Genie 4 กับ HY-Nomas: โลกที่ดีกว่าถูกปิด แต่โลกที่ดาวน์โหลดได้ไม่ได้ถูกปิด

ด้วยขนาดราว 196 กิกะไบต์ คุณสามารถเป็นเจ้าของเวิลด์โมเดลได้แบบขาด ซึ่งเป็นขนาดของชุดเช็กพอยต์ HY-Nomas ทั้งชุด ที่ทีม Hunyuan ของ Tencent เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 เมื่อวันที่ 23 ตุลาคม 2026 โดยมีน้ำหนักโมเดลบน Hugging Face และโค้ดบน GitHub สี่วันต่อมา Google DeepMind ประกาศ Genie 4 — เวิลด์โมเดลที่ดีกว่าเมื่อวัดด้วยตัวชี้วัดเชิงคุณภาพส่วนใหญ่ มีเสียงแบบเนทีฟและหน้าต่างความสอดคล้องสองนาที แต่ไม่เปิดให้ใครนอกจากผู้ทดสอบที่เชื่อถือได้และรายชื่อรอ ระหว่างข้อเท็จจริงสองข้อนี้คือการตัดสินใจที่ปฏิบัติได้จริงที่สุดในด้านการสร้างเวิลด์โมเดลในตอนนี้: จะเลือกโมเดลที่แข็งแกร่งกว่าซึ่งคุณไม่มีทางได้มา หรือโมเดลที่อ่อนกว่าซึ่งคุณรันได้คืนนี้

การเปรียบเทียบนี้ไม่ใช่การเปรียบเทียบคุณภาพระหว่าง Genie 4 กับ HY-Nomas จริง ๆ แต่เป็นการเปรียบเทียบระหว่างท่าทีสองแบบต่อปัญหาเดียวกัน และช่องว่างของคุณภาพคือราคาที่ต้องจ่ายสำหรับท่าทีนั้น การเข้าใจว่าคุณกำลังจ่ายอะไร และจ่ายด้วยสิ่งใด คือประเด็นของบทความนี้

Apache 2.0 ให้อะไรกับคุณจริง ๆ

HY-Nomas เผยแพร่ในรูปแบบน้ำหนักโมเดล ไม่ใช่ในรูปแบบบริการ โดยเช็กพอยต์หลักอยู่บน Hugging Face ในชื่อ tencent/Hy-Nomas พร้อมตัวแปรที่เข้ากันได้กับ Diffusers อยู่เคียงข้างกัน และรีโพซิทอรีมีสูตรการฟайнทูน LoRA พร้อมอะแดปเตอร์สองตัว — ตัวหนึ่งสำหรับงานกล้องแบบภาพยนตร์ อีกตัวสำหรับฟุตเทจสไตล์หุ่นยนต์

ส่วนสุดท้ายนั้นสมควรได้รับการเน้นย้ำ เพราะไม่มีโมเดลโลกแบบปิดใดมอบสิ่งนี้ให้ได้ หากคุณปรับแต่งโมเดลด้วยฟุตเทจของคุณเองได้ คุณก็สามารถผลักโมเดลให้เข้าใกล้โดเมนของคุณได้ ทั้งภาษาภาพของกล้องในสตูดิโอของคุณ ลักษณะเฉพาะของเซนเซอร์ในหุ่นยนต์ของคุณ และทิศทางศิลปะของเกมคุณ Genie 4 ไม่ว่าขีดความสามารถสูงสุดของมันจะเป็นเช่นไร ก็จะสร้างสิ่งที่ Google ฝึกมันมาให้สร้าง และคันโยกเดียวที่คุณมีคือพรอมป์ตข้อความ สำหรับทีมที่โมเดลโลกของตนเป็นสินทรัพย์เชิงแข่งขันมากกว่าเป็นเพียงเครื่องมือ ความแตกต่างนั้นมีน้ำหนักมากกว่าความประณีตทางภาพมากมาย

สัญญาอนุญาตก็สำคัญเช่นกัน Apache 2.0 เปิดกว้างพอสำหรับการนำไปใช้เชิงพาณิชย์โดยไม่ต้องเจรจา ซึ่งเป็นสิ่งที่พูดแบบเดียวกันกับ Genie 4 ไม่ได้ เพราะเงื่อนไขเชิงพาณิชย์ของ Genie 4 ยังไม่ได้รับการเผยแพร่เลยแม้แต่น้อย

หกสิบวินาทีกับสองนาที

โมเดลทั้งสองสร้างโลกแบบอินเทอร์แอกทีฟ ทั้งสองสร้างด้วยวิธีที่แตกต่างกัน และความแตกต่างนั้นเป็นตัวกำหนดว่าควรอ่านค่าตัวเลขระยะเวลาอย่างไร

Genie 4 เป็นโมเดลโลกแบบเรียลไทม์: มันเรนเดอร์ภาพขณะที่คุณบังคับทิศทาง รักษาฉากหนึ่งไว้ได้ราวสองนาที และสร้างเสียง — เสียงบรรยากาศ ดนตรี บทสนทนา — ได้ในตัวภายในรอบการประมวลผลเดียวกัน คุณเปลี่ยนสภาพอากาศได้เพียงพิมพ์บอก DeepMind เองก็ยอมรับข้อจำกัดไว้ว่า รายละเอียดและความคงอยู่ของวัตถุจะค่อย ๆ คลาดเคลื่อนเมื่อรันเป็นเวลานานขึ้น โดยเฉพาะหลังจากแก้ไขพรอมต์ที่ซับซ้อนซ้ำหลายครั้ง

HY-Nomas สร้างวิดีโอเป็นส่วนๆ ต่อเนื่องกัน แทนที่จะเป็นไฟล์คงที่ไฟล์เดียว และคุณควบคุมมันทีละเทิร์นด้วยพรอมป์ข้อความและเส้นทางการเคลื่อนกล้อง แคช KV แบบ lifelong จะรักษาความสอดคล้องของโลกไว้ตลอดหลายเทิร์นเหล่านั้น ขีดจำกัดสูงสุดที่ระบุไว้คือการสร้างวิดีโอได้ประมาณหกสิบวินาทีที่ 720×1280 และ 24 เฟรมต่อวินาที โดยใช้ขั้นตอน denoising แปดขั้นในการกำหนดค่าแบบ distilled และยังรองรับสี่และหกขั้นด้วย

ดังนั้นการเปรียบเทียบที่ตรงไปตรงมาจึงไม่ใช่หกสิบวินาทีกับหนึ่งร้อยยี่สิบวินาที แต่เป็นการสร้างทีละช่วงแบบผลัดกัน กับการเรนเดอร์แบบเรียลไทม์อย่างต่อเนื่อง Genie 4 มอบโลกที่ตอบสนองขณะคุณอยู่ภายในโลกนั้น ส่วน HY-Nomas มอบโลกที่ดำเนินไปทีละช่วงตามที่กำหนดไว้ ซึ่งเป็นวิธีทำงานที่ช้ากว่าและควบคุมได้มากกว่ามาก — แต่ละช่วงคือการตัดสินใจที่คุณตรวจสอบได้ก่อนจะยืนยันไปยังช่วงถัดไป

ภายใต้กลไกภายใน ทั้งสองมีความแตกต่างเชิงสถาปัตยกรรมในลักษณะที่อธิบายพฤติกรรมได้ {{1}}HY-Nomas{{/1}} เป็น diffusion transformer — บล็อก MMDiT แบบ dual-stream จำนวนห้าสิบสี่บล็อก ตัวเข้ารหัสข้อความ {{2}}Qwen2.5-VL-7B-Instruct{{/2}} latent {{3}}DCAE-V{{/3}} และตัวถอดรหัส {{4}}PixelUMM{{/4}} ที่ผ่านการปรับแต่งละเอียด ด้วยพารามิเตอร์ราวแปดพันล้านตัวจากการอนุมานจากเช็กพอยต์ที่เผยแพร่ ไม่ใช่จากแถลงการณ์อย่างเป็นทางการ นั่นคือโมเดลขนาดใหญ่ที่สร้างคลิปวิดีโอ {{5}}Genie 4{{/5}} เป็นตัวจำลองแบบเรียลไทม์ซึ่งภายในนั้น {{6}}Google{{/6}} ยังไม่ได้อธิบายด้วยรายละเอียดใดที่เทียบเคียงได้ โดยจับคู่กับโมเดล {{7}}Gemini{{/7}} ที่ยึดลักษณะที่ปรากฏเป็นฐานและนำทางการวนซ้ำ

ฟีเจอร์ที่ Genie 4 มี แต่ไม่มีใครอื่นมี

เสียง Genie 4 เป็นเวิลด์โมเดลตัวแรกของ DeepMind ที่สร้างเสียงได้โดยตรง และ ณ เวลาที่เขียนนี้ ยังไม่มีเวิลด์โมเดลแบบเปิดน้ำหนักใดในการเปรียบเทียบนี้ — รวมถึง HY-Nomas — ที่กล่าวอ้างได้เทียบเท่า มันสร้างเสียงรอบข้าง ดนตรี และบทสนทนาแบบโต้ตอบที่ตัวละครตอบสนองต่อสิ่งที่เกิดขึ้นในฉาก

การที่สิ่งนั้นจะชี้ขาดหรือไม่นั้นขึ้นอยู่กับการใช้งานของคุณโดยสิ้นเชิง สำหรับการพรีวิชวลไลเซชันภาพยนตร์ มันใกล้เคียงกับการชี้ขาด: ช็อตที่ไม่มีเสียงคือครึ่งหนึ่งของช็อต และการสร้างภูมิทัศน์เสียงใหม่ตั้งแต่ต้นให้เข้ากับจังหวะเวลาของคนอื่นคือส่วนหนึ่งของการพรีวิชที่ไม่มีใครชอบ สำหรับการจำลองหุ่นยนต์ มันคือรูปแบบการรับข้อมูลที่ขาดหายไปซึ่งจำกัดสิ่งที่สภาพแวดล้อมสามารถสอนได้ สำหรับสตูดิโอเกมที่สร้างฟุตเทจเพลตฉากหลัง มันเป็นเพียงความสะดวก

และสำหรับทุกคนแล้ว มันยังไม่ได้รับการวัดผล Google ไม่ได้เผยแพร่เกณฑ์มาตรฐานด้านเสียง ไม่มีการวัดค่าการซิงโครไนซ์ และวิศวกรของบริษัทเองก็ยอมรับว่าความแม่นยำด้านเสียงยังไม่ได้ถูกแก้ไขให้สำเร็จ ข้อกล่าวอ้างนั้นมีอยู่จริง และหลักฐานก็เป็นเพียงรีลสาธิต

ค่าใช้จ่ายฮาร์ดแวร์ที่คำนวณออกมาแล้ว

นี่คือจุดที่โมเดลเปิดหยุดเป็นของฟรี และเริ่มกลายเป็นรายจ่ายฝ่ายทุน

• การติดตั้งใช้งานแบบเริ่มต้น — HY-Nomas ได้รับการออกแบบมาสำหรับ GPU จำนวนแปดตัว นั่นคือเซิร์ฟเวอร์ ไม่ใช่เวิร์กสเตชัน

• เส้นทางแบบ GPU เดียว — คอนฟิกูเรชันที่มีเอกสารกำกับสามารถทำงานบน RTX 4090 หนึ่งการ์ด โดยใช้น้ำหนัก INT8 สำหรับทรานส์ฟอร์เมอร์แบบดิฟฟิวชัน ตัวถอดรหัส FP8 การออฟโหลดไปยัง CPU และบัฟเฟอร์ประวัติแบบจำกัดขนาด

• ดิสก์ — ชุดเช็กพอยต์แบบเต็มใช้พื้นที่ราว {{1}}196 GB{{/1}} ส่วนเส้นทางแบบใช้หน่วยความจำต่ำต้องใช้ประมาณ 38 GB บวกกับเท็กซ์ต์เอนโคเดอร์

• Throughput — เอาต์พุตหกสิบวินาทีไม่ใช่การประมวลผลหกสิบวินาที การทำ Diffusion ด้วยขั้นตอนการขจัดสัญญาณรบกวนแปดขั้นในบล็อกทรานส์ฟอร์เมอร์ห้าสิบสี่บล็อก หมายความว่าการสร้างต้องวัดเป็นนาทีต่อเซกเมนต์ และ Tencent ยังไม่ได้เผยแพร่ตัวเลขความหน่วง

• Genie 4 — ไม่มีข้อกำหนดฮาร์ดแวร์ที่เผยแพร่ ไม่มีเวลาแฝงที่เผยแพร่ และไม่มีราคาที่เผยแพร่ การเข้าถึงคือการสมัครสมาชิก Google AI Ultra ผ่าน Project Genie หรือข้อตกลงพันธมิตรแบบเข้าถึงก่อนกำหนด

ลองคำนวณกันอย่างตรงไปตรงมา แล้วเส้นทาง 4090 ก็คือเครื่องสำหรับงานวิจัย ไม่ใช่เครื่องสำหรับงานโปรดักชัน: มันจะผลิตเซกเมนต์ออกมาได้ ช้า ๆ และมีความจำที่เสื่อมถอยลงเมื่อลำดับยาว ซึ่งเป็นข้อแลกเปลี่ยนที่บัฟเฟอร์ประวัติแบบจำกัดขนาดสร้างขึ้นมาพอดี ส่วนเส้นทางแปด GPU ให้ทรูพุตที่ใช้งานได้จริง และมีต้นทุนเท่ากับ GPU ในดาต้าเซ็นเตอร์แปดตัว ก่อนที่คุณจะเริ่มนับค่าไฟและคนที่ต้องคอยดูแลให้มันทำงานอยู่ตลอด

นั่นคือเหตุผลว่าทำไมการเปรียบเทียบกับ API แบบโฮสต์จึงไม่ใช่เรื่องอัตโนมัติ หากปริมาณของคุณมีเพียงไม่กี่ร้อยเซกเมนต์ต่อเดือน การรัน GPU แปดตัวเพื่อให้บริการสิ่งเหล่านั้นเป็นการใช้เงินทุนที่ไม่คุ้มค่า และคำตอบที่ถูกต้องคือ API — ของเราหรือของใครก็ตาม — ที่คิดราคาต่อการเรียกและไม่มีค่าใช้จ่ายฝั่งทุน (capex) หากปริมาณของคุณต่อเนื่อง หรือข้อมูลของคุณออกจากเครือข่ายของคุณไม่ได้ การดาวน์โหลด 196 GB ถือเป็นข้อเสนอที่คุ้มค่าซึ่งไม่มีบริการแบบโฮสต์ใดเทียบได้ นั่นคือการตัดสินใจที่แท้จริง และไม่เกี่ยวอะไรกับว่าโมเดลไหนสวยงามกว่ากัน

สองเบนช์มาร์ก คะแนนเป็นศูนย์

{{1}}HY-Nomas{{/1}} เปิดตัวสิ่งที่เรียกว่า {{2}}Hy-Nomas-Bench{{/2}}: กรณีทดสอบ 280 กรณี พร้อมเส้นทางการเคลื่อนที่ของกล้องอ้างอิงประมาณ 220 เส้นทาง มันเป็นชุดทดสอบประเมินผลจริง และ ณ เวลาที่เปิดตัว ยังไม่มีผลลัพธ์ที่เผยแพร่ มีการระบุว่ารายงานทางเทคนิคกำลังจะเผยแพร่ในภายหลัง

Genie 4 ไม่มีสิ่งที่เทียบเท่า Google ไม่ได้เผยแพร่ชุดการทดสอบมาตรฐาน ไม่มีการเปรียบเทียบเชิงตัวเลขกับ Genie 3 นอกเหนือจากหน้าต่างความสอดคล้องที่เพิ่มเป็นสองเท่า และไม่มีการระบุความละเอียดหรืออัตราเฟรมเลย

ทั้งสองฝ่ายจึงต่างขอให้ตัดสินจากฟุตเทจเดโม ในสถานการณ์แบบนั้น ตัวตัดสินควรเป็นความสามารถในการทำซ้ำ และมันไม่ใช่เรื่องใกล้เคียงเลย: คุณสามารถดาวน์โหลด HY-Nomas รัน Hy-Nomas-Bench ด้วยตัวเอง และเผยแพร่ตัวเลขได้ แต่คุณทำแบบนั้นกับ Genie 4 ไม่ได้ และหากคุณเป็นทีมประเภทที่ต้องมีตัวเลขก่อนตัดสินใจ โมเดลแบบปิดไม่ใช่แค่ไม่สะดวก — มันตัดสิทธิ์ไปเลย

สิ่งที่เราจะแนะนำจริง ๆ

หากคุณต้องการโลกที่สมจริงที่สุดเท่าที่มีอยู่ และงานของคุณเป็นการสำรวจ — pre-vis, concepting, การจำลองระดับต้นแบบ — Genie 4 คือความสามารถที่แข็งแกร่งกว่า และคุณควรเข้าร่วมรายการรอและออกแบบโดยอิงกับช็อตความยาวสองนาที แค่ระบบเสียงอย่างเดียวก็ทำให้มันอยู่ในระดับที่แตกต่างจากทุกสิ่งที่เป็นโอเพนเวต และสถาปัตยกรรมแบบ Gemini-in-the-loop หมายความว่ามันสามารถขับเคลื่อนได้โดยเอเจนต์แทนที่จะทำด้วยมือ

หากคุณต้องการเวิลด์โมเดลที่คุณเป็นเจ้าของได้ ปรับแต่งละเอียดได้ ตรวจสอบได้ ฝังในผลิตภัณฑ์ได้ หรือรันได้โดยไม่ต้องส่งข้อมูลให้ผู้ขาย HY-Nomas คือตัวเลือกเดียวในการเปรียบเทียบนี้ และเป็นตัวเลือกที่มีความสามารถจริง ๆ โดยมี Apache 2.0 เส้นทางใช้งานบน 4090 การ์ดเดียว การควบคุมกล้อง อะแดปเตอร์สำหรับหุ่นยนต์ และชุดการประเมินที่เผยแพร่แล้ว คุณกำลังแลกความสมจริงระดับภาพถ่ายและเสียง เพื่อแลกกับความสามารถในการควบคุมและความสามารถในการทำซ้ำ และสำหรับงานวิศวกรรมหลายประเภท การแลกเปลี่ยนนี้คือสิ่งที่ถูกต้อง

สแตกโดยรอบคือจุดที่ทั้งสองบรรจบกัน ไม่ว่าคุณจะเลือกโมเดลใด มันจะอยู่ภายในลูปของเอเจนต์ — ต้องมีอะไรบางอย่างเขียนพรอมป์ เลือกเส้นทางกล้อง ตรวจสอบเซกเมนต์ และตัดสินใจว่าจะสร้างใหม่หรือไม่ ลูปนั้นประกอบขึ้นจากการเรียกโมเดลภาษาและโมเดลวิสัยทัศน์ธรรมดา ๆ และนั่นคือจุดที่เราเตอร์พิสูจน์คุณค่า: API เดียวครอบคลุมโมเดลกว่า 200 รายการ การสลับอัตโนมัติเมื่อเกิดข้อขัดข้อง เพื่อให้ผู้ให้บริการที่หยุดชะงักกลายเป็นการลองใหม่แทนงานเรนเดอร์ที่สูญหาย และราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยไม่บวกเพิ่ม 0% เพื่อให้การลดราคาจากผู้ขายมาถึงคุณในวันที่ประกาศ โมเดลโลกคือส่วนที่แพงและเปลี่ยนแปลงช้าของสแตกคุณ ทุกสิ่งรอบตัวมันควรเป็นตรงกันข้าม

หกเดือนก่อน คำถามที่น่าสนใจคือโมเดลโลกแบบเปิดจะแข่งขันได้เลยหรือไม่ HY-Nomas ตอบว่าแข่งขันได้ในด้านการควบคุม แต่ยังตามหลังในด้านความสมจริง ขณะที่ Genie 4 ตอบว่าเพดานความสมจริงยังคงขยับขึ้นอยู่ ไม่มีคำตอบใดยุติข้อถกเถียงนี้ได้ ซึ่งเป็นเหตุผลที่ยังมีปุ่มดาวน์โหลดไว้ และรายการรอยังคงยาว