Genie 4 vs Hunyuan3D WorldClaw: วิดีโอของโลก หรือไฟล์เมชของโลก

สิ่งหนึ่งยื่นไฟล์ MP4 ให้คุณ ส่วนอีกสิ่งยื่นซีนกราฟให้คุณ นั่นคือการเปรียบเทียบทั้งหมด และทุกอย่างที่เหลือก็followsจากตรงนั้น Genie 4 เวิลด์โมเดลของ Google DeepMind ที่ประกาศเมื่อวันที่ 27 ตุลาคม 2026 สร้างโลกที่สมจริงระดับภาพถ่าย มีเสียง และบังคับทิศทางด้วยข้อความได้แบบเรียลไทม์ แล้วแสดงให้คุณเห็นเป็นวิดีโอ ส่วน Hunyuan3D WorldClaw ที่เผยแพร่โดยทีม Hunyuan3D ของ Tencent เมื่อเดือนสิงหาคม 2026 ผลิตเมชที่มีพื้นผิว ชัดเจน แก้ไขได้ทีละชิ้น ซึ่งคุณเปิดใน Unity หรือ Unreal และเก็บไว้ใช้ต่อได้ ถ้างานของคุณจบลงเมื่อช็อตได้รับการอนุมัติ Genie 4 คือสิ่งที่น่าประทับใจกว่า แต่ถ้างานของคุณเริ่มต้นเมื่อช็อตได้รับการอนุมัติ WorldClaw คือตัวเดียวในสองตัวนี้ที่ให้อะไรแก่คุณมาทำงานต่อ

ทั้งคู่เป็นผลงานวิจัยมากกว่าจะเป็นผลิตภัณฑ์ และทั้งคู่ก็ได้มายากกว่าที่เดโมของมันดูเหมือนจะบอกไว้ แต่ทั้งคู่ล้มเหลวคนละทิศทาง และการรู้ว่าคุณอยู่กับความล้มเหลวแบบไหนได้คือหัวใจของการตัดสินใจทั้งหมด

การทดสอบผลงานที่ส่งมอบ

ถามว่าอะไรที่ยังคงอยู่รอดหลังจบเซสชัน แล้วช่องว่างนั้นก็จะกลายเป็นรูปธรรม

• เอาต์พุต — Genie 4 ส่งคืนเฟรมวิดีโอที่สร้างขึ้นพร้อมเสียงที่สร้างขึ้นซึ่งซิงโครไนซ์กัน; Hunyuan3D WorldClaw ส่งคืนเมช 3D ที่มีเท็กซ์เจอร์ พร้อมภูมิประเทศ วัสดุ และวัตถุที่วางไว้

• ความสามารถในการแก้ไข — Genie 4 แก้ไขได้ด้วยการพรอมต์แบบจำลองขณะที่มันทำงานอยู่ ส่วนเอาต์พุตของ WorldClaw นั้นแก้ไขในฐานะเรขาคณิต ภายในเครื่องมือสร้างโมเดล โดยมนุษย์หรือสคริปต์

• การใช้งานปลายน้ำ — เอาต์พุตของ Genie 4 ถูกนำไปใช้เป็นฟุตเทจ ส่วนของ WorldClaw ถูกนำไปใช้โดยเกมเอนจิน ตัวเรนเดอร์ หรือเครื่องจำลองทางกายภาพ

• ความแน่นอนในการทำซ้ำ (Determinism) — การรัน Genie 4 ไม่สามารถให้ผลซ้ำเดิมได้ทุกเฟรม ขณะที่ mesh คือไฟล์ที่คงสภาพเดิมเสมอ

• เสียง — มีมาในตัวบน Genie 4; ไม่ได้เป็นส่วนหนึ่งของไปป์ไลน์ของ WorldClaw

• การเข้าถึง — Genie 4 เป็นพรีวิวงานวิจัยแบบจำกัดการเข้าถึง; WorldClaw เป็นบทความที่มีรีโพซิทอรีซึ่งยังไม่มีโค้ดที่รันได้

มีเหตุผลอยู่ว่าโมเดลวิดีโอคือสิ่งที่กลายเป็นไวรัล ส่วนไปป์ไลน์เมชคือสิ่งที่ถูกนำไปใช้ในการผลิตจริง วิดีโอทำให้ใครก็เข้าใจได้ในห้าวินาที ส่วนเมชจะเข้าใจได้เฉพาะคนที่รู้ว่าตัวเองจะเอาไปทำอะไร และคนนั้นมักเป็นคนที่ถืองบประมาณอยู่

สี่ขั้นตอนของ WorldClaw ทำอะไรได้จริง

WorldClaw ไม่ใช่เครือข่ายเดียว แต่เป็นไปป์ไลน์แบบเอเจนต์ที่แยกย่อยคำสั่ง "สร้างโลกให้ฉันจากประโยคนี้" ออกเป็นสี่ขั้นตอน และการแยกย่อยนี้เองคือผลงานสำคัญ

ขั้นแรกคือการวิเคราะห์เจตนาและการวางแผนฉาก: เอเจนต์แบบจำลองภาษา (language-model agents) แปลงพรอมป์ต์แบบเปิดกว้างให้เป็นข้อกำหนดเชิงโครงสร้างที่ครอบคลุมภูมิภาค ภูมิประเทศ วัตถุ วัสดุ และความสัมพันธ์เชิงพื้นที่ ขั้นที่สองสร้างภูมิประเทศระดับโลก — แผนผังเค้าโครงเชิงความหมายพร้อมฟิลด์ความสูงที่รับรู้ภูมิภาค โดยกำหนดวัสดุและแอสเซ็ตตามแต่ละภูมิภาค ขั้นที่สามทำการสร้างวัตถุระดับภูมิภาค: คอมโพสิตสองมิติที่ปรับตามภูมิประเทศจะถูกแบ่งส่วน แต่ละอินสแตนซ์ถูกสร้างใหม่เป็นเมชที่มีเทกซ์เจอร์แยกกัน และเมชเหล่านั้นถูกวางบนภูมิประเทศ ขั้นที่สี่คือการปรับแต่งโดยอิงการเรนเดอร์: เอเจนต์ด้านภาพเรนเดอร์ฉากจากหลายมุมมอง ตรวจสอบผลลัพธ์เพื่อหาวัตถุลอย การทะลุกัน ข้อผิดพลาดด้านขนาดและท่าทาง แก้ไข และเรนเดอร์ใหม่ การประกอบเกิดขึ้นใน Blender ผ่าน Model Context Protocol

ลูปสุดท้ายนั่นแหละคือส่วนวิศวกรรมที่น่าสนใจ โมเดลเชิงกำเนิดที่มองไม่เห็นผลลัพธ์ของตัวเองก็เหมือนสล็อตแมชชีน ส่วนไปป์ไลน์ที่เรนเดอร์ ตรวจสอบ และแก้ไขนั้นคือกระบวนการ และขั้นตอนการแก้ไขคือแหล่งที่มาของคุณภาพที่รับรู้ได้เป็นส่วนใหญ่ในฉากขนาดใหญ่ เพราะรูปแบบความล้มเหลวของแอสเซ็ต 3D ที่จัดวางไว้นั้นเป็นเรื่องเรขาคณิตจึงตรวจพบได้ มากกว่าเป็นเรื่องสุนทรียศาสตร์ซึ่งจึงโต้แย้งได้

การตั้งค่าของงานวิจัยนี้เองคือสแต็กของโมเดลจากบุคคลที่สาม: Claude Opus 4.8 ทำหน้าที่ขับเคลื่อนเอเจนต์, GPT-Image-2 ร่วมกับ SAM3D สำหรับการแบ่งส่วนภาพ, Hunyuan3D สำหรับการสร้างแบบจำลองขึ้นใหม่ โดยทำงานบน GPU NVIDIA H20 จำนวนสี่ตัว ควรทำความเข้าใจ WorldClaw ในฐานะเลเยอร์ประสานงานเหนือตัวสร้างที่มีอยู่เดิม มากกว่าจะเป็นโมเดลสร้างสรรค์ใหม่ ซึ่งนี่คือทั้งจุดแข็งของมัน — มันพัฒนาขึ้นเมื่อส่วนประกอบต่าง ๆ พัฒนาขึ้น — และความเปราะบางของมัน เนื่องจากความเปลี่ยนแปลงใด ๆ ในพฤติกรรมของส่วนประกอบจะเปลี่ยนเอาต์พุตของไปป์ไลน์

ทำไม Mesh จึงมีมูลค่ามากกว่าวิดีโอ และมีต้นทุนสูงกว่า

วิดีโอของโลกหนึ่งคือคำกล่าวอ้างเกี่ยวกับโลกหนึ่ง เมชคือตัวโลก หรืออย่างน้อยก็มากพอที่จะเริ่มสร้าง ความแตกต่างนั้นปรากฏในงานปลายน้ำทุกงาน ไม่ว่าจะเป็นการชน การบดบัง แสง ฟิสิกส์ การออกแบบเลเวล และงานธรรมดา ๆ อย่างการย้ายอาคารหนึ่งหลังไปทางซ้ายสองเมตรเพราะแนวสายตาผิด

ไม่มีการดำเนินการใดในเหล่านั้นที่ทำได้กับเอาต์พุตของ Genie 4 คุณสามารถพรอมต์ให้การจำลองเปลี่ยนแปลงได้ และมันจะสร้างชุดเฟรมใหม่ซึ่งอาจเคารพหรือไม่เคารพข้อจำกัดที่คุณมีอยู่ในใจก็ได้ และการเปลี่ยนแปลงนั้นจะไม่คงอยู่เกินหน้าต่างความสอดคล้องสองนาทีที่ DeepMind ระบุ โมเดลไม่ได้แสร้งทำเป็นอย่างอื่น กรณีการใช้งานที่ระบุไว้ได้แก่ การสร้างภาพล่วงหน้า การทำต้นแบบ และการฝึกหุ่นยนต์ ซึ่งทั้งหมดล้วนใช้โลกเป็นวัตถุดิบมากกว่าจะต่อยอดสร้างบนโลกเหล่านั้น

ต้นทุนของแนวทางของ WorldClaw ก็ชัดเจนไม่แพ้กัน สี่ขั้นตอน หลายเอเจนต์ ตัวเรนเดอร์ภายนอก และการวนไปกลับกับ Blender หมายความว่าต้องใช้เวลาหลายนาทีถึงหลายชั่วโมงต่อหนึ่งโลก แทนที่จะเป็นวินาที และไปป์ไลน์อาจล้มเหลวได้ในทุกขั้นตอน — ข้อผิดพลาดในการแบ่งส่วนจะส่งผลต่อไปยังวัตถุที่วางผิดตำแหน่ง ซึ่งขั้นตอนการปรับแต่งอาจแก้ไขหรืออาจไม่แก้ก็ได้ รูปแบบความล้มเหลวของ Genie 4 นุ่มนวลกว่า: รายละเอียดที่ค่อย ๆ เพี้ยนนั้นน่ารำคาญ แต่อาคารที่ลอยอยู่คือระบบที่พัง

ความพร้อมใช้งานของทั้งสองฝ่ายนั้นแย่กว่าที่เดโมบ่งบอก

ทั้งสองโมเดลไม่ใช่สิ่งที่คุณจะนำมาใช้ได้ในไตรมาสนี้ และเหตุผลก็แตกต่างกัน

Genie 4 เป็นพรีวิวเพื่อการวิจัยสำหรับผู้ทดสอบที่ได้รับความไว้วางใจ Google กล่าวว่าผู้สมัครสมาชิก AI Ultra จะได้รับผ่าน Project Genie และพันธมิตรที่มีสิทธิ์เข้าถึงก่อนจะเข้าถึงได้ผ่าน Gemini API และ Google AI Studio "ในอีกไม่กี่สัปดาห์ข้างหน้า" มีรายชื่อรอ ไม่มีราคา ไม่มีการเผยแพร่ความละเอียดหรืออัตราเฟรม และไม่มีเงื่อนไขทางการค้า

WorldClaw ยังห่างไกลจากการใช้งานได้จริงในแง่หนึ่งโดยเฉพาะ: รีโพซิทอรีที่ Tencent-Hunyuan/Hunyuan3D-WorldClaw มีเพียง README และ assets ไม่มีโค้ด คำขอโค้ดยังไม่ได้รับการตอบกลับ ไม่มี weights ไม่มี API และไม่มีราคา สิ่งที่มีอยู่คือ paper ประกาศ และชุดเดโม

ดังนั้น สำหรับผู้ปฏิบัติงานในปลายเดือนตุลาคม 2026 การเปรียบเทียบจึงอยู่ระหว่างรายการรอกับคลังเก็บโค้ดที่ยังรันไม่ได้ นั่นไม่ใช่การตำหนิทีมใดทีมหนึ่ง — เปเปอร์มาก่อนการเปิดตัว — แต่หมายความว่าบทความใดก็ตามที่บอกให้คุณ "เลือก" ระหว่างสองสิ่งนี้ กำลังอธิบายถึงการจัดหาในอนาคต ไม่ใช่การจัดหาในปัจจุบัน

สิ่งที่ส่วนการประเมินบอกคุณ

เปเปอร์ของ WorldClaw ประเมินผลลัพธ์ผ่านการเปรียบเทียบเชิงคุณภาพแบบเคียงข้างกับ SynCity, WorldGen ของ Meta, MajutsuCity และ Marble ของ World Labs ไม่มีคะแนน FID หรือ CLIP และไม่มีการศึกษาผู้ใช้ นั่นเป็นข้อจำกัดจริงและก็ตรงไปตรงมาเช่นกัน: คุณภาพของฉาก 3D ขนาดใหญ่เป็นสิ่งที่ให้คะแนนได้ยากจริง ๆ และตัวชี้วัดเชิงปริมาณที่ให้รางวัลกับแกนหนึ่งจะทำให้แกนอื่น ๆ ถูกนำเสนอผิดไป

การเปิดตัว Genie 4 ไม่ได้เผยแพร่เบนช์มาร์กใด ๆ เลย — ไม่มีการเปรียบเทียบกับ Genie 3 นอกเหนือจากหน้าต่างความสอดคล้องที่เพิ่มขึ้นเป็นสองเท่า ไม่มีความละเอียดของภาพ ไม่มีอัตราเฟรม ทั้งสองฝ่ายไม่ได้ให้ตัวเลขใดแก่บุคคลภายนอกเพื่อตรวจสอบ ในหมวดหมู่ที่ผู้ขายทุกรายต่างแสดงเดโมที่คัดสรรมาแล้ว การไม่มีผลการวัดคือสภาวะร่วม และสิ่งนี้ควรทำให้ข้อสรุปที่มั่นใจใด ๆ ที่คุณอ่านพบไม่ว่าที่ใด รวมถึงที่นี่ ลดความมั่นลง

ที่ซึ่งตัวไปป์ไลน์เองกลายเป็นผลิตภัณฑ์

ส่วนของ WorldClaw ที่ควรค่าแก่การนำไปลอกเลียนไม่ใช่การสร้าง 3D — นั่นเป็นเพียงกลุ่มของคอมโพเนนต์ — แต่เป็นรูปแบบ: วางแผนด้วยโมเดลภาษา สร้างด้วยผู้เชี่ยวชาญเฉพาะทาง ตรวจสอบด้วยโมเดลวิชัน ซ่อมแซม ทำซ้ำ รูปแบบนั้นกำลังถูกสร้างใหม่ในขณะนี้ในทุกสตูดิโอที่ต้องการการสร้างโลกที่ควบคุมได้ และมันเป็นปัญหาด้านการประสานงานเกือบทั้งหมด

นี่คือจุดที่คำถามเรื่องโครงสร้างพื้นฐานเข้ามาเกี่ยวข้อง ไพป์ไลน์รูปแบบนั้นเรียกโมเดลหลายสิบครั้งต่อหนึ่งโลก ครอบคลุมอย่างน้อยสาม modality และความล้มเหลวของการเรียกใดครั้งหนึ่งทำให้การรันหยุดชะงัก การรันผ่าน endpoint เดียวที่มี automatic failover หมายความว่าผู้ให้บริการที่หยุดตอบจะกลายเป็นการลองใหม่แทนงานที่สูญหาย และ routing DSL ช่วยให้คุณตรึงโมเดลราคาแพงไว้กับขั้นวางแผน และใช้โมเดลที่ถูกกว่ากับรอบตรวจสอบทีละออบเจ็กต์ ซึ่งเป็นจุดที่ token ส่วนใหญ่ถูกใช้ไป นั่นคือเลเยอร์ที่เราสร้าง — API เดียวครอบคลุมโมเดลกว่า 200 รายการ ส่งต่อราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% — และตั้งใจให้เป็น model-agnostic เพราะคอมโพเนนต์ภายใต้ไพป์ไลน์อย่างของ WorldClaw จะถูกเปลี่ยนหลายครั้งก่อนที่ตัวไพป์ไลน์เองจะลงตัว

จะดูอันไหนดี

หากคุณผลิตภาพยนตร์ สร้างต้นแบบ หรือพัฒนาสภาพแวดล้อมการฝึกอบรม และต้องการบางสิ่งภายในไตรมาสนี้ ให้ติดตามประกาศการเข้าถึงของ Genie 4 และสร้างต้นแบบเครื่องมือโดยรอบกับโมเดลที่คุณเรียกใช้ได้อยู่แล้ว ความสามารถด้านเสียงและการควบคุมทิศทางภาษาเป็นสิ่งที่ไม่มีในตัวเลือกอื่นใดในการเปรียบเทียบนี้ และข้อจำกัดเพดานสองนาทีเป็นข้อจำกัดที่คุณสามารถออกแบบโดยคำนึงถึงได้

ถ้าคุณทำเกม ทำ simulation หรือทำอะไรก็ตามที่ส่งมอบเป็นแอสเซ็ต รูปแบบของ WorldClaw คือสิ่งที่สำคัญสำหรับคุณ แม้ว่าโค้ดของมันจะยังไม่มีอยู่จริงก็ตาม ในวินาทีที่ Tencent เปิดตัวมัน ไปป์ไลน์ที่ส่งออก mesh ที่แก้ไขได้เข้าสู่เอนจินเกมจะมีค่ามากกว่าวิดีโอสวย ๆ พันคลิป เพราะวิดีโอคือจุดสิ้นสุดของงาน ส่วน mesh คือจุดเริ่มต้นของมัน