Apollo World vs Hy-Nomas: พิกเซลที่ต้องแสดงผลถูกต้อง เซ็นเซอร์ที่ต้องแม่นยำ

ให้คนสองคนดูคลิปเดียวกันความยาวสิบวินาทีของรถที่กำลังแล่นเข้าสู่ทางแยก แล้วทั้งคู่จะเห็นตรงกันว่าดูไม่มีปัญหา แต่พอให้สแตกการวางแผนดู กลับมีเพียงเวอร์ชันเดียวที่ใช้งานได้ เพราะอีกเวอร์ชันมีคนเดินถนนที่เงาทอดผิดทิศ มีขอบถนนที่สูงเกินไป 40 เซนติเมตร และไม่มีสัญญาณตอบกลับจากลิดาร์เลย ช่องว่างนี้คือความแตกต่างทั้งหมดระหว่าง Apollo World กับ Hy-Nomas Hy-Nomas คือเวิลด์โมเดลวิดีโอเชิงโต้ตอบแบบเปิดน้ำหนักของ Tencent Hunyuan ซึ่งเป็นโมเดลขนาด 8 พันล้านพารามิเตอร์ที่สร้างวิดีโอ 720p จากพรอมป์ต์ข้อความและเส้นทางกล้อง เผยแพร่ภายใต้ Apache 2.0 ในปลายเดือนตุลาคม 2026 ส่วน Apollo World คือซิมูเลเตอร์ที่ขับเคลื่อนด้วยเอเจนต์ของ Baidu ซึ่งเปิดเผยเมื่อวันที่ 3 พฤศจิกายน 2026 โดยส่งข้อมูลสังเกตการณ์จากกล้องและลิดาร์ของเมืองเสมือนที่การจราจรตอบสนองต่อรถที่กำลังทดสอบ ตัวหนึ่งถูกตัดสินด้วยสายตา อีกตัวถูกตัดสินด้วยว่ารถขับเก่งขึ้นหรือไม่

ทั้งสองอย่างถูกเรียกว่า world model ได้อย่างสมเหตุสมผล มีเพียงตัวเดียวเท่านั้นที่ดาวน์โหลดได้ในช่วงบ่ายวันนี้ และมีเพียงอีกตัวหนึ่งเท่านั้นที่ถูกออกแบบมาเพื่อป้อนให้กับสแตกด้านการรับรู้ (perception stack) การแลกเปลี่ยนตรงนั้นแหละคือเนื้อหาของบทความนี้

กับดักแห่งความภักดี

โมเดลโลกวิดีโอปรับให้เหมาะสมกับสิ่งที่ผู้ชมจะยอมรับ นั่นไม่ใช่คำวิจารณ์ แต่เป็นวัตถุประสงค์ที่ถูกต้องสำหรับโมเดลสำหรับการสร้าง และเป็นเหตุผลว่าทำไม Hy-Nomas จึงสามารถสร้างการเดินชมถนนที่มันไม่เคยเห็นได้อย่างน่าเชื่อถือ แต่ความเป็นไปได้เชิงการรับรู้และความสอดคล้องเชิงกายภาพเป็นเป้าหมายที่แตกต่างกัน และทั้งสองสิ่งนี้แยกจากกันตรงจุดที่การขับขี่แบบอัตโนมัติต้องทำงานพอดี

โมเดลที่ถูกฝึกให้ทำนายเฟรมถัดไปจะเรียนรู้ว่ารถชะลอความเร็วใกล้ทางแยก และเงาทอดออกห่างจากแหล่งกำเนิดแสง มันไม่ได้เรียนรู้จากพิกเซลเพียงอย่างเดียวว่าระยะห่างระหว่างเส้นเครื่องหมายเลนสองเส้นคือ 3.5 เมตร พัลส์ไลดาร์สะท้อนกลับจากถนนเปียกด้วยความเข้มระดับหนึ่ง หรือคนเดินเท้าที่เริ่มก้าวออกมาแล้วไม่สามารถวาร์ปกลับไปที่ขอบถนนเมื่อรถ ego เบรก หากขอให้มันสร้างสตรีมข้อมูลเซนเซอร์ มันจะสร้างสิ่งที่ดูเหมือนสตรีมข้อมูลเซนเซอร์ คำถามที่ว่าตัวเลขในนั้นเป็นหน่วยเมตริกหรือไม่นั้นเป็นอีกคำถามหนึ่งที่วัตถุประสงค์การฝึกไม่เคยถามถึง

สื่อเปิดตัวของ Baidu ถูกสร้างขึ้นรอบข้อโต้แย้งนั้น Wang Liang หัวหน้าสถาปนิกของกลุ่มระบบขับขี่อัจฉริยะของ Baidu กล่าวบนเวทีว่า เวิลด์โมเดลไม่ควรเป็นจิตรกรที่ผลิตวิดีโอที่น่าประทับใจ แต่ควรเป็นผู้ตรวจสอบความปลอดภัยในการขับขี่ และเกณฑ์ประเมิน “2+3” ที่ตามมาก็เป็นตัวกรองอย่างชัดเจนสำหรับโมเดลที่ดูเหมือนถูกต้องแต่ไม่ได้ถูกต้องจริง ความเป็นเหตุเป็นผลและปฏิสัมพันธ์คือประตูด่าน ความแม่นยำทางกายภาพ ความต่อเนื่อง และประสิทธิภาพแบบเรียลไทม์คือคุณสมบัติที่ได้รับการให้คะแนน ไม่ว่าเกณฑ์นี้จะเป็นอะไรอีก มันคือคำอธิบายรูปแบบความล้มเหลวของเครื่องสร้างวิดีโอเมื่อนำไปใช้กับระบบขับขี่

Hy-Nomas ส่งอะไรจริง ๆ

Hy-Nomas เป็น diffusion transformer แบบ autoregressive ระดับเซกเมนต์ ไม่ใช่ตัวสร้างวิดีโอแบบช็อตเดียว มันสร้างเซกเมนต์ที่มีความยาวแปรผันโดยมีเงื่อนไขจากประวัติที่แคชไว้ ซึ่งเป็นวิธีที่มันรักษาความสอดคล้องต่อเนื่องขณะกล้องเคลื่อนที่: "ความทรงจำของโลก" คือ KV cache ที่ถูกส่งต่อมาและรีเฟรชเมื่อมีการสร้างเซกเมนต์ใหม่

• ขนาด — ประมาณ 8 พันล้านพารามิเตอร์ กระจายอยู่ทั่ว 54 บล็อก MMDiT แบบ dual-stream โดยมีขนาด hidden size 2,048

• อินพุต — ข้อความอิสระพร้อมเส้นทางการเคลื่อนที่ของกล้องแบบต่อเนื่อง โดยมีตัวช่วยปรับปรุงพรอมต์แบบไม่บังคับชื่อ Nomas-PE ซึ่งจะเขียนข้อความธรรมดาที่ไม่เป็นโครงสร้างใหม่ให้เป็นคำอธิบายภาพแบบ JSON ที่มีโครงสร้าง

• เอาต์พุต — 720 × 1280 ที่ 24 เฟรมต่อวินาที โดยใช้ตัวถอดรหัส PixelUMM ที่ปรับแต่งละเอียดบน latent ของ DCAE-V ในแปดขั้นตอนการลดสัญญาณรบกวนแบบดิสทิลล์

• เวต — tencent/Hy-Nomas บน Hugging Face ภายใต้ Apache 2.0 ประมาณ 196GB พร้อมโค้ดบน GitHub และเดโมที่โฮสต์ไว้

• ฮาร์ดแวร์ — การติดตั้งใช้งานเริ่มต้นต้องใช้ GPU แปดตัว มีเส้นทางสำหรับ RTX 4090 เดียวโดยใช้ DiT แบบ INT8 และ KV cache, ตัวถอดรหัส FP8 และ CPU offload ที่ประมาณ 38GB

รายงานทางเทคนิค arXiv 2610.36729 เผยแพร่เมื่อวันที่ 27 ตุลาคม 2026 และอธิบายกลไกที่ทำให้การโต้ตอบหลายรอบทำงานได้ นั่นคือ แคปชันแบบมีโครงสร้างถูกจัดแนวให้สอดคล้องกับรูปแบบความสนใจเชิงสาเหตุที่ตระหนักถึงการกระทำ ดังนั้นบริบทเชิงพรรณนาจึงคงอยู่ต่อเนื่องข้ามส่วน ขณะที่คำสั่งเกี่ยวกับการกระทำถูกจำกัดอยู่ในหน้าต่างที่คำสั่งนั้นถูกออก การประเมินใช้เกณฑ์มาตรฐาน 280 กรณีครอบคลุมสี่แทร็ก ได้แก่ ข้อความหลายรอบ การนำทางด้วยกล้อง ข้อความและกล้องที่สลับกัน และความจำเชิงพื้นที่ โดยมีการเปรียบเทียบแบบจับคู่โดยมนุษย์กับ Genie 3, LingBot-World v2 และ Happy Oyster Hy-Nomas ชนะในด้านการโต้ตอบและการทำตามพรอมต์ โดยมีอัตราการชนะที่รายงานไว้ประมาณ 65% ในการทำตามพรอมต์ และแพ้ Genie 3 ในด้านความจำเชิงพื้นที่ระยะยาว สิ่งเหล่านี้คือการเปรียบเทียบของผู้เขียนบนเกณฑ์มาตรฐานของผู้เขียน และเป็นข้อกล่าวอ้างที่ตรวจสอบได้มากที่สุดในบทความนี้ เพราะน้ำหนักโมเดลเปิดเผยต่อสาธารณะ

สิ่งที่ Apollo World ไม่ได้เผยแพร่

การเปิดเผยของ Apollo World เป็นการบรรยายสรุปขีดความสามารถ และการไม่เปิดเผยข้อมูลบางอย่างก็ให้ข้อมูลไม่แพ้ข้ออ้างต่าง ๆ ที่มีอยู่ ไม่มีจำนวนพารามิเตอร์ ไม่มีสถาปัตยกรรม ไม่มีเอกสารวิชาการ ไม่มีตาราง benchmark ที่ระบุ baseline เป็นชื่อ ไม่มี weights ไม่มี API และไม่มีราคา สิ่งที่ Baidu ระบุคือ โมเดลนี้กำลังสนับสนุนการทดสอบและตรวจสอบระดับโลกของ Apollo Go อยู่แล้ว ว่าสามารถครอบคลุมการขับขี่จำลองได้ประมาณ 100,000 กิโลเมตรต่อวัน — ซึ่งถูกนำเสนอว่าเทียบได้กับการทดสอบต่อเนื่องราวสามปีโดยรถที่ติดตั้งพนักงานขับเพื่อความปลอดภัย — และ Apollo Go ดำเนินงานใน 28 เมือง มีเที่ยวเดินทางมากกว่า 23 ล้านครั้ง ระยะทางขับขี่อัตโนมัติ 350 ล้านกิโลเมตร และระยะทางขับขี่แบบไร้คนขับเต็มรูปแบบมากกว่า 240 ล้านกิโลเมตร

ตัวเลข 100,000 กิโลเมตรเป็นตัวเลขที่ควรถือไว้หลวม ๆ เพราะเป็นตัวเลขที่บริษัทประกาศเองโดยไม่มีข้อมูลการวัดจากภายนอกมารองรับ และการเปรียบเทียบที่ตัวเลขนี้ตั้งอยู่บนนั้น — การที่รถทดสอบคันหนึ่งวิ่งต่อเนื่องเป็นเวลาสามปี — ขึ้นอยู่กับสมมติฐานระยะทางต่อปีที่ Baidu ไม่ได้ระบุไว้ นั่นไม่ได้ทำให้ตัวเลขนี้ผิด แต่ทำให้มันตรวจสอบยืนยันไม่ได้ ซึ่งเป็นคนละเรื่อง และเป็นสิ่งที่ควรรู้มากกว่า

ข้อกล่าวอ้างด้านการออกแบบนั้น ตรงกันข้าม มีความเฉพาะเจาะจงพอที่จะโต้แย้งได้ ผู้ร่วมจราจรทุกคนเป็นเอเจนต์ที่ตัดสินใจ ไม่ใช่ตัวประกอบที่ทำตามสคริปต์ กล้องและ lidar ถูกสร้างขึ้นแบบเรียลไทม์ การเดินทางปิดวงจรแบบ end to end ตั้งแต่คำสั่งซื้อที่ได้รับการยอมรับไปจนถึงผู้โดยสารที่ถูกส่งถึงปลายทาง ครอบคลุมต้นทางและปลายทางใดๆ ก็ได้ และทั้งหมดถูกจำกัดด้วยรอบการตัดสินใจที่หนึ่งในสามสิบของวินาที ประมาณ 33 มิลลิวินาที ซึ่งนั่นคือสิ่งที่ทำให้คุณสมบัติด้านความคงอยู่และความหน่วงเป็นส่วนที่รับน้ำหนักจริง ไม่ใช่แค่สิ่งประดับ

การนำเกณฑ์การประเมินของ Baidu เองมาใช้กับ Hy-Nomas

การทดลองที่น่าสนใจไม่ใช่การเปรียบเทียบทั้งสองในแง่การตลาด แต่คือการนำทรัพย์สินทั้งห้าของ Apollo World มาชี้ไปที่โมเดลที่มีอยู่จริง

ความเป็นเหตุเป็นผล: Hy-Nomas ผ่าน ในความหมายที่ Baidu หมายถึง มันเป็นแบบ autoregressive ข้ามส่วนต่าง ๆ และกำหนดเงื่อนไขจากประวัติ ดังนั้นอนาคตจึงถูกสร้างขึ้นจากปัจจุบัน แทนที่จะประกอบขึ้นแล้วเติมย้อนหลัง ความสามารถในการโต้ตอบ: บางส่วน มันตอบสนองต่อคำสั่งข้อความและการเคลื่อนกล้อง แต่สิ่งเหล่านั้นเป็นคำสั่งของผู้กำกับ ไม่ใช่การกระทำของเอเจนต์อื่น ไม่มีสิ่งใดในฉากตอบสนองต่อสิ่งอื่นใดในฉาก ความแม่นยำทางกายภาพ: ยังไม่ได้วัด และวัดไม่ได้จากงานที่เผยแพร่ ซึ่งประเมินเทียบกับความชอบของมนุษย์มากกว่าความจริงภาคพื้นดินเชิงเมตริก ความคงอยู่: นี่คือจุดอ่อนที่มีการบันทึกไว้ — ตัวบทความเองรายงานว่าเป็นรอง Genie 3 ด้านความจำเชิงพื้นที่ระยะยาว ซึ่งเป็นคุณสมบัติการเลื่อนลอย (drift) ที่ Baidu ระบุไว้พอดี เวลาจริง: 24 เฟรมต่อวินาทีในแปดขั้นตอนแบบกลั่น ถือว่าเร็วสำหรับโมเดล diffusion แต่การติดตั้งอ้างอิงใช้แปด GPU และงบประมาณ 33 มิลลิวินาทีไม่ได้อยู่ในวงสนทนาเดียวกัน

ไม่มีสิ่งใดในนั้นทำให้ Hy-Nomas เป็นโมเดลที่แย่ สิ่งนั้นทำให้มันเป็นเครื่องมือที่แตกต่างออกไป เมื่อพิจารณาในฐานะโลกวิดีโอแบบโต้ตอบ — สิ่งที่มันถูกสร้างขึ้นมาให้เป็น — มันสามารถแข่งขันกับสิ่งที่ดีที่สุดที่มีอยู่ได้ และมันเป็นแบบเปิด ซึ่งแทบไม่มีคู่แข่งรายใดเป็นเช่นนั้น เมื่อพิจารณาในฐานะโปรแกรมจำลองการขับขี่ มันล้มเหลวในสี่จากห้าข้อทดสอบของ Baidu และจะยังล้มเหลวเช่นนั้นแม้ค่าน้ำหนักจะดีขึ้นเป็นสองเท่า

ค่าใช้จ่ายในการรันแต่ละอย่าง

Hy-Nomas มีราคาที่คุณคำนวณได้ เวตนั้นฟรีภายใต้ Apache 2.0 ส่วนต้นทุนอยู่ที่เครื่อง โดย 4090 ตัวเดียวที่รันเส้นทางแบบควอนไทซ์ต้องใช้หน่วยความจำประมาณ 38GB เมื่อนับการออฟโหลดไปยัง CPU ด้วย และสร้างภาพ 720p ที่ 24 เฟรมต่อวินาที การติดตั้งอ้างอิงแบบแปด GPU คือเวอร์ชันที่ benchmarks อธิบายไว้ หากคุณกำลังสร้างคลิปสักไม่กี่ร้อยคลิปสำหรับคำถามวิจัย การ์ดใบเดียวก็เพียงพอ หากคุณกำลังสร้างคลังข้อมูลสำหรับฝึกโมเดล ค่าไฟคือค่าธรรมเนียมใบอนุญาต

Apollo World ไม่มีราคาที่คำนวณได้ เพราะไม่ได้มีไว้ขาย ข้อความเดียวที่ซื่อตรงคือ Baidu ไม่ได้เผยแพร่เงื่อนไขทางการค้าใด ๆ และการนำไปใช้งานที่อธิบายไว้ก็อยู่ภายในปฏิบัติการ robotaxi ของบริษัทเอง

สำหรับทีมที่สร้างระบบโดยใช้ตัวใดตัวหนึ่งในสองตัวนี้ คำถามเรื่องการกำหนดเส้นทางนั้นแยกจากคำถามเรื่องโมเดล ทั้ง Apollo World และ Hy-Nomas ไม่ได้อยู่ในแค็ตตาล็อกของ OrcaRouter — ตัวหนึ่งเป็นระบบภายในของ Baidu ส่วนอีกตัวเป็นโมเดลวิดีโอที่คุณโฮสต์เอง — และบทความนี้จะไม่แสร้งทำเป็นอย่างอื่น สิ่งที่เรามีให้คือเลเยอร์ที่ประเมินและจัดการการทำงานของเอาต์พุตประเภทนี้: ตัวตัดสินแบบ vision-language ที่ให้คะแนนคลิปที่สร้างขึ้น ตัววางแผนที่เปลี่ยนคำถามวิจัยให้เป็นชุดพรอมป์ต์ และโมเดลสำรองเมื่อโมเดลหลักถูกจำกัดอัตราการเรียกใช้ นั่นคือ API เดียวที่ครอบคลุมโมเดลกว่า 200 โมเดลด้วยมาร์กอัป 0% โดยส่งผ่านราคาตามรายการของผู้ให้บริการ ซึ่งสำคัญที่สุดเมื่อคุณรันการเรียกใช้ตัวตัดสินหลายพันครั้งกับเอาต์พุตของโมเดลขนาด 196GB

อันไหนที่ควรอยู่ในสแต็กของคุณ

หากคุณต้องการสำรวจสภาพแวดล้อมที่สร้างขึ้น ควบคุมกล้องให้เคลื่อนผ่านสภาพแวดล้อมนั้น และปรับแต่งฉากซ้ำแล้วซ้ำเล่าในเบราว์เซอร์ Hy-Nomas คือคำตอบที่ดีกว่าและพร้อมใช้งานแล้ว สัญญาอนุญาตแบบเปิดไม่ใช่แค่พิธีการ เพราะช่วยให้คุณปรับแต่งแบบละเอียด ควอนไทซ์ และส่งมอบผลิตภัณฑ์ได้ ซึ่งเป็นสิ่งที่พูดถึงโมเดลโลกแบบโต้ตอบส่วนใหญ่ไม่ได้ รวมถึงโมเดลที่มันเอาชนะได้ในด้านการทำตามพรอมต์

หากคุณกำลังตรวจสอบนโยบายการขับขี่ Hy-Nomas ไม่ใช่สิ่งทดแทนโปรแกรมจำลอง และจะไม่กลายเป็นสิ่งทดแทนเช่นนั้นด้วยการพรอมต์ที่ดีขึ้น การใช้ Apollo World อย่างเหมาะสมคือการใช้เป็นข้อกำหนด: เกณฑ์ 2+3 คือชุดคำถามที่คุณสามารถถามผู้ขายโปรแกรมจำลองรายใดก็ได้ และคำถามเรื่องความคงอยู่โดยเฉพาะ — การคลาดเคลื่อนในช่วงการรันสิบชั่วโมงเป็นเท่าใด — คือคำถามที่แยกแท่นทดสอบออกจากโชว์รีลสาธิต

จุดบรรจบที่น่าจับตาคือ world model แบบวิดีโอที่ปล่อยค่า metric depth และ lidar ควบคู่กับ RGB โดยเทรนด้วย loss ด้านความสอดคล้องทางกายภาพ ไม่ใช่ loss เชิงการรับรู้ ผู้เขียน Hy-Nomas กำลังกำหนดเงื่อนไขจากเส้นทางของกล้องในเชิงเรขาคณิตที่มีความหมายอยู่แล้ว การเพิ่ม sensor head คือก้าวต่อไปที่ชัดเจน และยังไม่มีใครตีพิมพ์มัน จนกว่าจะมีคนทำ การแบ่งแยกก็ยังชัดเจน: Hy-Nomas สร้างโลกที่คุณมองดูได้ Apollo World สร้างโลกที่รถยนต์สามารถถูกประเมินได้ และช่องว่างระหว่างสองประโยคนั้นคือที่ที่งานของปีหน้าจะอยู่