Apollo World กับ Hunyuan3D WorldClaw: สถานที่ที่คุณเดินได้ หรือไดรฟ์ที่คุณทำคะแนนได้

สิ่งที่มีประโยชน์ที่สุดในการนำ Apollo World มาเทียบกับ Hunyuan3D WorldClaw คือทั้งสองใช้คำว่า “world” แต่ไม่ได้หมายความถึงสิ่งเดียวกันเลย Hunyuan3D WorldClaw คือกรอบงานแบบเอเจนต์ของ Tencent Hunyuan สำหรับเปลี่ยนพรอมต์ข้อความแบบเปิดกว้างเพียงหนึ่งพรอมต์ให้เป็นฉาก 3D ขนาดใหญ่ที่สำรวจได้ ประกอบด้วยเมชแยกแต่ละวัตถุที่มีเท็กซ์เจอร์ชัดเจน ซึ่งเปิดใน Blender และส่งออกไปยังเอนจินเกมได้ ส่วน Apollo World คือตัวจำลองที่ขับเคลื่อนด้วยเอเจนต์ของ Baidu ซึ่งเปิดเผยเมื่อวันที่ 3 พฤศจิกายน 2026 โดยสร้างข้อมูลสังเกตแบบเรียลไทม์จากกล้องและ lidar ของเมืองเสมือน เพื่อให้ชุดระบบ robotaxi สามารถฝึกและประเมินคะแนนจากการเดินทางเต็มเส้นทางได้ WorldClaw สร้างสถานที่ขึ้นมา ส่วน Apollo World ขับรถผ่านสถานที่นั้น หากคุณมาที่นี่เพื่อดูว่าตัวไหนสร้าง 3D ได้ดีกว่า คำถามนี้ตั้งไว้ผิดรูปแบบตั้งแต่ต้นในลักษณะที่ควรค่าแก่การแกะรอยมากกว่าจะตอบตรง ๆ

ผลิตภัณฑ์สองอย่างที่สวมคำนามเดียวกัน

ความทับซ้อนนั้นมีจริงแต่แคบ ทั้งสองสร้างสิ่งที่คนอาจเรียกได้ว่าเป็นโลก หลังจากนั้น คุณสมบัติทุกอย่างก็แตกต่างกันออกไป

• สิ่งที่ต้องส่งมอบ — {{1}}WorldClaw: ไฟล์ฉากที่มีเมชแยกชิ้น พร้อมวัสดุและทรานส์ฟอร์ม{{/1}} {{2}}Apollo World: สตรีมเฟรมเซ็นเซอร์พร้อมสถานะของเอเจนต์ ซึ่งถูกใช้โดยนโยบายการขับขี่มากกว่าบุคคล{{/2}}

• หน่วยของงาน — WorldClaw: หนึ่งพรอมต์ต่อหนึ่งฉาก Apollo World: หนึ่งเส้นทาง หนึ่งนโยบาย หนึ่งทริปที่ได้รับการให้เกรด

• เวลา — ผลลัพธ์ของ WorldClaw จะคงที่เมื่อสร้างเสร็จแล้ว; Apollo World ถูกออกแบบมาให้ดำเนินไปข้างหน้า โดยทุกการตัดสินใจจะเปลี่ยนสิ่งที่เกิดขึ้นต่อไป

• เหมาะสำหรับใคร — WorldClaw: นักออกแบบเลเวล, สตูดิโอเกม, ทีมข้อมูลสังเคราะห์ที่ต้องการเรขาคณิต Apollo World: องค์กรด้านการขับขี่อัตโนมัติของ Baidu เอง

• ความหมายของ "ดี" — WorldClaw: ฉากดูกลมกลืนและประกอบเข้าด้วยกันโดยไม่มีวัตถุลอยหรือไม่ Apollo World: รถที่อยู่ระหว่างการทดสอบปลอดภัยขึ้นหรือไม่

พูดแบบนั้นแล้ว ทั้งสองไม่ได้เป็นคู่แข่งกันเท่าไรนัก แต่เป็นขั้นตอนที่อยู่ติดกันของไปป์ไลน์ที่ยังไม่มีใครสร้างได้ครบวงจรตั้งแต่ต้นจนจบ ฝ่ายหนึ่งสร้างชุด อีกฝ่ายกำกับทิศทางการจราจรบนชุดนั้น

สิ่งที่ WorldClaw ทำจริง ๆ ทีละขั้นตอน

WorldClaw เข้าใจได้ดีที่สุดว่าเป็นผู้ควบคุมวงมากกว่าเครื่องดนตรี บทความ arXiv 2608.05248 ถูกส่งเมื่อวันที่ 5 สิงหาคม 2026 โดยมีประกาศอย่างเป็นทางการตามมาในวันที่ 11 สิงหาคม กรอบงานนี้รับพรอมต์แบบอิสระและดำเนินการสี่ขั้นตอนจากหยาบไปละเอียด

• เจตนาและการวางแผน — เอเจนต์แบบจำลองภาษาจะอ่านพรอมต์และตัดสินใจว่าฉากควรมีอะไรบ้าง โดยสร้างออกมาเป็นแผนแทนที่จะเป็นภาพ

• ภูมิประเทศ — การประมวลผลแบบครอบคลุมทั้งภาพจะสร้างเลย์เอาต์เชิงความหมาย ฟิลด์ความสูง และวัสดุ ทำให้พื้นดินมีความสอดคล้องกันก่อนที่จะมีการวางสิ่งใดลงไป

• วัตถุ — บริเวณต่างๆ ถูกเรนเดอร์ แบ่งส่วน และแต่ละบริเวณถูกสร้างใหม่เป็นเมชแยกแต่ละชิ้นผ่าน Hunyuan3D นี่คือจุดที่คำมั่นเรื่องเรขาคณิตแบบชัดแจ้งถูกคงไว้: ผลลัพธ์คือชุดของวัตถุ ไม่ใช่ก้อนที่หลอมรวมกันหรือ Gaussian splat

• การปรับแต่งอย่างละเอียด — เอเจนต์ด้านการมองเห็นจะตรวจสอบภาพเรนเดอร์เพื่อหาวัตถุลอย การทะลุกันของวัตถุ ขนาดผิด และท่าทางผิด แล้วส่งคำแก้ไขกลับไป

ชุดเทคโนโลยีที่อยู่เบื้องหลังคือรายชื่อโมเดลของคนอื่น ๆ และแอปพลิเคชันขนาดใหญ่มากหนึ่งตัว: Claude Opus 4.8 สำหรับการวางแผน, GPT-Image-2 สำหรับการสร้างภาพ, SAM3 และ SAM3D สำหรับการแบ่งส่วนภาพ, Hunyuan3D สำหรับการสร้างใหม่จากภาพ และ Blender 5.1.1 ที่ควบคุมผ่าน MCP สำหรับการประกอบ Tencent รายงานว่าใช้งานบน GPU NVIDIA H20 จำนวนสี่ตัว การประเมินที่เผยแพร่เป็นเชิงคุณภาพ โดยเปรียบเทียบผลลัพธ์กับ SynCity, WorldGen, MajutsuCity และ Marble ด้วยฉากเคียงข้างกัน และไม่มีตัวเลข FID, CLIP หรือผลการศึกษาผู้ใช้

ที่เก็บโค้ด (repository) คือส่วนที่สำคัญสำหรับใครก็ตามที่วางแผนจะใช้งานมัน โปรเจกต์ GitHub อย่างเป็นทางการมี README และไฟล์ประกอบ แต่ไม่มีโค้ด ไม่มีเวต (weights) ไม่มีสคริปต์สำหรับการอนุมาน (inference) ไม่มี API และไม่มีราคา บทความกรอบงาน (framework paper) ที่ไม่มีการนำไปใช้งานจริงเป็นเพียงคำอธิบายของวิธีการ ไม่ใช่เครื่องมือ และช่องว่างระหว่างสองสิ่งนี้คือจุดที่คำถามว่า “ฉันลองใช้มันได้ไหม” ส่วนใหญ่มักจบลงตรงนั้น

Apollo World อ้างอะไรจริง ๆ

Apollo World ถูกเปิดเผยในงาน Baidu AI Day·Apollo ที่เมืองเซินเจิ้น เมื่อวันที่ 3 พฤศจิกายน 2026 โดย Wang Liang หัวหน้าสถาปนิกของกลุ่มธุรกิจขับขี่อัจฉริยะแห่ง Baidu และ Yang Ze ผู้ดูแลงานด้านเวิลด์โมเดล การวางกรอบนั้นชัดเจน: เวิลด์โมเดลไม่ควรเป็นเพียงนักวาดวิดีโอที่ดูน่าประทับใจ แต่ควรเป็นผู้ตรวจสอบความปลอดภัยในการขับขี่ Baidu สนับสนุนแนวคิดนี้ด้วยเกณฑ์ที่เรียกว่า “2+3” — ด่านสองด่านที่ตัดสินว่าสิ่งหนึ่งนับเป็นเวิลด์โมเดลหรือไม่ และคุณสมบัติสามประการที่ให้คะแนนว่ามันดีแค่ไหน

เกณฑ์ผ่านคือความเป็นเหตุเป็นผลและการโต้ตอบ ความเป็นเหตุเป็นผลหมายความว่าสถานะถัดไปถูกทำนายจากสถานะปัจจุบัน แทนที่จะประกอบขึ้นจากเฟรมแล้วเติมย้อนหลัง ส่วนการโต้ตอบหมายความว่าการกระทำที่ถูกฉีดเข้าไปในฉากจะเปลี่ยนสิ่งที่ตามมา คุณสมบัติที่ถูกประเมินคือความแม่นยำทางกายภาพ ความคงอยู่ และประสิทธิภาพแบบเรียลไทม์ ความคงอยู่คือสิ่งที่แยกเดโมออกจากชุดทดสอบ ซิมูเลเตอร์ที่วัตถุค่อย ๆ เคลื่อนหรือผิดรูปไปในช่วงการรันยาวนานจะให้คะแนนนโยบายกับโลกที่ไม่ตรงกับโลกตอนเริ่มต้นอีกต่อไปในที่สุด Baidu กำหนดวงจรการตัดสินใจสำหรับยานพาหนะบนถนนไว้ที่หนึ่งในสามสิบของวินาที หรือประมาณ 33 มิลลิวินาที

สามความสามารถนี้รองรับคำมั่นเหล่านั้น ผู้เข้าร่วมการจราจรทุกรายถูกจำลองเป็นเอเจนต์ที่มีการตัดสินใจของตนเอง แทนที่จะเป็นพร็อพที่กำหนดบทไว้ตายตัว ดังนั้นรถแท็กซี่ไร้คนขับที่กำลังเบรกจึงสามารถกระตุ้นให้รถคันหลังตอบสนองต่างออกไปได้ ข้อมูลจากกล้องและไลดาร์ถูกสร้างขึ้นแบบเรียลไทม์ ซึ่งช่วยให้สแตกการขับขี่รับรู้เมืองเสมือนผ่านอินเทอร์เฟซเดียวกับที่ใช้บนถนนจริง และการเดินทางเสร็จสมบูรณ์แบบครบวงจร — รับคำเรียกแล้ว รับผู้โดยสารแล้ว ส่งผู้โดยสารถึงที่แล้ว — ครอบคลุมต้นทางและปลายทางใด ๆ แทนที่จะเป็นคลิปสถานการณ์แบบแยกส่วน

Baidu กล่าวว่าโมเดลนี้รองรับการทดสอบและการตรวจสอบระดับโลกของ Apollo Go อยู่แล้ว และอ้างอิงถึงการขับขี่จำลองประมาณ 100,000 กิโลเมตรต่อวัน ซึ่งถูกนำเสนอในเชิงว่าเทียบเท่าการทดสอบต่อเนื่องราวสามปีโดยรถที่ติดตั้งคนขับเพื่อความปลอดภัย ตัวเลขการดำเนินงานของ Apollo Go เองก็ถูกอ้างถึงควบคู่กัน ได้แก่ 28 เมือง เที่ยวเดินทางมากกว่า 23 ล้านเที่ยว ระยะทางขับขี่อัตโนมัติ 350 ล้านกิโลเมตร ซึ่งในจำนวนนี้มากกว่า 240 ล้านกิโลเมตรเป็นแบบไร้คนขับเต็มรูปแบบ ไม่มีการเผยแพร่จำนวนพารามิเตอร์ สถาปัตยกรรม ตาราง benchmark เปเปอร์ ไฟล์น้ำหนัก หรือราคา นี่คือการบรรยายสรุปขีดความสามารถเกี่ยวกับโครงสร้างพื้นฐานภายใน ไม่ใช่การเปิดตัวผลิตภัณฑ์

"Agentic" ในที่นี้หมายถึงสองสิ่งที่แตกต่างกัน

นี่คือกับดักในการเปรียบเทียบ และคุ้มค่าที่จะหยุดคิดให้ช้าลงสักหน่อย เพราะประกาศทั้งสองฉบับล้วนพึ่งพาถ้อยคำที่กำลังเป็นกระแสคำเดียวกัน

ใน WorldClaw เอเจนต์คือผู้สร้าง ผู้วางแผนที่ใช้โมเดลภาษาจะแยกพรอมต์ออกเป็นแผนฉาก เอเจนต์ด้านภาพจะตรวจสอบผลลัพธ์และออกคำสั่งแก้ไข ความฉลาดอยู่ในลูปการสร้างงาน และมันทำงานเพียงครั้งเดียวก่อนที่คุณจะโหลดฉากด้วยซ้ำ เมื่อเอ็กซ์พอร์ตเมชออกมาแล้ว เอเจนต์ก็หายไป โลกกลายเป็นเรขาคณิตที่นิ่งเฉย

ใน Apollo World เหล่าเอเจนต์คือผู้อยู่อาศัย ผู้วางแผนไม่ได้กำลังประกอบอะไรเลย — พวกเขากำลังขับรถคันอื่น เดินอยู่บนทางเท้า ตัดสินใจว่าจะหลบให้ทางหรือไม่ ระบบอัจฉริยะยังคงอยู่ตลอดระยะเวลาของการจำลอง และจุดประสงค์ทั้งหมดของมันคือทำให้โลกตอบสนองต่อสิ่งที่กำลังถูกทดสอบ ฉากที่หยุดนิ่งแต่มีผู้อยู่อาศัยที่ตอบสนองได้จะเป็นความขัดแย้งในหลักการของ WorldClaw และเป็นจุดสำคัญทั้งหมดในหลักการของ Apollo

ความแตกต่างนั้นยังอธิบายได้ด้วยว่าทำไมทั้งสองจึงรวมเข้าด้วยกันแบบตรงไปตรงมาได้ยาก การนำเมชของ WorldClaw ไปใส่ในโปรแกรมจำลองการขับขี่จะได้ฉากที่ดูดีแต่ไม่มีอะไรเคลื่อนไหวเลย การเพิ่มการจราจรที่ตอบสนองได้ให้กับฉาก WorldClaw หมายความว่าคุณต้องเขียนชั้นพฤติกรรมขึ้นมาเอง เฟรมเวิร์กทั้งสองแก้ปัญหาคนละครึ่งของปัญหาเดียวกัน และไม่มีตัวไหนมีอีกครึ่งที่เหลือมาให้พร้อม

ทั้งสองไม่พร้อมใช้งาน และไม่ใช่ด้วยเหตุผลเดียวกัน

WorldClaw มีเอกสารประกอบแต่ไม่สามารถเผยแพร่ได้ บทความอธิบายวิธีการอย่างละเอียดเพียงพอที่ทีมซึ่งมีทรัพยากรพร้อมจะนำไปสร้างใหม่ได้ และมีบุคคลภายนอกหลายรายได้สร้างเวอร์ชันบางส่วนขึ้นมา แต่ Tencent ยังไม่ได้เผยแพร่โค้ดหรือน้ำหนักโมเดล ข้อกำหนดให้ใช้ H20 สี่ตัวและการพึ่งพาชุดโมเดลที่ได้รับอนุญาตแยกจากกันหลายตัวยังหมายความว่าการเผยแพร่จะไม่ใช่การดาวน์โหลดแล้วใช้ได้ทันทีแม้จะเกิดขึ้นก็ตาม

{{1}}Apollo World{{/1}} ถูกนำไปใช้งานแล้วแต่ยังไม่เปิดให้บริการ {{2}}Baidu{{/2}} ระบุว่าใช้งานสำหรับ {{3}}Apollo Go{{/3}} และการเปิดเผยข้อมูลดังกล่าวไม่มีข้อกำหนดทางการค้า ไม่มีอินเทอร์เฟซ และไม่มีข้อบ่งชี้ว่ามีแผนจะเปิดให้เข้าถึงจากภายนอก ดังนั้นการเปรียบเทียบทั้งสองในแง่ความพร้อมใช้งานจึงไม่ใช่ "เปิด versus ปิด" แต่เป็น "ยังไม่เปิดตัว versus ใช้ภายใน" ซึ่งเป็นความแตกต่างที่สำคัญหากคุณกำลังรอทั้งสองอย่าง

สำหรับทีมที่ต้องการโลกภายในไตรมาสนี้ เส้นทางที่ปฏิบัติได้จริงคือไม่ใช่ทั้งสองอย่าง เครื่องเกมที่มีเครื่องมือสร้างฉากแบบโพรซีเยอร์ครอบคลุมครึ่งที่เป็นส่วนคงที่ โปรแกรมจำลองการขับขี่เชิงพาณิชย์ครอบคลุมครึ่งที่เป็นส่วนไดนามิก และโมเดลโลกวิดีโอแบบ open-weight ครอบคลุมครึ่งที่เป็นเดโมได้ไม่ดีนัก หากสิ่งที่คุณต้องการคือเซ็นเซอร์ OrcaRouter ไม่มี Apollo World หรือ Hunyuan3D WorldClaw — ทั้งสองไม่ใช่โมเดลที่เรียกใช้ได้ — แต่ขั้นตอนด้านภาษาและภาพที่ล้อมรอบไปป์ไลน์ฉากเป็นงาน API ทั่วไป และนั่นคือเลเยอร์ที่เราครอบคลุมจริง ๆ: คีย์เดียว มากกว่า 200 โมเดล คิดส่วนเพิ่ม 0% จากราคาตามรายการของผู้ให้บริการ และสลับสำรองอัตโนมัติเมื่อการเรียกเพื่อวางแผนหมดเวลาระหว่างการสร้าง

อันไหนคือแหล่งอ้างอิงที่ถูกต้องสำหรับปัญหาของคุณ

หากคุณกำลังสร้างเลเวลเกม ชุดข้อมูลสังเคราะห์ของพื้นที่ภายในอาคาร หรือฉากสำหรับการผลิตเสมือนจริง WorldClaw คือการออกแบบที่เกี่ยวข้องมากกว่า แม้ว่าคุณจะไม่สามารถรันมันได้ก็ตาม: การแยกส่วนสี่ขั้นตอน — การวางแผน ภูมิประเทศ วัตถุ และการปรับแต่งรายละเอียด — เป็นสถาปัตยกรรมที่สมเหตุสมผล และเอาต์พุตแบบเมชที่ระบุชัดเจนเป็นตัวเลือกที่ถูกต้องสำหรับสิ่งใดก็ตามที่ต้องแก้ไขในภายหลัง การขาดการประเมินเชิงปริมาณคือข้อควรระวังที่ต้องนำติดไปในการนำไปสร้างใหม่ทุกครั้ง “ดูดีกว่า SynCity” ไม่ใช่ข้อกำหนด

หากคุณกำลังตรวจสอบ driving stack อยู่ เกณฑ์ 2+3 ของ Apollo World ถือเป็นเอาต์พุตที่มีประโยชน์กว่า และวันนี้ก็ใช้เป็นเช็กลิสต์ได้แล้ว แม้ว่าตัวโมเดลจะยังใช้ไม่ได้ก็ตาม ลองถามผู้ขายซิมูเลเตอร์รายใดก็ได้เกี่ยวกับความเป็นเหตุเป็นผล การโต้ตอบ ความแม่นยำทางฟิสิกส์ ความคงอยู่ตลอดการรันระยะยาว และเวลาแฝงภายใต้ความซับซ้อนของฉาก ผู้ขายที่ไม่สามารถตอบคำถามเรื่องความคงอยู่ด้วยการวัด drift ได้ ก็กำลังขายเครื่องสร้างวิดีโอที่ติดป้ายว่าฟิสิกส์ให้คุณอยู่

สองสิ่งนี้น่าจะบรรจบกันในที่สุด ซิมูเลเตอร์ที่สามารถนำฉากที่แก้ไขได้และมีโครงสร้างดีจากเฟรมเวิร์กอย่าง WorldClaw เข้ามาใช้ได้ จะแก้ปัญหาคอขวดด้านคอนเทนต์ที่ทำให้การจำลองการขับขี่มีต้นทุนสูง ส่วนเครื่องสร้างระดับ WorldClaw ที่ทำให้ผู้อยู่อาศัยในฉากเคลื่อนไหวได้ จะเลิกสร้างไดโอรามา ยังไม่มีบริษัทใดประกาศงานลักษณะนี้ สำหรับตอนนี้ คำอธิบายที่ตรงไปตรงมาที่สุดคือ ตัวสร้างฉากที่ไม่มีโค้ด และผู้ตรวจการจราจรที่ไม่มีประตู และสิ่งเดียวที่ทั้งสองมีร่วมกันจริง ๆ คือคำหนึ่งคำ