Apollo World vs Hy-Nomas: Những điểm ảnh phải hiển thị đúng, cảm biến phải chính xác

Cho hai người xem cùng một đoạn clip mười giây về một chiếc xe đang tiến đến ngã tư và cả hai sẽ đồng ý rằng nó trông ổn. Cho một hệ thống lập kế hoạch xem thì chỉ một phiên bản là dùng được, vì phiên bản kia có một người đi bộ mà bóng đổ chỉ sai hướng, một gờ vỉa hè cao quá 40 xentimét, và hoàn toàn không có tín hiệu lidar trả về. Khoảng cách đó chính là toàn bộ sự khác biệt giữa Apollo World và Hy-Nomas. Hy-Nomas là mô hình thế giới video tương tác trọng số mở của Tencent Hunyuan: một mô hình 8 tỷ tham số tạo video 720p từ câu lệnh văn bản và quỹ đạo camera, được phát hành theo Apache 2.0 vào cuối tháng 10 năm 2026. Apollo World là trình mô phỏng dựa trên tác nhân của Baidu, được công bố ngày 3 tháng 11 năm 2026, xuất ra các quan sát camera và lidar về một thành phố ảo trong đó giao thông phản ứng với chiếc xe đang được thử nghiệm. Một bên được đánh giá bằng mắt. Bên còn lại được đánh giá bằng việc chiếc xe có lái tốt hơn hay không.

Cả hai đều được gọi một cách chính đáng là mô hình thế giới. Chỉ một trong số chúng có thể được tải xuống vào chiều nay, và chỉ cái còn lại được thiết kế để cung cấp đầu vào cho một ngăn xếp nhận thức. Sự đánh đổi đó chính là nội dung bài viết.

Cái bẫy của sự trung thành

Các mô hình thế giới video tối ưu hóa cho những gì người xem sẽ chấp nhận. Đó không phải là một lời chỉ trích; đó là mục tiêu đúng đắn cho một mô hình sinh, và đó là lý do Hy-Nomas có thể tạo ra một cuộc dạo bước thuyết phục qua một con phố mà nó chưa từng thấy. Nhưng tính hợp lý về mặt tri giác và tính nhất quán vật lý là những mục tiêu khác nhau, và chúng tách rời nhau đúng ở nơi mà lái xe tự hành tồn tại.

Một mô hình được huấn luyện để dự đoán khung hình tiếp theo sẽ học được rằng ô tô giảm tốc gần giao lộ và bóng đổ hướng ra xa nguồn sáng. Nó không học được, chỉ từ các điểm ảnh, rằng khoảng cách giữa hai vạch làn là 3,5 mét, rằng một xung lidar phản hồi từ mặt đường ướt ở một cường độ cụ thể, hoặc rằng một người đi bộ đã bắt đầu bước ra không thể dịch chuyển tức thời trở lại lề đường khi xe chủ thể phanh. Hãy yêu cầu nó tạo ra một luồng dữ liệu cảm biến và nó sẽ tạo ra thứ trông giống như một luồng dữ liệu cảm biến. Việc các con số trong đó có mang đơn vị mét hay không là một câu hỏi riêng biệt mà mục tiêu huấn luyện chưa từng đặt ra.

Tài liệu ra mắt của Baidu được xây dựng xoay quanh chính ý phản biện đó. Wang Liang, kiến trúc sư trưởng của Nhóm Lái xe Thông minh thuộc Baidu, phát biểu trên sân khấu rằng một mô hình thế giới không nên là một họa sĩ tạo ra video ấn tượng mà phải là một giám khảo về an toàn lái xe, và bộ tiêu chí “2+3” theo sau đó rõ ràng là một bộ lọc cho những mô hình trông có vẻ đúng nhưng không thực sự đúng. Nhân quả và khả năng tương tác là các cửa ngõ; độ chính xác vật lý, tính bền vững và hiệu năng thời gian thực là những thuộc tính được chấm điểm. Dù bộ tiêu chí này còn có thể là gì đi nữa, nó vẫn là một mô tả về kiểu thất bại của một trình tạo video khi được áp dụng cho một stack lái xe.

Hy-Nomas thực sự giao những gì

Hy-Nomas là một transformer khuếch tán tự hồi quy theo phân đoạn, không phải trình tạo video một phát. Nó tạo ra các phân đoạn có độ dài thay đổi được điều kiện hóa trên lịch sử đã lưu trong bộ nhớ đệm, và đây là cách nó duy trì tính mạch lạc khi camera di chuyển: “bộ nhớ thế giới” chính là bộ nhớ đệm KV được mang tiếp về phía trước, được làm mới khi các phân đoạn mới được tạo ra.

• Kích thước — khoảng 8 tỷ tham số trải khắp 54 khối MMDiT luồng kép với kích thước ẩn là 2.048.

• Đầu vào — văn bản dạng tự do cùng quỹ đạo camera liên tục, với bộ tăng cường lời nhắc tùy chọn, Nomas-PE, có thể viết lại đoạn văn xuôi tự do thành chú thích JSON có cấu trúc.

Đầu ra — 720 x 1280 ở 24 khung hình/giây, sử dụng bộ giải mã PixelUMM được tinh chỉnh trên các latent DCAE-V, trong tám bước khử nhiễu đã chưng cất.

• Trọng số — tencent/Hy-Nomas trên Hugging Face theo Apache 2.0, khoảng 196GB, với mã nguồn trên GitHub và bản demo trực tuyến.

• Phần cứng — một triển khai mặc định cần tám GPU. Tồn tại một phương án RTX 4090 đơn lẻ sử dụng DiT INT8 và bộ nhớ đệm KV, bộ giải mã FP8 và offload CPU, ở mức khoảng 38GB.

Báo cáo kỹ thuật, arXiv 2610.36729, xuất hiện vào ngày 27 tháng 10 năm 2026 và mô tả thủ thuật giúp tương tác nhiều lượt hoạt động: các chú thích có cấu trúc được căn chỉnh với một mẫu chú ý nhân quả nhận biết hành động, nhờ đó ngữ cảnh mô tả vẫn tồn tại xuyên suốt các phân đoạn trong khi các chỉ dẫn hành động bị giới hạn trong cửa sổ mà chúng được đưa ra. Phần đánh giá là một bộ chuẩn gồm 280 trường hợp trải trên bốn hạng mục — văn bản nhiều lượt, điều hướng camera, văn bản xen kẽ với camera, và bộ nhớ không gian — với các so sánh cặp do con người thực hiện đối chiếu với Genie 3, LingBot-World v2 và Happy Oyster. Hy-Nomas thắng về tương tác và tuân theo lời nhắc, với tỷ lệ thắng được báo cáo khoảng 65% ở khả năng tuân theo lời nhắc, và thua Genie 3 về bộ nhớ không gian dài hạn. Đó là các so sánh của chính các tác giả trên bộ chuẩn của chính các tác giả, và chúng là những tuyên bố dễ kiểm chứng nhất trong bài viết này vì trọng số là công khai.

Những điều Apollo World không công bố

Công bố của Apollo World là một bản tóm tắt năng lực, và những chỗ thiếu vắng cũng có sức thông tin ngang với những tuyên bố. Không có số lượng tham số, không có kiến trúc, không có bài báo, không có bảng đánh giá chuẩn với các baseline được nêu tên, không có trọng số, không có API và không có giá. Điều Baidu thực sự nói là mô hình này đã hỗ trợ việc thử nghiệm và xác thực toàn cầu của Apollo Go, rằng nó có thể bao phủ khoảng 100.000 km lái xe mô phỏng mỗi ngày — được diễn giải như khoảng ba năm thử nghiệm liên tục của một chiếc xe có tài xế an toàn — và rằng Apollo Go vận hành tại 28 thành phố với hơn 23 triệu chuyến đi, 350 triệu km tự hành và hơn 240 triệu km hoàn toàn không người lái.

Con số 100.000 kilômét là con số nên được nhìn nhận một cách dè dặt. Đây là con số do công ty đưa ra, không có phép đo bên ngoài nào chống lưng, và phép so sánh mà nó dựa vào — ba năm một chiếc xe thử nghiệm chạy liên tục — phụ thuộc vào một giả định về quãng đường chạy mỗi năm mà Baidu không nêu ra. Điều đó không khiến nó sai. Nó khiến nó không thể kiểm chứng, một điều khác và hữu ích hơn để biết.

Các tuyên bố về thiết kế thì ngược lại, đủ cụ thể để có thể tranh luận. Mọi tác nhân tham gia giao thông đều là một agent tự ra quyết định thay vì một đạo cụ tuân theo kịch bản. Camera và lidar được sinh ra trong thời gian thực. Các chuyến đi khép kín từ đầu đến cuối, từ đơn hàng được chấp nhận đến hành khách được giao, xuyên suốt các điểm xuất phát và điểm đến tùy ý. Và toàn bộ được giới hạn bởi một chu kỳ quyết định một phần ba mươi giây, tức khoảng 33 mili giây, chính điều này khiến các thuộc tính về độ bền vững và độ trễ trở thành yếu tố cốt lõi chịu lực thay vì chỉ để trang trí.

Áp dụng tiêu chí đánh giá của chính Baidu cho Hy-Nomas

Bài thực hành thú vị không phải là so sánh hai bên bằng các thuật ngữ tiếp thị, mà là lấy năm cơ sở của Apollo World và đối chiếu chúng với mô hình thực sự tồn tại.

Nhân quả: Hy-Nomas đạt, theo đúng nghĩa mà Baidu muốn nói. Nó tự hồi quy trên các phân đoạn và lấy lịch sử làm điều kiện, nên tương lai được sinh ra từ hiện tại thay vì được lắp ghép rồi điền ngược lại. Tính tương tác: một phần. Nó phản hồi các chỉ dẫn văn bản và chuyển động camera, nhưng đó là mệnh lệnh của đạo diễn, không phải hành động của các tác nhân khác. Không có gì trong cảnh phản ứng với bất kỳ thứ gì khác trong cảnh. Độ chính xác vật lý: chưa được đo lường, và không thể đo lường từ công trình đã công bố, vốn đánh giá dựa trên sở thích của con người thay vì dữ liệu chuẩn theo chỉ số. Tính bền vững: đây là điểm yếu đã được ghi nhận — bản thân bài báo báo cáo rằng nó tụt lại so với Genie 3 về trí nhớ không gian dài hạn, đúng là thuộc tính trôi dạt mà Baidu nêu ra. Thời gian thực: 24 khung hình mỗi giây trong tám bước chưng cất là nhanh đối với một mô hình khuếch tán, nhưng triển khai tham chiếu dùng tám GPU, và ngân sách 33 mili giây không cùng một đẳng cấp.

Không điều nào trong số đó khiến Hy-Nomas trở thành một mô hình tồi. Nó khiến nó trở thành một công cụ khác. Đánh giá như một thế giới video tương tác — thứ mà nó được tạo ra để trở thành — nó cạnh tranh được với những gì tốt nhất hiện có và nó mở, điều mà gần như không đối thủ nào có. Đánh giá như một trình mô phỏng lái xe, nó trượt bốn trong năm bài kiểm tra của Baidu, và sẽ vẫn trượt chúng ngay cả khi trọng số tốt gấp đôi.

Chi phí để vận hành từng cái

Hy-Nomas có mức giá bạn có thể tính được. Trọng số miễn phí theo Apache 2.0; chi phí nằm ở phần cứng. Một chiếc 4090 chạy đường lượng tử hóa cần khoảng 38GB bộ nhớ khi tính cả việc offload CPU, và tạo ra 720p ở 24 khung hình/giây. Triển khai tham chiếu tám GPU là phiên bản mà các benchmark mô tả. Nếu bạn đang tạo vài trăm clip cho một câu hỏi nghiên cứu, một card là đủ; nếu bạn đang tạo một tập dữ liệu huấn luyện, hóa đơn tiền điện chính là phí cấp phép.

Apollo World không có mức giá có thể tính toán được vì nó không phải để bán. Tuyên bố trung thực duy nhất là Baidu chưa công bố bất kỳ điều khoản thương mại nào, và việc triển khai được mô tả nằm trong chính hoạt động robotaxi của họ.

Với các nhóm xây dựng quanh một trong hai, câu hỏi định tuyến tách biệt với câu hỏi về mô hình. Cả Apollo World lẫn Hy-Nomas đều không có trong danh mục của OrcaRouter — một cái là nội bộ của Baidu, cái còn lại là mô hình video do bạn tự lưu trữ — và bài viết này sẽ không giả vờ điều ngược lại. Thứ chúng tôi thực sự cung cấp là lớp đánh giá và điều phối loại đầu ra này: một giám khảo ngôn ngữ-thị giác chấm điểm các clip được tạo, một bộ lập kế hoạch biến câu hỏi nghiên cứu thành một loạt lời nhắc, một mô hình dự phòng khi mô hình chính bị giới hạn tốc độ. Đó là một API trên hơn 200 mô hình với mức chênh lệch 0%, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, điều này đặc biệt quan trọng khi bạn chạy hàng nghìn lượt gọi giám khảo đối với đầu ra của một mô hình 196GB.

Cái nào phù hợp với stack của bạn?

Nếu bạn muốn khám phá một môi trường được tạo ra, điều khiển camera di chuyển qua đó và điều chỉnh dần một cảnh ngay trong trình duyệt, thì Hy-Nomas là lựa chọn tốt hơn và hiện đã có sẵn. Giấy phép mở không phải là thủ tục hình thức: nó cho phép bạn tinh chỉnh, lượng tử hóa và triển khai, điều mà phần lớn mô hình thế giới tương tác không có được, kể cả những mô hình mà nó vượt trội về khả năng tuân theo lời nhắc.

Nếu bạn đang kiểm chứng một chính sách lái xe, Hy-Nomas không thay thế được trình mô phỏng và sẽ không trở thành một trình như vậy chỉ nhờ cải thiện lời nhắc. Cách dùng đúng của Apollo World là như một bản đặc tả: rubric 2+3 là một bộ câu hỏi bạn có thể đặt cho bất kỳ nhà cung cấp trình mô phỏng nào, và đặc biệt là câu hỏi về tính ổn định lâu dài — độ trôi trong một lần chạy mười giờ là bao nhiêu — chính là câu hỏi phân biệt một giàn thử với một cuộn video trình diễn.

Sự hội tụ đáng để theo dõi là một mô hình thế giới dạng video phát ra độ sâu metric và lidar cùng với RGB, được huấn luyện bằng một hàm mất mát nhất quán vật lý thay vì một hàm mất mát tri giác. Các tác giả của Hy-Nomas đã đặt điều kiện lên quỹ đạo camera theo một cách có ý nghĩa về mặt hình học; thêm một đầu cảm biến là bước tiếp theo hiển nhiên và chưa ai công bố nó. Cho đến khi ai đó làm được, sự phân chia vẫn rõ ràng: Hy-Nomas tạo ra những thế giới bạn có thể nhìn ngắm, Apollo World tạo ra những thế giới mà một chiếc xe có thể được chấm điểm trong đó, và khoảng cách giữa hai câu ấy chính là nơi công việc của năm tới nằm lại.