 FPS, genererad i segment med åtta avbrusningssteg i den destillerade konfigurationen. Du kan inte öppna den i Blender. Du kan dock omdirigera den mitt i sessionen: fritext för vad som finns i världen, kamerans extrinsiska parametrar för vart tagningen går, och en KV-cache som håller de tidigare segmenten konsekventa med den nya instruktionen. Redigeringen är samtalsbaserad och sker innan nästa segment renderas.

WorldClaws utdata är redigerbar i efterhand. Du får geometri, och redigeringen är spatial — flytta objektet, skala om trädet, rendera om regionen. Det du inte kan göra är att föra en konversation med världen medan den renderas. Pipeline körs till slutförande, sedan arbetar du på tillgången.

• Utdata — Hy-Nomas styrbar 720 × 1280-video vs Hunyuan3D WorldClaw explicita texturerade mesh i en scen

• Arbetsenhet — Hy-Nomas ett segment som renderas på begäran vs Hunyuan3D WorldClaw en hel värld som genereras i fyra steg

• Redigering — Hy-Nomas text- och kamerainstruktioner mellan segment kontra Hunyuan3D WorldClaws direkta manipulering av meshar efter generering

Motor — Hy-Nomas en enda diffusionstransformator vs Hunyuan3D WorldClaw en orkestrerad stack av frontiermodeller plus Blender

Maskinvara — Hy-Nomas 8 GPU:er som standard, ett RTX 4090 i INT8-lågminnesvägen kontra Hunyuan3D WorldClaw 4 × NVIDIA H20

• Släpp — Hy-Nomas Apache 2.0-vikter, kod och benchmarkdataset jämfört med Hunyuan3D WorldClaw: en artikel, en projektsida och en README utan kod eller vikter

Kostnaden för en agentisk värld

WorldClaws berättelse om beräkningskostnader är inte en GPU-timmesiffra i vanlig mening. Det är fyra H20s plus ett stort antal anrop till frontiermodeller: planeringstokens, bildgenerering per region, segmentering per instans, mesh-rekonstruktion per objekt och upprepade vision-agent-renderingar under förfining. Marginalkostnaden för en värld domineras av dessa anrop, och artikeln publicerar inget pris. Community-återbyggen som ersätter hostade bild- och 3D-endpoints rapporterar ungefär femtio cent och några minuter per värld, vilket är en användbar storleksordning men inte en leverantörssiffra.

Hy-Nomas kostnad är mer konventionell: åtta GPU:er med åttavägs sekvensparallelism som standard, eller en RTX 4090 med INT8 DiT-vikter, en INT8 KV-cache, glidfönsterhistorik, CPU-offload, FlexAttention och en CUTLASS FP8-avkodare. Den fullständiga checkpoint-uppsättningen är cirka 196 GB; den dokumenterade demovägen hämtar cirka 86 GB, och lågminnesvägen behöver ungefär 38 GB plus textkodaren. Det finns inget hostat pris eftersom det inte finns någon hostad tjänst.

Den jämförelse som spelar roll är inte dollar per värld utan vart pengarna går. WorldClaw lägger pengar på tokens och API-anrop, som blir billigare när priserna på frontier-modeller faller. Hy-Nomas lägger pengar på GPU-utnyttjande, som inte blir det. En pipeline blir billigare tack vare någon annans kurva; en modell blir billigare först när någon destillerar den.

• Hy-Nomas kostnadsdrivare — GPU-timmar per genereringssession, ingen fakturering per anrop

• WorldClaw-kostnadsdrivare – anrop till frontier-modeller för planering, avbildning, segmentering, rekonstruktion och reparation, plus 4 × H20

• Hy-Nomas skalningsspak – destillation och LoRA, båda redan i utgåvan

• Skalningshävstång för WorldClaw — billigare komponentmodeller och färre reparationsiterationer

WorldClaw är också det tydligaste argumentet för ett routinglager som den här omgången innehåller, eftersom det är ett sådant. Dess planerare anropar en modell, dess regionala steg anropar en annan, dess rekonstruktionssteg anropar en tredje, och hela saken är en routingpolicy med en renderare påkopplad. OrcaRouter gör samma jobb för hostade modeller — 200+ modeller bakom en nyckel, leverantörens listpris vidarebefordras med 0 % påslag, automatisk failover och ett routing-DSL som komponerar flera modeller till ett anrop, med modellfusion tillgänglig när du vill ha en panel i stället för en kedja. Varken Hy-Nomas eller WorldClaw finns i vår katalog, och vi tänker inte låtsas att en självhostad världsmodell är en slutpunkt; det vi routar är det lager som WorldClaw visar att du behöver.

Öppenhet är inverterad

Det här är det märkligaste med paret. WorldClaw är det mer utarbetade systemet – en flerstegs agentisk pipeline med en publicerad artikel och en projektsida – och det officiella GitHub-repot innehåller en README, artikeln och projektresurser. Ingen kod, inga vikter, inget API, ingen prissättning. En issue som ber om koden har förblivit obesvarad. Det som finns offentligt är gemenskapsåterimplementeringar som bygger upp pipelinen ovanpå hostade slutpunkter, vilket vittnar om artikelns tydlighet och inte är en ersättning för släppet.

Hy-Nomas är det enklare systemet och det mer öppna: Apache 2.0, fullständiga checkpoints på Hugging Face, inferens- och träningskod på GitHub, en captioning-harness, en LoRA-tränare, ett merge-skript och benchmarkdatasetet med 280 fall. Den tekniska rapporten saknas och benchmarken har inga poäng, men artefakten är tillräckligt komplett för att kunna reproduceras och modifieras.

För alla som planerar att bygga avgör den inversionen mer än arkitekturen. En pipeline du inte kan köra är ett designdokument. En modell du kan köra är en utgångspunkt, även när utvärderingen av den är en tom sida.

Vilken ska man välja

Välj Hunyuan3D WorldClaws tillvägagångssätt när leveransen är en nivå: en stor, utforskningsbar och redigerbar 3D-miljö som måste föras in i en spelmotor och ändras av en människa. Var medveten om att du kommer att återbygga den utifrån artikeln, eftersom Tencent inte har släppt den, och att dess kvalitetspåståenden är kvalitativa — artikeln jämför med SynCity, World Labs Marble, MajutsuCity, Metas WorldGen och GPT-5.6 Sol utan FID, CLIP eller en användarstudie.

Använd Hy-Nomas när leveransen är filmmaterial eller en träningsmiljö: pre-vis, syntetisk video, en scengenerator för robotik som du tänker anpassa med den medföljande Robotics LoRA. Tänk på att påståendet om långhorisontell konsistens är ett designargument plus en demo, inte ett mätvärde, och att en körning på ett enda 4090 är möjlig men medför offload-överhead.

Och om du behöver båda – en redigerbar värld och styrbart filmmaterial av den – är det ärliga svaret att ingen enskild Tencent-lansering ger dig det i dag. WorldClaw producerar geometri som du inte kan animera genom konversation. Hy-Nomas producerar video som du inte kan exportera. Gapet mellan dem är produkten som ingen ännu har lanserat, och det är något mer intressant att följa än endera modellen för sig.