Genie 4 so với Hunyuan3D WorldClaw: Một video về thế giới, hay các tệp lưới của thế giới?

Một bên đưa cho bạn một tệp MP4, bên kia đưa cho bạn một scene graph. Đó là toàn bộ phép so sánh, và mọi thứ còn lại đều suy ra từ đó. Genie 4, mô hình thế giới của Google DeepMind được công bố vào ngày 27 tháng 10 năm 2026, tạo ra một thế giới quang thực, có âm thanh, điều khiển được bằng văn bản trong thời gian thực và hiển thị nó cho bạn dưới dạng video. Hunyuan3D WorldClaw, được nhóm Hunyuan3D của Tencent công bố vào tháng 8 năm 2026, tạo ra các lưới có kết cấu, tường minh, có thể chỉnh sửa riêng lẻ mà bạn có thể mở trong Unity hoặc Unreal và giữ lại. Nếu công việc của bạn kết thúc khi cảnh quay được duyệt, Genie 4 là thứ ấn tượng hơn. Nếu công việc của bạn bắt đầu khi cảnh quay được duyệt, WorldClaw là lựa chọn duy nhất trong hai lựa chọn mang lại cho bạn thứ gì đó để làm việc cùng.

Cả hai đều là sản phẩm nghiên cứu chứ không phải sản phẩm thương mại, và cả hai đều khó có được hơn mức các bản demo của chúng gợi ý. Nhưng chúng thất bại theo những hướng khác nhau, và việc biết mình có thể chấp nhận kiểu thất bại nào chính là toàn bộ quyết định.

Bài kiểm tra sản phẩm bàn giao

Hãy hỏi điều gì còn lại sau phiên, và khoảng cách trở nên cụ thể.

• Đầu ra — Genie 4 trả về các khung hình video được tạo cùng với âm thanh được tạo đã được đồng bộ hóa; Hunyuan3D WorldClaw trả về các lưới 3D có kết cấu với địa hình, vật liệu và các đối tượng được đặt vào.

• Khả năng chỉnh sửa — Genie 4 được chỉnh sửa bằng cách nhắc lệnh cho mô phỏng ngay khi nó đang chạy; đầu ra của WorldClaw được chỉnh sửa dưới dạng hình học, trong một công cụ dựng mô hình, bởi con người hoặc một script.

• Sử dụng ở khâu hạ nguồn — đầu ra của Genie 4 được dùng làm cảnh quay; đầu ra của WorldClaw được một game engine, một trình kết xuất hoặc một trình mô phỏng vật lý tiêu thụ.

• Tính tất định — một lần chạy Genie 4 không thể tái lập đến từng khung hình; một lưới là một tệp luôn giữ nguyên không đổi.

• Âm thanh — hỗ trợ gốc trên Genie 4; không nằm trong pipeline của WorldClaw.

• Truy cập — Genie 4 là bản xem trước nghiên cứu được giới hạn truy cập; WorldClaw là một bài báo với kho lưu trữ chưa chứa mã có thể chạy được.

Có một lý do khiến các mô hình video là thứ lan truyền mạnh, còn các pipeline mesh là thứ được đưa vào sản xuất. Một video thì ai cũng hiểu trong năm giây. Một mesh thì chỉ người biết mình sẽ làm gì với nó mới hiểu được — và người đó thường là người nắm ngân sách.

Bốn Giai Đoạn của WorldClaw Thực Sự Làm Gì

WorldClaw không phải là một mạng đơn lẻ. Đó là một pipeline tác tử phân rã “hãy xây dựng cho tôi một thế giới từ câu này” thành bốn giai đoạn, và đóng góp nằm ở chính cách phân rã đó.

Giai đoạn đầu tiên là phân tích ý định và lập kế hoạch cảnh: các tác nhân mô hình ngôn ngữ phân tích câu lệnh mở thành một đặc tả có cấu trúc bao gồm các vùng, địa hình, đối tượng, vật liệu và quan hệ không gian. Giai đoạn thứ hai tạo địa hình toàn cục — một bản đồ bố cục ngữ nghĩa cùng trường độ cao nhận biết theo vùng, với vật liệu và tài nguyên được gán cho từng vùng. Giai đoạn thứ ba thực hiện sinh đối tượng theo vùng: các ảnh tổng hợp hai chiều được điều kiện hóa bởi địa hình được phân đoạn, mỗi thực thể được tái dựng thành một lưới có kết cấu riêng lẻ, và các lưới đó được đặt lên địa hình. Giai đoạn thứ tư là tinh chỉnh dựa trên kết xuất: một tác nhân thị giác kết xuất cảnh từ nhiều góc nhìn, kiểm tra kết quả để tìm các vật thể lơ lửng, hiện tượng xuyên thấu, lỗi tỉ lệ và tư thế, khắc phục chúng rồi kết xuất lại. Việc lắp ghép diễn ra trong Blender thông qua Model Context Protocol.

Vòng lặp cuối cùng đó mới là phần kỹ thuật thú vị. Một mô hình sinh không thể nhìn thấy đầu ra của chính nó thì chỉ là một cỗ máy đánh bạc. Một pipeline render, kiểm tra và hiệu chỉnh mới là một quy trình — và bước hiệu chỉnh chính là nơi tạo ra phần lớn chất lượng cảm nhận được trong một cảnh lớn, bởi vì các kiểu lỗi của asset 3D được đặt vào mang tính hình học và do đó có thể phát hiện được, thay vì mang tính thẩm mỹ và do đó dễ gây tranh cãi.

Thiết lập của chính bài báo là một ngăn xếp gồm các mô hình bên thứ ba: Claude Opus 4.8 điều khiển các tác nhân, GPT-Image-2 cùng SAM3D để phân đoạn, Hunyuan3D để tái dựng, chạy trên bốn GPU NVIDIA H20. WorldClaw được hiểu đúng nhất là một lớp điều phối bên trên các bộ sinh hiện có chứ không phải một mô hình sinh mới, điều vừa là điểm mạnh của nó — nó cải thiện khi các thành phần của nó cải thiện — vừa là điểm mong manh của nó, vì bất kỳ thay đổi nào trong hành vi của một thành phần đều làm thay đổi đầu ra của pipeline.

Vì sao một Mesh lại có giá trị hơn một video, và cũng tốn kém hơn

Một video về một thế giới là một lời khẳng định về một thế giới. Một mesh chính là thế giới, hoặc ít nhất là đủ phần của nó để bắt đầu xây dựng. Sự khác biệt đó thể hiện trong mọi tác vụ hạ nguồn: va chạm, che khuất, chiếu sáng, vật lý, thiết kế màn chơi, và công việc thường ngày là dịch chuyển một tòa nhà sang trái hai mét vì đường ngắm bị sai.

Không thao tác nào trong số đó khả thi trên đầu ra của Genie 4. Bạn có thể nhắc mô phỏng thay đổi, và nó sẽ tạo ra một bộ khung hình mới có thể có hoặc không tuân thủ ràng buộc bạn đã nghĩ đến, và thay đổi sẽ không tồn tại lâu hơn cửa sổ mạch lạc hai phút mà DeepMind nêu. Mô hình không giả vờ điều khác; các trường hợp sử dụng được nêu của nó là trực quan hóa trước, tạo mẫu thử và huấn luyện robot, tất cả đều tiêu thụ thế giới thay vì xây dựng dựa trên chúng.

Cái giá của cách tiếp cận WorldClaw cũng rõ ràng không kém. Bốn giai đoạn, nhiều tác nhân, một trình kết xuất bên ngoài và một vòng khứ hồi qua Blender đồng nghĩa với việc mỗi thế giới mất từ vài phút đến vài giờ thay vì vài giây, và pipeline có thể hỏng ở bất kỳ giai đoạn nào — một lỗi phân đoạn lan truyền thành một vật thể bị đặt sai vị trí, mà giai đoạn tinh chỉnh có thể sửa hoặc không. Các kiểu lỗi của Genie 4 nhẹ nhàng hơn: một chi tiết bị trôi thì khó chịu, còn một tòa nhà lơ lửng là hỏng hẳn.

Tính sẵn có ở cả hai phía tệ hơn mức các bản demo gợi ý.

Cả hai mô hình đều không phải là thứ bạn có thể áp dụng trong quý này, và lý do thì khác nhau.

Genie 4 là bản xem trước nghiên cứu dành cho những người thử nghiệm đáng tin cậy. Google cho biết các thuê bao AI Ultra sẽ nhận được nó thông qua Project Genie và rằng các đối tác truy cập sớm sẽ tiếp cận nó thông qua Gemini API và Google AI Studio "trong những tuần tới." Có danh sách chờ, không có giá, không có độ phân giải hay tốc độ khung hình được công bố, và không có điều khoản thương mại.

WorldClaw còn xa khả năng sử dụng hơn ở một điểm cụ thể: kho lưu trữ tại Tencent-Hunyuan/Hunyuan3D-WorldClaw chỉ chứa README và các tài nguyên, không có mã. Một yêu cầu xin mã đã không được hồi đáp. Không có trọng số, không có API và không có thông tin giá. Những gì tồn tại là bài báo, thông báo và một bộ bản demo.

Vì vậy, đối với một người làm thực hành vào cuối tháng 10 năm 2026, sự so sánh là giữa một danh sách chờ và một kho mã sẽ không chạy được. Đó không phải là lời chê bai với cả hai nhóm — các bài báo đi trước các bản phát hành — nhưng điều đó có nghĩa là bất kỳ bài viết nào bảo bạn “chọn” giữa chúng đang mô tả một lần mua sắm trong tương lai, chứ không phải hiện tại.

Các phần Đánh giá cho bạn biết điều gì

Bài báo của WorldClaw đánh giá đầu ra của mình thông qua so sánh định tính song song với SynCity, WorldGen của Meta, MajutsuCity và Marble của World Labs. Không có điểm FID hay CLIP và không có nghiên cứu người dùng. Đó là một hạn chế thực sự và cũng là một cách trung thực: chất lượng cảnh 3D quy mô lớn thực sự khó chấm điểm, và một chỉ số định lượng ưu tiên một khía cạnh sẽ thể hiện sai lệch các khía cạnh còn lại.

Buổi ra mắt Genie 4 không công bố bất kỳ benchmark nào — không có so sánh với Genie 3 ngoài cửa sổ mạch lạc được nhân đôi, không có độ phân giải, không có tốc độ khung hình. Cả hai bên đều chưa đưa cho bất kỳ bên ngoài nào một con số để kiểm chứng. Trong một hạng mục mà mọi nhà cung cấp đều đang trình diễn những bản demo được tuyển chọn, việc thiếu đo lường là tình trạng chung, và nó nên làm dịu bớt mọi kết luận chắc nịch mà bạn đọc được ở bất cứ đâu, kể cả ở đây.

Nơi bản thân pipeline trở thành sản phẩm

Phần đáng để đánh cắp ở WorldClaw không phải là tạo sinh 3D — đó chỉ là một chồng các thành phần — mà là mô thức: lập kế hoạch bằng mô hình ngôn ngữ, tạo sinh bằng các chuyên gia, xác minh bằng mô hình thị giác, sửa chữa, lặp lại. Mô thức đó đang được xây dựng lại ngay lúc này trong mọi studio muốn tạo sinh thế giới có thể điều khiển được, và nó gần như hoàn toàn là một bài toán điều phối.

Đó chính là nơi câu hỏi về hạ tầng được đặt ra. Một pipeline có hình dạng như vậy thực hiện hàng chục lệnh gọi mô hình cho mỗi thế giới, trải qua ít nhất ba phương thức, và chỉ cần một lệnh gọi thất bại là toàn bộ lượt chạy bị đình trệ. Chạy nó qua một endpoint duy nhất với cơ chế chuyển đổi dự phòng tự động nghĩa là một nhà cung cấp bị kẹt sẽ trở thành một lần thử lại thay vì một tác vụ bị mất, và một DSL định tuyến cho phép bạn gán cố định mô hình đắt tiền vào giai đoạn lập kế hoạch và mô hình rẻ hơn vào các lượt xác minh theo từng đối tượng, nơi phần lớn token được tiêu tốn. Đó là lớp chúng tôi xây dựng — một API duy nhất cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được truyền nguyên với mức markup 0% — và nó cố ý không phụ thuộc vào mô hình, vì các thành phần bên dưới một pipeline như của WorldClaw sẽ bị thay thế vài lần trước khi bản thân pipeline ổn định.

Nên Xem Cái Nào

Nếu bạn làm phim, nguyên mẫu hoặc môi trường đào tạo và cần thứ gì đó trong quý này, hãy theo dõi các thông báo truy cập của Genie 4 và tạo nguyên mẫu công cụ xung quanh dựa trên một mô hình mà bạn đã có thể gọi. Âm thanh và điều hướng ngôn ngữ là những năng lực mà không thứ nào khác trong so sánh này có, và giới hạn hai phút là một ràng buộc mà bạn có thể thiết kế để thích ứng.

Nếu bạn làm game, mô phỏng hoặc bất kỳ thứ gì được phát hành dưới dạng tài sản, thì hình dạng của WorldClaw là thứ quan trọng với bạn, dù mã của nó vẫn chưa tồn tại. Khoảnh khắc Tencent phát hành nó, một pipeline xuất ra các mesh có thể chỉnh sửa vào engine game sẽ đáng giá hơn cả ngàn video đẹp, bởi video là điểm kết thúc của công việc còn mesh là điểm khởi đầu.