Hy-Nomas vs Hunyuan3D WorldClaw: Cùng một phòng thí nghiệm, hai kiểu thế giới

Nhóm Hunyuan của Tencent đã tung ra hai thứ cùng được gọi là mô hình thế giới trong vòng ba tháng, và chúng gần như bất đồng về mọi thứ. Hunyuan3D WorldClaw, công bố vào tháng 8 năm 2026, thực ra không hẳn là một mô hình: nó là một pipeline tác tử bốn giai đoạn, lập kế hoạch cho một cảnh bằng các tác tử LLM, tạo địa hình, tái dựng từng đối tượng thành lưới có kết cấu, rồi để một tác tử thị giác kết xuất kết quả và sửa những chỗ trông sai. Hy-Nomas, phát hành ngày 23 tháng 10 năm 2026, là một diffusion transformer tự hồi quy theo phân đoạn duy nhất, kết xuất video có thể điều khiển và phát hành trọng số theo Apache 2.0. Một bên xây dựng một tài sản 3D có thể chỉnh sửa từ một câu. Bên kia kết xuất một thế giới liên tục từ một cuộc trò chuyện.

Việc so sánh này đáng làm chính vì chúng cùng chung một phòng thí nghiệm. Đây là một thí nghiệm tự nhiên rõ ràng về hai chiến lược: điều phối các mô hình tiên phong thành một pipeline, hoặc huấn luyện một mô hình làm toàn bộ công việc. Hai bản phát hành còn đảo ngược nhau về mức độ mở — bản có ngăn xếp kỹ thuật nặng hơn không công bố mã nào, còn bản chỉ là một mô hình thì công bố mọi thứ.

Một mô hình và một pipeline là những loại artifact khác nhau.

Bài báo của WorldClaw mô tả một bộ định tuyến. Hệ thống điều phối nhiều mô hình tiên phong thay vì tự thực hiện việc sinh tạo: các tác nhân LLM để lập kế hoạch, một mô hình hình ảnh cho việc tổng hợp theo vùng, một mô hình phân đoạn, Hunyuan3D của chính Tencent để tái tạo lưới, và Blender được điều khiển qua MCP để lắp ráp. Bài báo nêu tên Claude Opus 4.8 là bộ lập kế hoạch cùng GPT-Image-2 và SAM3D trong số các thành phần theo vùng. Đóng góp của nó là cách dàn dựng phối hợp — việc phân rã từ toàn cục đến theo vùng và vòng lặp sửa chữa dựa trên kết xuất — chứ không phải một xương sống sinh tạo mới.

Hy-Nomas là canh bạc ngược lại. Một MMDiT song luồng 54 khối, kích thước ẩn 2,048, một bộ mã hóa văn bản Qwen2.5-VL-7B-Instruct, điều kiện hóa camera thông qua cross-attention, và một KV cache trọn đời. Không có bộ lập kế hoạch, không có giai đoạn phân đoạn, không có renderer bên ngoài trong vòng lặp. Mô hình chính là hệ thống.

Sự khác biệt đó giải thích các kiểu lỗi. Một pipeline thừa hưởng điểm yếu của mọi thành phần mà nó gọi tới và có thể được sửa từng thành phần một. Một mô hình đơn lẻ có một thế giới quan mạch lạc và không có đường nối giữa các giai đoạn, nhưng bất kỳ điểm yếu nào cũng đã ngấm vào trọng số và chỉ có thể được khắc phục bằng cách huấn luyện lại hoặc bằng một LoRA.

Bốn giai đoạn của WorldClaw thực sự làm gì

Giai đoạn một là phân tích ý định và lập kế hoạch cảnh. Hai tác tử LLM chia nhau công việc: một bên chỉ trích xuất những ràng buộc mà người dùng thực sự đã nêu, bên kia điền chi tiết để tạo ra một đặc tả cảnh có cấu trúc bao gồm các vùng, địa hình, đối tượng và quan hệ không gian. Việc tách này là một cách phòng vệ hợp lý trước thất bại thường gặp của một bộ lập kế hoạch đơn lẻ, đó là tự bịa ra các yêu cầu rồi sau đó đáp ứng chúng.

Giai đoạn hai tạo ra địa hình toàn cục: một bản đồ bố cục ngữ nghĩa, các trường độ cao nhận biết theo vùng, cùng vật liệu, đá và thảm thực vật được gán cho từng vùng. Giai đoạn ba kết xuất từng vùng thành một ảnh tổng hợp 2D, phân đoạn các thực thể, tái dựng từng thực thể thành lưới có kết cấu thông qua Hunyuan3D, rồi đặt chúng trở lại địa hình. Giai đoạn bốn mới là phần thú vị — một tác tử thị giác kết xuất cảnh đã lắp ráp từ nhiều góc nhìn và tìm các vật thể lơ lửng, sự xuyên thấu, sai tỉ lệ và sai tư thế, sau đó lặp lại. Việc lắp ráp diễn ra trong Blender thông qua MCP.

Đầu ra là những lưới (mesh) tường minh, có kết cấu bề mặt, có thể chỉnh sửa riêng lẻ và xuất sang game engine. Đó thực sự là một sản phẩm bàn giao khác biệt so với một video: mỗi cây là một đối tượng, mỗi đối tượng có một transform, và nhà thiết kế màn chơi có thể di chuyển một đối tượng mà không cần kết xuất lại toàn bộ thế giới.

Lưới bạn có thể chỉnh sửa, hoặc video bạn có thể điều khiển

Đầu ra của Hy-Nomas là video 720 × 1280 ở 24 FPS, được tạo theo từng phân đoạn với tám bước khử nhiễu trong cấu hình chưng cất. Bạn không thể mở nó trong Blender. Tuy nhiên, bạn có thể chuyển hướng nó giữa phiên: văn bản dạng tự do cho những gì có trong thế giới, ngoại tham camera cho nơi cảnh quay đi tới, và bộ nhớ đệm KV giữ cho các phân đoạn trước nhất quán với chỉ dẫn mới. Việc chỉnh sửa mang tính hội thoại và diễn ra trước khi phân đoạn tiếp theo được kết xuất.

Đầu ra của WorldClaw có thể được chỉnh sửa sau đó. Bạn nhận được hình học và thao tác chỉnh sửa mang tính không gian — di chuyển đối tượng, thay đổi tỉ lệ cây, kết xuất lại khu vực. Điều bạn không thể làm là trò chuyện với thế giới trong lúc nó đang kết xuất. Quy trình chạy đến khi hoàn tất, rồi bạn mới làm việc trên tài nguyên.

• Đầu ra — video 720 × 1280 có thể điều hướng của Hy-Nomas so với các lưới có kết cấu tường minh của Hunyuan3D WorldClaw trong một cảnh

• Đơn vị công việc — Hy-Nomas: một phân đoạn được kết xuất theo yêu cầu so với Hunyuan3D WorldClaw: một thế giới hoàn chỉnh được tạo ra qua bốn giai đoạn

• Chỉnh sửa — hướng dẫn văn bản và camera của Hy-Nomas giữa các phân đoạn so với thao tác trực tiếp trên các lưới của Hunyuan3D WorldClaw sau khi tạo

• Engine — Hy-Nomas một diffusion transformer so với Hunyuan3D WorldClaw, một ngăn xếp được điều phối gồm các mô hình tiên tiến nhất cùng Blender

• Phần cứng — Hy-Nomas mặc định 8 GPU, một RTX 4090 trong đường xử lý bộ nhớ thấp INT8 so với Hunyuan3D WorldClaw 4 × NVIDIA H20

• Phát hành — trọng số, mã nguồn và bộ dữ liệu đánh giá Hy-Nomas Apache 2.0 so với Hunyuan3D WorldClaw, một bài báo, một trang dự án và README không có mã nguồn hay trọng số

Cái giá của một thế giới tác tử

Câu chuyện tính toán của WorldClaw không phải là một con số giờ GPU theo nghĩa thông thường. Mà là bốn H20 cộng với một số lượng lớn các lệnh gọi mô hình tiên phong: token lập kế hoạch, tạo ảnh theo từng vùng, phân đoạn theo từng thực thể, tái dựng lưới theo từng đối tượng và các lần kết xuất của tác nhân thị giác lặp đi lặp lại trong quá trình tinh chỉnh. Chi phí biên của một thế giới bị chi phối bởi những lệnh gọi đó, và bài báo không công bố giá. Các bản dựng lại do cộng đồng thực hiện, thay thế bằng các endpoint ảnh và 3D được lưu trữ, báo cáo khoảng năm mươi xu và vài phút mỗi thế giới, đây là một bậc độ lớn hữu ích nhưng không phải con số của nhà cung cấp.

Chi phí của Hy-Nomas thì thông thường hơn: mặc định là tám GPU với song song hóa chuỗi tám chiều, hoặc một RTX 4090 với trọng số DiT INT8, bộ nhớ đệm KV INT8, lịch sử cửa sổ trượt, CPU offload, FlexAttention và bộ giải mã CUTLASS FP8. Bộ checkpoint đầy đủ khoảng 196 GB; đường demo theo tài liệu tải khoảng 86 GB, và đường tiết kiệm bộ nhớ cần khoảng 38 GB cộng với bộ mã hóa văn bản. Không có giá dịch vụ hosted vì không có dịch vụ hosted.

So sánh quan trọng không phải là số đô-la cho mỗi thế giới, mà là tiền chảy đi đâu. WorldClaw chi cho token và các lệnh gọi API, những khoản này giảm khi giá mô hình tiên phong giảm. Hy-Nomas chi cho mức chiếm dụng GPU, thứ không giảm. Một pipeline trở nên rẻ hơn nhờ đường cong của người khác; một mô hình chỉ trở nên rẻ hơn khi có ai đó chưng cất nó.

• Yếu tố chi phí của Hy-Nomas — số giờ GPU cho mỗi phiên tạo, không tính phí theo từng lần gọi

• Yếu tố chi phí của WorldClaw — các lệnh gọi mô hình tiên phong cho lập kế hoạch, hình ảnh hóa, phân đoạn, tái tạo và sửa chữa, cộng với 4 × H20

• Đòn bẩy mở rộng quy mô Hy-Nomas — chưng cất và LoRA, cả hai đều đã có trong bản phát hành

• Đòn bẩy mở rộng quy mô của WorldClaw — mô hình thành phần rẻ hơn và ít vòng lặp sửa chữa hơn

WorldClaw cũng là lập luận rõ ràng nhất cho một lớp định tuyến mà lô này có, bởi vì nó chính là một lớp như vậy. Bộ lập kế hoạch của nó gọi một mô hình, giai đoạn khu vực của nó gọi một mô hình khác, giai đoạn tái dựng của nó gọi mô hình thứ ba, và toàn bộ chính là một chính sách định tuyến gắn với một bộ kết xuất. OrcaRouter làm công việc tương tự cho các mô hình được lưu trữ — hơn 200 mô hình sau một khóa, giá niêm yết của nhà cung cấp được chuyển qua ở mức 0% phụ phí, chuyển đổi dự phòng tự động, và một DSL định tuyến kết hợp nhiều mô hình vào một lời gọi, với tính năng hợp nhất mô hình có sẵn khi bạn muốn một tổ hợp thay vì một chuỗi. Cả Hy-Nomas lẫn WorldClaw đều không có trong danh mục của chúng tôi, và chúng tôi sẽ không giả vờ rằng một mô hình thế giới tự vận hành là một điểm cuối; thứ chúng tôi định tuyến là lớp mà WorldClaw chứng minh là bạn cần.

Tính cởi mở bị đảo ngược

Đây là phần kỳ lạ nhất của cặp này. WorldClaw là hệ thống công phu hơn — một pipeline tác nhân đa giai đoạn với một bài báo đã công bố và một trang dự án — và kho GitHub chính thức chứa README, bài báo và các tài nguyên dự án. Không có mã, không có trọng số, không có API, không có giá. Một issue yêu cầu mã đã không được trả lời. Những gì tồn tại công khai là các bản triển khai lại của cộng đồng, dựng lại pipeline trên các endpoint được lưu trữ, điều này minh chứng cho sự rõ ràng của bài báo chứ không phải là sự thay thế cho bản phát hành.

Hy-Nomas là hệ thống đơn giản hơn và cởi mở hơn: Apache 2.0, checkpoint đầy đủ trên Hugging Face, mã suy luận và huấn luyện trên GitHub, một bộ khung tạo chú thích, một trình huấn luyện LoRA, một script hợp nhất và bộ dữ liệu đánh giá 280 trường hợp. Báo cáo kỹ thuật bị thiếu và bộ đánh giá không có điểm số, nhưng sản phẩm đã đủ hoàn chỉnh để tái lập và chỉnh sửa.

Đối với bất kỳ ai dự định xây dựng, sự đảo ngược đó quyết định nhiều hơn cả kiến trúc. Một pipeline bạn không thể chạy chỉ là một tài liệu thiết kế. Một mô hình bạn có thể chạy là một điểm khởi đầu, ngay cả khi đánh giá của nó là một trang giấy trắng.

Nên chọn cái nào

Hãy hướng tới cách tiếp cận của Hunyuan3D WorldClaw khi sản phẩm bàn giao là một màn chơi: một môi trường 3D lớn, có thể khám phá và chỉnh sửa, phải được đưa vào engine game và do con người sửa đổi. Lưu ý rằng bạn sẽ phải dựng lại nó từ bài báo, vì Tencent chưa phát hành nó, và các tuyên bố về chất lượng của nó chỉ mang tính định tính — bài báo so sánh với SynCity, Marble của World Labs, MajutsuCity, WorldGen của Meta và GPT-5.6 Sol mà không có FID, CLIP hay một nghiên cứu người dùng.

Hãy dùng Hy-Nomas khi sản phẩm bàn giao là cảnh quay hoặc môi trường huấn luyện: pre-vis, video tổng hợp, trình tạo cảnh robotics mà bạn định tùy chỉnh bằng Robotics LoRA đi kèm. Lưu ý rằng tuyên bố nhất quán trong tầm xa là một lập luận thiết kế cùng một bản demo, không phải điểm số, và việc chạy trên một chiếc 4090 là khả thi nhưng kéo theo chi phí offload.

Và nếu bạn cần cả hai — một thế giới có thể chỉnh sửa và những thước phim về nó có thể điều khiển được — thì câu trả lời trung thực là hiện nay không có bản phát hành đơn lẻ nào của Tencent mang lại điều đó. WorldClaw tạo ra hình học mà bạn không thể làm hoạt hình theo kiểu hội thoại. Hy-Nomas tạo ra video mà bạn không thể xuất ra. Khoảng trống giữa chúng chính là sản phẩm mà chưa ai tung ra thị trường, và đó là thứ thú vị hơn để theo dõi so với bất kỳ mô hình nào trong hai mô hình đó khi đứng riêng lẻ.