Genie 4 vs HY-Nomas: Thế giới tốt hơn thì đóng, còn thế giới có thể tải xuống thì không

Với khoảng 196 gigabyte, bạn có thể sở hữu hoàn toàn một mô hình thế giới. Đó là kích thước của toàn bộ bộ checkpoint HY-Nomas, mà nhóm Hunyuan của Tencent đã công bố theo giấy phép Apache 2.0 vào ngày 23 tháng 10 năm 2026, với trọng số trên Hugging Face và mã nguồn trên GitHub. Bốn ngày sau, Google DeepMind công bố Genie 4 — một mô hình thế giới tốt hơn theo hầu hết các thước đo định tính, với âm thanh gốc và khả năng duy trì mạch lạc trong hai phút, nhưng không ai ngoài những người thử nghiệm được tin cậy và danh sách chờ có thể truy cập. Giữa hai sự thật đó là quyết định thực tế nhất trong lĩnh vực mô hình thế giới tạo sinh hiện nay: chọn mô hình mạnh hơn mà bạn không thể có, hay mô hình yếu hơn mà bạn có thể chạy ngay tối nay.

Cuộc so sánh này thực ra không phải là so sánh Genie 4 với HY-Nomas về chất lượng. Đó là so sánh giữa hai thái độ đối với cùng một vấn đề, và khoảng cách chất lượng chính là cái giá của thái độ đó. Hiểu được bạn đang trả cái gì, và trả bằng thứ gì, mới là điểm mấu chốt của bài viết này.

Apache 2.0 thực sự mang lại cho bạn điều gì

HY-Nomas được phát hành dưới dạng trọng số, không phải dưới dạng dịch vụ. Checkpoint chính nằm trên Hugging Face với tên tencent/Hy-Nomas, cùng với một biến thể tương thích Diffusers đi kèm, và kho lưu trữ có kèm công thức tinh chỉnh LoRA cùng hai bộ điều hợp — một bộ cho quay dựng điện ảnh, một bộ cho cảnh quay kiểu robot.

Phần cuối đó đáng được nhấn mạnh vì không có mô hình thế giới đóng nào cung cấp được điều đó. Nếu bạn có thể tinh chỉnh trên chính cảnh quay của mình, bạn có thể đưa mô hình về phía miền của bạn: ngôn ngữ máy quay của studio, đặc tính cảm biến của robot, chỉ đạo nghệ thuật của trò chơi. Genie 4, dù trần năng lực của nó là gì, sẽ tạo ra những gì Google đã huấn luyện nó tạo ra, và đòn bẩy duy nhất bạn có là một câu lệnh văn bản. Với một đội mà mô hình thế giới là tài sản cạnh tranh chứ không chỉ là công cụ, khác biệt đó quan trọng hơn rất nhiều so với độ chỉn chu về hình ảnh.

Giấy phép cũng quan trọng. Apache 2.0 đủ rộng mở cho việc triển khai thương mại mà không cần đàm phán, điều mà không thể nói như vậy về Genie 4, vì các điều khoản thương mại của nó hoàn toàn chưa được công bố.

Sáu mươi giây đối đầu với hai phút

Cả hai mô hình đều tạo ra những thế giới tương tác. Chúng tạo ra chúng theo những cách khác nhau, và chính sự khác biệt đó quyết định cách đọc các con số về thời lượng.

Genie 4 là một mô hình thế giới theo thời gian thực: nó kết xuất khi bạn điều khiển, duy trì một cảnh trong khoảng hai phút và tạo âm thanh — âm thanh môi trường, nhạc, hội thoại — ngay trong cùng một lượt xử lý. Bạn thay đổi thời tiết bằng cách gõ nó. Lưu ý của chính DeepMind là các chi tiết và tính thường tồn của vật thể sẽ bị lệch trong các lần chạy dài hơn, đặc biệt sau khi lặp lại nhiều chỉnh sửa lời nhắc phức tạp.

HY-Nomas tạo video theo các phân đoạn tuần tự thay vì trong một tệp tĩnh duy nhất, và bạn điều khiển nó theo từng lượt bằng các câu lệnh văn bản và quỹ đạo camera. Một bộ nhớ đệm KV suốt vòng đời duy trì tính nhất quán của thế giới xuyên suốt các lượt đó. Giới hạn được công bố của nó là khoảng sáu mươi giây tạo video ở 720×1280 và 24 khung hình mỗi giây, sử dụng tám bước khử nhiễu trong cấu hình chưng cất, với bốn và sáu cũng được hỗ trợ.

Vậy nên, so sánh một cách trung thực không phải là sáu mươi giây so với một trăm hai mươi giây. Mà là việc tạo từng phân đoạn theo lượt so với kết xuất thời gian thực liên tục. Genie 4 mang đến cho bạn một thế giới phản hồi ngay khi bạn đang ở trong đó. HY-Nomas mang đến một thế giới tiến triển theo từng lượt do con người biên soạn, một cách làm chậm hơn nhưng dễ kiểm soát hơn rất nhiều — mỗi phân đoạn là một quyết định bạn có thể xem xét trước khi chuyển sang phân đoạn tiếp theo.

Bên dưới lớp vỏ, hai hệ thống khác nhau về kiến trúc theo cách lý giải được hành vi. HY-Nomas là một diffusion transformer — năm mươi bốn khối MMDiT hai luồng, một text encoder Qwen2.5-VL-7B-Instruct, các latent DCAE-V và một bộ giải mã PixelUMM được tinh chỉnh, với khoảng tám tỷ tham số theo suy dẫn từ checkpoint đã công bố thay vì từ một tuyên bố chính thức. Đó là một mô hình lớn tạo ra các đoạn video. Genie 4 là một trình mô phỏng thời gian thực mà Google chưa mô tả nội bộ của nó ở mức chi tiết tương đương, được ghép với các mô hình Gemini giúp neo diện mạo và dẫn dắt vòng lặp.

Tính năng mà chỉ Genie 4 có và không ai khác có được.

Âm thanh. Genie 4 là mô hình thế giới đầu tiên của DeepMind tạo âm thanh theo cách nguyên bản, và tại thời điểm viết bài này, không có mô hình thế giới trọng số mở nào trong so sánh này — kể cả HY-Nomas — đưa ra tuyên bố tương đương. Nó tạo ra tiếng ồn xung quanh, âm nhạc và hội thoại tương tác, trong đó các nhân vật phản hồi những gì đang diễn ra trong cảnh.

Việc đó có mang tính quyết định hay không hoàn toàn phụ thuộc vào cách bạn sử dụng. Đối với tiền hình ảnh hóa phim, nó gần như mang tính quyết định: một cảnh quay không có âm thanh là một cảnh quay chỉ có một nửa, và việc dựng lại toàn bộ không gian âm thanh từ đầu theo nhịp thời gian của người khác chính là phần của pre-vis mà không ai thích. Đối với mô phỏng robot, đó là một phương thức đầu vào bị thiếu, giới hạn những gì môi trường có thể dạy. Đối với một studio game đang tạo cảnh nền, đó chỉ là một tiện ích.

Và với tất cả mọi người, điều đó vẫn chưa được định lượng. Google chưa công bố chuẩn đánh giá âm thanh nào, cũng không có phép đo đồng bộ nào, và chính các kỹ sư của họ thừa nhận rằng độ chính xác âm thanh vẫn chưa được giải quyết. Tuyên bố là thật, còn bằng chứng chỉ là một đoạn video demo.

Hóa đơn phần cứng, được tính toán chi tiết

Đây là điểm mà mô hình mở không còn miễn phí và bắt đầu trở thành một khoản chi phí vốn.

• Triển khai mặc định — HY-Nomas được thiết kế cho tám GPU. Đó là một máy chủ, không phải máy trạm.

• Hướng một GPU — một cấu hình được tài liệu hóa chạy trên một RTX 4090 bằng trọng số INT8 cho transformer khuếch tán, bộ giải mã FP8, offload sang CPU và bộ đệm lịch sử có giới hạn.

• Ổ đĩa — bộ checkpoint đầy đủ nặng khoảng 196 GB; cách dùng ít bộ nhớ cần khoảng 38 GB cộng với text encoder.

Thông lượng — sáu mươi giây đầu ra không phải là sáu mươi giây tính toán. Khuếch tán với tám bước khử nhiễu qua năm mươi tư khối transformer đồng nghĩa với việc quá trình tạo được đo bằng phút cho mỗi phân đoạn, và Tencent vẫn chưa công bố các số liệu về độ trễ.

• Genie 4 — không có yêu cầu phần cứng nào được công bố, không có độ trễ nào được công bố, không có mức giá nào được công bố. Quyền truy cập là một gói đăng ký Google AI Ultra thông qua Project Genie hoặc một thỏa thuận đối tác truy cập sớm.

Cứ tính toán một cách thẳng thắn thì hướng 4090 là một cỗ máy nghiên cứu, không phải máy chạy production: nó sẽ tạo ra một segment, chậm, với bộ nhớ bị suy giảm đối với chuỗi dài, và đó chính xác là sự đánh đổi mà bộ đệm lịch sử có giới hạn tạo ra. Hướng tám GPU tạo ra thông lượng dùng được và tốn đúng bằng chi phí của tám GPU trung tâm dữ liệu, chưa tính điện năng và người phải duy trì nó hoạt động.

Đó là lý do vì sao việc so sánh với một hosted API không phải là điều hiển nhiên. Nếu khối lượng của bạn chỉ vài trăm phân đoạn mỗi tháng, việc chạy tám GPU để phục vụ chúng là sử dụng vốn kém hiệu quả, và câu trả lời đúng là một API — của chúng tôi hay của bất kỳ ai — với giá tính theo mỗi lần gọi và không có capex. Nếu khối lượng của bạn liên tục, hoặc dữ liệu của bạn không thể rời khỏi mạng của bạn, thì bản tải xuống 196 GB là một món hời mà không dịch vụ lưu trữ nào có thể sánh bằng. Đó mới là quyết định thực sự, và nó không liên quan gì đến việc mô hình nào đẹp hơn.

Hai chuẩn đánh giá, điểm số bằng không

{{1}}HY-Nomas phát hành một thứ có tên Hy-Nomas-Bench: 280 trường hợp kiểm thử với khoảng 220 quỹ đạo camera tham chiếu.{{/1}} {{2}}Đây là một bộ khung đánh giá thực thụ và, tính đến thời điểm phát hành, nó chưa có kết quả nào được công bố.{{/2}} {{3}}Báo cáo kỹ thuật được mô tả là sắp ra mắt.{{/3}}

Genie 4 không có tương đương. Google không công bố bộ benchmark nào, không có so sánh số với Genie 3 ngoài cửa sổ mạch lạc gấp đôi, và hoàn toàn không có độ phân giải hay tốc độ khung hình.

Vậy là cả hai bên đều yêu cầu được đánh giá dựa trên đoạn video demo. Trong tình huống đó, yếu tố phân định nên là khả năng tái lập, và khác biệt không hề sát nút: bạn có thể tải HY-Nomas, tự chạy Hy-Nomas-Bench và công bố một con số. Bạn không thể làm điều đó với Genie 4, và nếu bạn thuộc kiểu đội nhóm cần một con số trước khi cam kết, thì mô hình đóng không chỉ bất tiện — nó là điều loại trừ.

Điều chúng tôi thực sự sẽ đề xuất

Nếu bạn cần thế giới thuyết phục nhất hiện có và công việc của bạn mang tính khám phá — pre-vis, xây dựng ý tưởng, mô phỏng cấp nguyên mẫu — thì Genie 4 là năng lực mạnh hơn và bạn nên tham gia danh sách chờ và thiết kế xoay quanh cảnh quay dài hai phút. Chỉ riêng âm thanh đã đưa nó vào một đẳng cấp khác so với mọi thứ có trọng số mở, và kiến trúc Gemini-in-the-loop nghĩa là nó có thể được điều khiển bởi một tác nhân thay vì điều khiển bằng tay.

Nếu bạn cần một mô hình thế giới mà bạn có thể sở hữu, tinh chỉnh, kiểm toán, nhúng vào sản phẩm hoặc chạy mà không gửi dữ liệu đến nhà cung cấp, thì HY-Nomas là lựa chọn duy nhất trong so sánh này, và đây là một lựa chọn thực sự có năng lực: Apache 2.0, lộ trình một-4090, điều khiển camera, bộ chuyển đổi robotics và bộ đánh giá đã công bố. Bạn đang đánh đổi tính chân thực như ảnh chụp và âm thanh để lấy khả năng kiểm soát và tái lập, và với một nhóm lớn công việc kỹ thuật thì đó là đánh đổi đúng.

Phần ngăn xếp xung quanh là nơi hai thứ đó hội tụ. Dù bạn chọn mô hình nào, nó cũng sẽ nằm trong một vòng lặp agent — phải có thứ gì đó viết prompt, chọn quỹ đạo camera, kiểm tra phân đoạn và quyết định có tạo lại hay không. Vòng lặp đó được tạo nên từ những lệnh gọi mô hình ngôn ngữ và thị giác thông thường, và đó là nơi một router chứng minh giá trị của mình: một API duy nhất cho hơn 200 mô hình, chuyển đổi dự phòng tự động để một nhà cung cấp bị treo chỉ là một lần thử lại thay vì một bản render bị mất, và giá niêm yết của nhà cung cấp được chuyển nguyên với mức đánh dấu 0% để đợt giảm giá của nhà bán đến tay bạn ngay ngày nó có hiệu lực. Mô hình thế giới là phần đắt đỏ, thay đổi chậm trong ngăn xếp của bạn. Mọi thứ xung quanh nó nên ngược lại.

Sáu tháng trước, câu hỏi đáng quan tâm là liệu các mô hình thế giới mở có thể cạnh tranh được hay không. HY-Nomas trả lời rằng chúng có thể cạnh tranh về khả năng điều khiển trong khi vẫn kém hơn về độ trung thực, và Genie 4 trả lời rằng ngưỡng trần của độ trung thực vẫn đang dịch chuyển. Không câu trả lời nào giải quyết được cuộc tranh luận, đó là lý do vì sao bản tải xuống tồn tại và danh sách chờ thì dài.