Hy-Nomas กับ Odyssey-3: เวตส์แบบเปิดที่ไม่มีคะแนน คะแนนที่ไม่มีเวตส์

ถาม Odyssey เกี่ยวกับ Odyssey-3 แล้วคุณจะได้ตัวเลข: 66.1 บน Physics-IQ Verified ซึ่งเป็นคะแนนวิดีโอต่อวิดีโอแบบดิบสูงสุดที่บริษัทรายงาน ถามหาเช็กพอยต์แล้วคุณจะได้แบบฟอร์มติดต่อ ถาม Tencent Hunyuan เพื่อขอ Hy-Nomas และการแลกเปลี่ยนก็เป็นไปในอีกทางหนึ่ง: น้ำหนักโมเดล Apache 2.0 ประมาณ 196 GB, ชุดเครื่องมือสำหรับการอนุมาน, ตัวฝึก LoRA และเดโมในเบราว์เซอร์ โดยไม่มีคะแนนใด ๆ แนบมากับสิ่งเหล่านี้เลย สองโมเดลนี้อยู่ในหมวดหมู่เดียวกัน คือโมเดลโลกแบบออโตรีเกรสซีฟ diffusion-transformer เชิงโต้ตอบ และอยู่ในเดือนเดียวกัน พรีวิวงานวิจัยสาธารณะของ Odyssey-3 เปิดเมื่อวันที่ 8 ตุลาคม 2026; น้ำหนักของ Hy-Nomas ถูกอัปโหลดระหว่างวันที่ 21 ถึง 23 ตุลาคม 2026 แต่การตัดสินใจเลือกระหว่างสองตัวนี้ไม่ใช่คำถามว่าตัวไหนดีกว่า เพราะไม่มีฝ่ายใดเผยแพร่หลักฐานที่จะชี้ขาดได้ และแต่ละฝ่ายขาดข้อมูลคนละครึ่ง

สิ่งที่กล่าวต่อไปนี้เป็นเพียงสิ่งที่สามารถยืนยันได้จากรีลีสทั้งสองเท่านั้น ได้แก่ แนวทางที่แต่ละโมเดลจัดการกับกล้อง ตัวเลขในแต่ละฝั่งวัดอะไรได้และวัดอะไรไม่ได้ และต้องแลกด้วยอะไรบ้างในการทำให้ตัวใดตัวหนึ่งทำงานอยู่ตรงหน้าผู้ใช้

กล่อง ไม่ใช่สถาปัตยกรรม

ทั้งคู่เป็นทรานส์ฟอร์เมอร์แบบแพร่กระจายเชิงอัตถดถอย (autoregressive diffusion transformers) และในระดับของแผนภาพบล็อกแล้วทั้งสองเป็นญาติกัน Hy-Nomas เรนเดอร์ส่วนวิดีโอหนึ่งส่วน ต่อท้ายเข้ากับเซสชัน และกำหนดเงื่อนไขให้ส่วนถัดไปขึ้นกับแคช KV แบบตลอดชีวิต (lifelong KV cache); แบ็กโบนคือ MMDiT แบบ dual-stream จำนวน 54 บล็อก ที่ขนาดซ่อน 2,048 มีหัวความสนใจ 16 หัว และ 128 มิติต่อหัว ตัวเข้ารหัสข้อความ Qwen2.5-VL-7B-Instruct และเลเทนต์ DCAE-V 32 แชนเนล Odyssey-3 ถูกอธิบายโดยผู้สร้างว่าเป็นทรานส์ฟอร์เมอร์แบบแพร่กระจายวิดีโอหลายขั้นตอนที่ขยายแบบอัตถดถอยด้วย teacher forcing และ causal masking แล้วจึงกลั่นตัวสำหรับการโต้ตอบแบบเรียลไทม์ ทั้งคู่ตัดสินใจเรนเดอร์โลกเป็นชิ้น ๆ และจดจำสิ่งที่มาก่อนหน้า

ความแตกต่างที่สำคัญคือสิ่งที่อยู่ภายในรีลีส Hy-Nomas มาพร้อมชุดคิต: DiT ฐานใน FP32, DiT แบบกลั่น, บิลด์ INT8, ออโตเอนโคเดอร์ DCAE-V, ตัวถอดรหัส PixelUMM ใน FP32 และ FP8, ตัวเสริมพรอมต์ Nomas-PE, อะแดปเตอร์ LoRA สองตัว, อิมเมจ Docker, ฮาร์เนสสำหรับสร้างแคปชันเพื่อสร้างข้อมูล fine-tuning, การแพ็กลำดับแบบออฟไลน์, ตัวเทรน LoRA และสคริปต์ merge ส่วน Odyssey-3 มาพร้อมแท็บเบราว์เซอร์และคิว

• เวตต์ — Hy-Nomas Apache 2.0 ประมาณ 196 GB; Odyssey-3 ไม่ได้เผยแพร่และไม่มีสัญญาอนุญาตเผยแพร่

• โค้ดสำหรับ inference — รีโพซิทอรี Hy-Nomas พร้อมอิมเมจ Docker; Odyssey-3 ไม่มี

• การปรับแต่งละเอียด — Hy-Nomas มีเทรนเนอร์ LoRA และสูตรที่จัดทำเอกสารไว้ ส่วน Odyssey-3 ไม่มีให้บริการ

• จำนวนพารามิเตอร์ — ไม่มีผู้จำหน่ายรายใดเปิดเผยจำนวนนี้; เช็กพอยต์ FP32 ของ Hy-Nomas มีขนาด 34.2 GB ซึ่งบ่งชี้ว่ามีพารามิเตอร์ประมาณ 8.5 พันล้านตัว หากสมมติว่าเก็บข้อมูลแบบ 32 บิตและไม่มีสถานะของออปติไมเซอร์ เป็นการประมาณเชิงคณิตศาสตร์มากกว่าข้อกำหนดจำเพาะ

• การเข้าถึง — โฮสต์เองด้วย Hy-Nomas หรือเดโมของ Tencent; พรีวิว Odyssey-3 บนเบราว์เซอร์, API ผ่านแบบฟอร์มติดต่อ

ใครเป็นคนตัดสินใจว่ากล้องจะไปตรงไหน

รูปแบบการโต้ตอบของ Odyssey-3 คือการนำทาง ตัวอย่างรองรับการเคลื่อนที่แบบมุมมองบุคคลที่หนึ่ง การเคลื่อนที่แบบมุมมองบุคคลที่สาม และการเคลื่อนกล้องอิสระ และโลกยังคงคาดการณ์ต่อไปในขณะที่คุณทำสิ่งเหล่านั้น นั่นคือการออกแบบที่เหมาะสมสำหรับบุคคลที่กำลังสำรวจสภาพแวดล้อม และสำหรับเดโมรีลที่ช่วยขายโมเดลนี้: คุณเดิน โลกตอบสนอง ภาพลวงตายังคงอยู่

โมเดลการโต้ตอบของ Hy-Nomas คือวิถี (trajectory) คุณป้อนค่าภายนอกของกล้อง (camera extrinsics) พร้อมเส้นทางตำแหน่งและการวางแนว แล้วโมเดลจะเรนเดอร์เส้นทางนั้น ข้อความกับกล้องเป็นช่องทางที่แยกจากกัน: พรอมป์ต์บอกว่ามีอะไรอยู่ในฉาก ส่วนวิถีบอกว่าเลนส์อยู่ตรงไหน สองส่วนนี้ประกอบกันมากกว่าแข่งขันกัน Nomas-PE มีไว้เพื่อเขียนคำสั่งแบบกระชับใหม่ให้เป็นสิ่งที่โมเดลใช้เป็นเงื่อนไขได้อย่างมีประสิทธิผลยิ่งขึ้น ซึ่งบอกอะไรบางอย่างเกี่ยวกับขอบคมของช่องทางข้อความ

ผลที่ตามมาในทางปฏิบัติคือความสามารถในการทำซ้ำ เซสชันการนำทางคือการเคลื่อนผ่านแบบเรียลไทม์ที่ขับเคลื่อนโดยมนุษย์ และเป็นการยากที่จะเล่นซ้ำให้เหมือนเดิมทุกประการ ส่วนวิถี (trajectory) คือพารามิเตอร์ที่คุณสามารถบันทึก เปลี่ยนแปลง และสร้างใหม่เทียบกับมันได้ หากคุณกำลังสร้างข้อมูลฝึกแบบสังเคราะห์สำหรับหุ่นยนต์หรือเอเจนต์ อย่างที่สองคือคำอธิบายกำกับ (annotation) และอย่างแรกคือการสาธิต นั่นไม่ใช่ข้อกล่าวอ้างว่า Hy-Nomas ดูดีกว่า เพราะไม่มีหลักฐานว่ามันเป็นเช่นนั้น แต่เป็นข้อกล่าวอ้างเกี่ยวกับพื้นผิวควบคุม (control surface) ที่ไปป์ไลน์สามารถนำไปใช้ได้

ประโยคบอกวิธีแก้ปัญหา และเหตุใดจึงไม่ควรขึ้นต้นด้วยประโยคนั้น

ประเด็นที่เห็นได้ชัดคือ Hy-Nomas เรนเดอร์ที่ความละเอียด 720 × 1280 ด้วย 24 FPS ขณะที่ Odyssey-3 เรนเดอร์ที่ 832 × 480 โดยมีระดับ Pro ที่ 1280 × 720 การเปรียบเทียบนี้เป็นความจริงแต่แทบไม่มีความหมายในตัวเอง ตัวเลข 24 FPS คือการเล่นกลับของช่วงที่สร้างขึ้น ไม่ใช่ความเร็วในการสร้าง ส่วน 16 FPS ของ Odyssey-3 วัดบนชุดทดสอบ Physics-IQ และอัตราเฟรมของระดับ Pro ไม่ได้เปิดเผยเลย ผู้ขายทั้งสองรายยังไม่ได้แสดงให้เห็นว่าผลลัพธ์ของตนเป็นอย่างไรเมื่อวางเทียบกับของอีกรายที่ความละเอียดเดียวกัน เพราะทั้งสองไม่เคยถูกนำไปรันบนงานเดียวกัน

• ความละเอียดพื้นฐาน — Hy-Nomas 720 × 1280 สามารถปรับเปลี่ยนได้เป็น 480 × 832; Odyssey-3 832 × 480

• ระดับสูงสุด — Hy-Nomas มีการกำหนดค่าเดียว; Odyssey-3 Pro ทำงานที่ 1280 × 720

• อัตราเฟรม — Hy-Nomas เล่นที่ 24 FPS โดยไม่ระบุความเร็วในการสร้าง; Odyssey-3 อยู่ที่ 16 FPS บนชุดทดสอบ benchmark ส่วน Pro ไม่ได้ระบุ

• การลดสัญญาณรบกวน — Hy-Nomas 8 ขั้นตอนในคอนฟิกูเรชันแบบกลั่นตัว โดยยอมรับ 4 และ 6 ด้วยเช่นกัน; Odyssey-3 ถูกกลั่นตัวสำหรับเรียลไทม์ แต่ไม่ได้เผยแพร่จำนวนขั้นตอน

ลีดเดอร์บอร์ดเดียว สองวิธีที่จะไม่ตอบมัน

Physics-IQ Verified ซึ่งดำเนินการโดย Anates Labs ร่วมกับ Google DeepMind คือสิ่งที่ใกล้เคียงที่สุดที่โมเดลทั้งสองมีต่อการตรวจสอบอย่างเป็นอิสระ โดยระบบจะให้โมเดลต่อวิดีโอจากการทดลองฟิสิกส์จริง และให้คะแนนส่วนที่ต่อเนื่องนั้นเทียบกับสิ่งที่เกิดขึ้นจริง มีโมเดล 41 รายการจาก 16 ห้องแล็บอยู่บนกระดานคะแนน คะแนน 66.1 ของ Odyssey-3 Pro คือตัวเลขที่บริษัทใช้เป็นจุดขายหลัก และเป็นคะแนนวิดีโอต่อวิดีโอแบบดิบที่สูงที่สุดที่ได้รับการรายงาน

อ่านกระดานจัดอันดับเองแล้วภาพจะชัดเจนยิ่งขึ้น โดยจัดอันดับตามการปรับปรุงสุทธิเทียบกับค่าเฉลี่ยของแทร็ก ไม่ใช่คะแนนดิบ และในคอลัมน์นั้น FLUX 3 [large] อยู่อันดับหนึ่งที่ +12.27 คะแนน Odyssey-3 Pro อันดับสองที่ +11.15 และ Odyssey-3 รุ่นฐานอันดับสามที่ +9.99 ผลงานที่ส่งของ Odyssey ปรากฏสองครั้งภายใต้สองรูปแบบพรอมป์ต์: ด้วยพรอมป์ต์ที่กำหนดเอง +11.15 และ +9.99; ด้วยพรอมป์ต์ของ benchmark เอง โมเดลฐานลดลงเหลือ +2.15 และอันดับแปด 66.1 มาจากการสุ่มแบบ best-of-8; การสร้างครั้งเดียวได้ 63.37 กระดานนี้เป็นกระดานสำหรับส่งผลงาน ไม่ใช่การรันโดยบุคคลที่สาม

ไม่มีสิ่งใดในนั้นทำให้ Odyssey-3 เป็นโมเดลที่แย่ มันทำให้ตัวเลขพาดหัวเป็นเพียงการกำหนดค่าที่เลือกใช้ และอันดับของกระดานผู้นำเองก็เป็นคำกล่าวอ้างที่แตกต่างจากคำกล่าวอ้างในข้อความประชาสัมพันธ์ตอนเปิดตัว ผู้อ่านที่อ้างถึง 66.1 กับผู้อ่านที่อ้างถึงอันดับ 02 ต่างก็อ้างอิงกระดานเดียวกัน และมีเพียงคนเดียวเท่านั้นที่อ้างอิงวิธีที่กระดานให้คะแนน

ด้านหลักฐานของ Hy-Nomas นั้นเรียบง่ายและว่างเปล่ากว่า Tencent เผยแพร่ Hy-Nomas-Bench: 280 เคสในสี่แทร็ก ครอบคลุมการควบคุมข้อความแบบหลายรอบ การนำทางด้วยกล้อง การควบคุมข้อความและกล้องแบบสลับกัน และความจำเชิงพื้นที่ พร้อมเส้นทางการเคลื่อนที่ของกล้องอ้างอิงประมาณ 220 เส้นทาง ชุดข้อมูลมีจริงและดาวน์โหลดได้ ตารางผลลัพธ์ไม่มีอยู่จริง ลิงก์รายงานทางเทคนิคบนการ์ดโมเดลระบุว่า "เร็วๆ นี้" และไม่นำไปยังสิ่งใดเลย

ดังนั้นสถานะตามจริงของการเปรียบเทียบนี้ ณ สิบหกวันหลังจากที่ Odyssey-3 เปิดพรีวิว และสามวันหลังจากที่ weights ของ Hy-Nomas ปรากฏออกมา คือแบบจำลองทั้งสองยังไม่เคยถูกประเมินบนงานเดียวกัน ด้วยฮาร์เนสเดียวกัน และในการตั้งค่าเดียวกันเลย Physics-IQ ไม่ได้ระบุ Hy-Nomas ส่วน Hy-Nomas-Bench ก็ไม่ได้ระบุ Odyssey-3 ใครก็ตามที่บอกคุณว่าตัวไหนดีกว่ากำลังอนุมานจากสถาปัตยกรรมและคลิปสาธิต

สิ่งที่ต้องแลกเพื่อการสัมผัส

Odyssey-3 ไม่มีราคาที่ประกาศไว้ บอร์ด Physics-IQ มีค่าประมาณต้นทุนแบบปรับมาตรฐานที่ 0.139 ดอลลาร์ต่อวิดีโอที่สร้างขึ้นสำหรับรุ่น Base และ 0.267 ดอลลาร์สำหรับ Pro โดยปรับให้เป็น 24 fps และเอาต์พุตความกว้าง 1280 เมื่อทำได้ แต่ตัวเลขเหล่านั้นเป็นตัวเลขทางบัญชีของ benchmark ไม่ใช่อัตราที่คุณซื้อได้จริง การเข้าถึงคือพรีวิวในเบราว์เซอร์และแบบฟอร์มติดต่อเพื่อขอสิทธิ์ลำดับความสำคัญสำหรับ API ข้อกำหนด API ของเว็บไซต์ยังอธิบายถึงต้นแบบ Odyssey-2 ซึ่งเป็นสัญญาณที่สมเหตุสมผลว่าชั้นเชิงพาณิชย์ได้พัฒนาไปไกลเพียงใด

Hy-Nomas ก็ไม่มีราคาเช่นกัน เพราะไม่มีอะไรให้ซื้อ Tencent ไม่ได้ให้บริการ endpoint แบบโฮสต์สำหรับโมเดลนี้ ต้นทุนคือฮาร์ดแวร์: GPU แปดตัวพร้อม sequence parallelism แบบแปดทางในเส้นทางเริ่มต้น หรือ RTX 4090 ตัวเดียวโดยใช้น้ำหนัก DiT แบบ INT8, KV cache แบบ INT8, decoder แบบ FP8, การจำกัดประวัติด้วย sliding window และ CPU offload ชุด checkpoint ทั้งหมดมีขนาดประมาณ 196 GB เส้นทางเดโมที่ระบุไว้ดึงข้อมูลประมาณ 86 GB และเส้นทางหน่วยความจำต่ำต้องใช้ประมาณ 38 GB บวกกับ text encoder ตัวอย่างการฝึกใน repository ใช้ GPU 128 ตัวเป็นรีพลิกาแบบ data-parallel สิบหกชุดกระจายข้าม rank แบบ sequence-parallel แปด rank

วางสองสิ่งนี้เทียบกัน แล้วในแง่ความสะดวกก็ไม่ได้ใกล้เคียงกันเลย: Odyssey-3 ใช้แค่แท็บเบราว์เซอร์ในวันนี้ ส่วน Hy-Nomas ต้องใช้ GPU และเวลาหนึ่งสุดสัปดาห์ แต่หนึ่งสุดสัปดาห์นั้นให้สิ่งที่แท็บเบราว์เซอร์ไม่มีวันให้ได้ นั่นคือเช็กพอยต์ที่คุณสามารถไฟน์จูนกับฟุตเทจของคุณเอง รวมเข้ากับบิลด์ที่ผ่านการกลั่นกรอง และให้บริการได้โดยไม่ต้องขออนุญาตจากใคร

ที่ซึ่งเลเยอร์การจัดเส้นทางอยู่จริง ๆ

ทั้งสองโมเดลไม่ได้อยู่ในแคตาล็อกของเรา Hy-Nomas เป็นโอเพนเวตส์ที่คุณโฮสต์เอง; Odyssey-3 เป็นพรีวิวแบบปิดที่ต้องผ่านแบบฟอร์มติดต่อ เราจะไม่สื่อเป็นนัยเป็นอย่างอื่น และไม่มีหน้าโมเดลของเราที่จะลิงก์สำหรับทั้งสองตัว

เหตุผลที่เรื่องการกำหนดเส้นทางยังถูกพูดถึงอยู่ก็คือลูปที่อยู่รอบโมเดลมากกว่าตัวโมเดลเอง เซสชัน Hy-Nomas ต้องมีบางสิ่งเพื่อตัดสินใจคำสั่งถัดไป และบ่อยครั้งเพื่อเขียนพรอมป์ใหม่ก่อนที่ Nomas-PE จะเห็นมัน โปรโตไทป์ Odyssey-3 ต้องมีบางสิ่งเพื่อบันทึกเซสชัน ตัดสินว่าสภาพแวดล้อมยังสอดคล้องกันหรือไม่ และเปลี่ยนการท่องผ่านให้เป็นการประเมินแบบมีโครงสร้าง สิ่งเหล่านี้คือการเรียกโมเดลภาษาแบบธรรมดา ๆ และเป็นสิ่งเหล่านั้นที่ล้มเหลวตอนตีสาม OrcaRouter วางโมเดลที่โฮสต์ไว้ 200+ โมเดลไว้เบื้องหลังคีย์เดียวโดยคิดมาร์กอัป 0% ส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่เปลี่ยนแปลง และให้คุณประกอบตัวเขียนพรอมป์ใหม่ ตัวตัดสิน และตัวสำรองเข้าเป็นrouting DSLเชนเดียว แทนสัญญากับผู้ขายสามฉบับ โมเดลโลกยังคงอยู่ที่เดิม โครงสร้างรองรับรอบ ๆ ตัวมันได้ปลายทางเดียวและการสลับไปยังระบบสำรองโดยอัตโนมัติ.

สามการตัดสินใจ สามคำตอบ

• คุณต้องมีโมเดลที่สามารถไฟน์ทูนบนฟุตเทจที่เป็นกรรมสิทธิ์ นำไปใช้งานบนฮาร์ดแวร์ของคุณเอง หรือรวม LoRA เฉพาะโดเมนเข้าไปได้ — Hy-Nomas โดยไม่มีทางเลือกที่จริงจังในคู่นี้ สูตรที่บันทึกไว้ แรงค์และอัลฟา 256 ภายใต้ Muon ที่ค่า 1e-4 คงที่เป็นเวลา 2,000 สเต็ป เทรนจากเช็กพอยต์ FP32 และรวมเข้าในตัวที่กลั่นแล้ว มีความเฉพาะเจาะจงพอที่จะรันได้ในสัปดาห์นี้

• คุณต้องมีสภาพแวดล้อมที่สำรวจได้ให้ผู้มีส่วนได้ส่วนเสียได้ดูในช่วงบ่ายนี้ และคุณไม่จำเป็นต้องเป็นเจ้าของมันเอง — พรีวิวของ Odyssey-3 และยังเป็นตัวเดียวในสองตัวที่มีผลงานส่งไปยังบอร์ดของบุคคลที่สาม โดยมีข้อแม้ประกอบรวมอยู่ด้วย

• คุณต้องมีคำตอบที่ปกป้องได้สำหรับคำถาม “อันไหนดีกว่า” สำหรับเอกสารจัดซื้อ — ไม่ใช่ทั้งสองอย่าง เอกสารนั้นยังไม่มีแหล่งที่มา

อะไรจะเปลี่ยนคำตอบ

สามเรื่อง เรียงตามโอกาสที่จะเกิดขึ้น รายงานทางเทคนิคของ Hy-Nomas ที่มีตัวเลขจริงจะยุติปัญหาหลักฐานด้านเดียว และทำให้เวอร์ชันถัดไปของหน้านี้กลายเป็นการเปรียบเทียบจริง กระแส LoRA จากชุมชนจะแสดงให้เห็นว่าสูตรการ fine-tuning ใช้งานได้นอกตัวอย่างของ Tencent เองหรือไม่ ซึ่งเป็นข้ออ้างที่มีเส้นทางสั้นที่สุดในการถูกทดสอบ การเปิดตัวน้ำหนักของ Odyssey-3 หรือแม้แต่ราคา API ที่มีเอกสารระบุไว้ จะย้ายมันจากเดโมที่คุณเข้าไปดู มาเป็นองค์ประกอบที่คุณวางแผนใช้งานได้

จนกว่าหนึ่งในนั้นจะเกิดขึ้น วิธีที่มีประโยชน์ในการทำความเข้าใจคู่นี้คือดูว่าแต่ละตัวให้คุณเก็บอะไรไว้ได้ Odyssey-3 ให้คุณเก็บความประทับใจไว้ได้ Hy-Nomas ให้คุณเก็บโมเดลไว้ได้ สิ่งที่คุณต้องการจากสองอย่างนี้เป็นคำถามเกี่ยวกับโปรเจกต์ของคุณ ไม่ใช่เกี่ยวกับเบนช์มาร์ก