Hy-Nomas vs SKY-001: Một bên kết xuất một thế giới, bên kia lắp ghép nó

Tencent đã công bố 280 trường hợp đánh giá chuẩn cho Hy-Nomas và không có điểm số. Skyfall đã công bố điểm số cho SKY-001 và không phát hành bộ kiểm thử nào. Sự đối xứng này gọn gàng đến mức trông như một sự trùng hợp, và đó là điều hữu ích nhất khi đặt hai mô hình này cạnh nhau, bởi vì ngoài cụm từ "mô hình thế giới" ra, chúng gần như không có điểm chung. Hy-Nomas, được Tencent Hunyuan phát hành từ ngày 21 đến 23 tháng 10 năm 2026, tạo ra video có thể khám phá: 720 × 1280 ở 24 FPS, được điều khiển bằng văn bản tự do và quỹ đạo camera. SKY-001, được Skyfall AI công bố vào ngày 19 tháng 10 năm 2026, tạo ra hình học kỹ thuật: nó nhận một lời nhắc bằng văn bản hoặc một hình ảnh 2D và tạo ra một trình tự thi công CAD hoặc BIM có thứ tự. Một mô hình cho ra thứ để bạn nhìn. Mô hình kia cho ra thứ để bạn chế tạo.

Sự phân biệt này không phải là chuyện vụn vặt. Nó quyết định độ chính xác có nghĩa là gì, một benchmark có thể đo được gì, liệu bạn có thể có được mô hình hay không, và bạn thực sự sẽ làm gì với nó vào sáng thứ Hai.

Hai nhiệm vụ đằng sau một cụm từ

Một mô hình thế giới dạng video dự đoán trạng thái quan sát được tiếp theo của một cảnh. Đơn vị đầu ra của nó là một khung hình hoặc một phân đoạn, và tiêu chí đúng đắn của nó là liệu kết quả có trông và hành xử giống như một thế giới hay không. Một mô hình thế giới kỹ thuật dự đoán trạng thái cấu trúc tiếp theo của một thiết kế. Đơn vị đầu ra của nó là một chi tiết, một cụm lắp ráp hoặc một bước thi công, và tiêu chí đúng đắn của nó là liệu hình học có khớp với yêu cầu hay không và liệu trình tự có thể được xây dựng hay không.

Hy-Nomas là tự hồi quy theo phân đoạn. Nó kết xuất một đoạn video, giữ đoạn đó trong KV cache suốt vòng đời, nhận chỉ dẫn tiếp theo và kết xuất đoạn tiếp theo. Văn bản và camera là những đầu vào riêng biệt, kết hợp với nhau: lời nhắc mô tả cảnh, còn các thông số ngoại mô tả ống kính đi tới đâu. SKY-001 mang tính phân cấp. Một bộ tổng hợp phân rã yêu cầu thành hệ thống, cụm lắp ráp, cụm lắp ráp con và chi tiết, rồi đi xuống qua các tầng, đơn vị và phòng; một mô hình thế giới xây dựng lập kế hoạch các trạng thái thị giác có thứ tự để tạo ra từng phần tử. Cả hai đều tự gọi mình là mô hình thế giới vì cả hai đều học một mô hình động lực học của một miền. Các miền này không chồng lấn.

• Đầu ra — Các phân đoạn video Hy-Nomas ở 720 × 1280 và 24 FPS; các chuỗi thi công CAD/BIM có cấu trúc SKY-001 hướng đến các công cụ thiết kế

• Đầu vào — văn bản dạng tự do Hy-Nomas cùng thông số ngoại tại của camera; SKY-001 một lời nhắc văn bản hoặc một hình ảnh 2D

• Định nghĩa về tính đúng — tính mạch lạc trong cảm nhận của Hy-Nomas qua các lượt; độ trùng khớp hình học của SKY-001 so với một thiết kế tham chiếu

• Đơn vị đánh giá — Hy-Nomas là một phiên; SKY-001 là một ca

• Những gì thực sự được phát hành hôm nay — trọng số Hy-Nomas Apache 2.0, khoảng 196 GB; SKY-001 một suất trong danh sách chờ

SKY-001 tuyên bố điều gì, và tuyên bố đó đáng giá bao nhiêu

Công bố của Skyfall là một benchmark do nhà cung cấp thực hiện, và nó được xây dựng kỹ lưỡng: hai hạng mục, mỗi hạng mục một nghìn trường hợp, một đối thủ so sánh có tên, và đủ chi tiết để thấy cấu trúc của bài kiểm tra. Hạng mục CAD chạy 1.000 linh kiện với khoảng 100 bước vẽ cho mỗi trường hợp. Hạng mục BIM chạy 1.000 bản vẽ mặt bằng với trung bình khoảng 70 bước. So với GPT-6 Astra, Skyfall báo cáo 79,7% so với 79,1% IoU trung bình trên CAD, ở 3,9 giây so với 199 giây và $0,005 so với $0,75 mỗi trường hợp. Trên BIM, nó báo cáo 43,6% so với 40,6%, ở 1,22 giây so với 144,6 giây và khoảng $0,0024 so với $0,446.

Có ba điều rút ra khi đọc các con số thay vì đọc tiêu đề. Thứ nhất, con số “rẻ hơn 150 lần” là tỷ lệ chi phí khi chạy benchmark, tức ước tính của Skyfall về chi phí thực hiện một trường hợp, chứ không phải mức giá mà bất kỳ ai cũng có thể mua. Không có bảng giá công khai cho SKY-001. Thứ hai, IoU đo mức chồng lấn hình học, không phải chất lượng kỹ thuật: nó không cho biết một bộ phận có thể được chế tạo hay không, liệu dung sai có đạt hay không, hoặc liệu một mặt bằng có đáp ứng các yêu cầu về lối thoát hiểm, khả năng tiếp cận hay kết cấu hay không. Thứ ba, các mốc thời gian được báo cáo không bao gồm tải lên, tiền xử lý, xếp hàng chờ xử lý, chuyển đổi CAD hoặc BIM, xác thực, xuất và rà soát thủ công, và mỗi khâu đó đều hiện diện trong một triển khai thực tế.

Khoảng cách về độ chính xác là phần bị bỏ sót. Trên CAD, con số này là 0,6 điểm phần trăm trên một nghìn trường hợp; trên BIM là 3,0. Đó là một kết quả thực và có phạm vi hẹp. Nó chứng minh rằng mô hình chuyên biệt của một nhóm nhỏ có thể đạt tới cùng khoảng như một mô hình tổng quát tiên phong trong nhiệm vụ này, chứ không phải rằng nó thay thế một mô hình như vậy. Cách Skyfall tự mô tả sát với sự thật hơn so với các bài báo: công ty mô tả SKY-001 là bản xem trước nghiên cứu, có quyền truy cập qua danh sách chờ và dự kiến triển khai thương mại vào đầu năm 2027, chứ không phải một sản phẩm mà bạn có thể gọi để sử dụng.

Hy-Nomas thực sự mang đến những gì, và những gì nó từ chối khẳng định

Bản phát hành của Tencent là hiện vật ngược lại: một bộ công cụ hoàn chỉnh nhưng đã bị loại bỏ phần kết luận. Các trọng số dùng giấy phép Apache 2.0 và bao gồm nhiều hơn một checkpoint. Có một MMDiT hai luồng 54 khối với kích thước ẩn 2.048 và 16 đầu chú ý, một bộ mã hóa văn bản Qwen2.5-VL-7B-Instruct, các latent DCAE-V 32 kênh, một bộ giải mã PixelUMM được tinh chỉnh ở FP32 và FP8, và tám bước khử nhiễu trong cấu hình chưng cất, với bốn và sáu bước cũng được chấp nhận. Có hai bộ điều hợp LoRA đi kèm: Cinematic và Robotics được huấn luyện trên bộ dữ liệu cánh tay robot RealSource-World. Kho lưu trữ tài liệu hướng dẫn cách huấn luyện bộ của riêng bạn: rank và alpha 256, dropout bằng không, bộ tối ưu Muon với tốc độ học không đổi 1e-4 trong 2.000 bước, được huấn luyện từ checkpoint FP32 và hợp nhất vào bộ đã chưng cất.

Thứ không được phát hành là một con số. Hy-Nomas-Bench có 280 trường hợp trên bốn hạng mục: điều khiển văn bản đa lượt, điều hướng camera, điều khiển xen kẽ văn bản và camera, và bộ nhớ không gian, cùng khoảng 220 quỹ đạo camera tham chiếu. Bảng kết quả của nó trống. Liên kết báo cáo kỹ thuật trên thẻ mô hình được đánh dấu là sắp ra mắt và không dẫn đến đâu cả. Trang Hugging Face nêu rõ rằng mô hình không được bất kỳ nhà cung cấp suy luận nào triển khai. Kho lưu trữ GitHub mới tồn tại được mười giờ, với 21 sao và không có bản phát hành nào, vào thời điểm bài viết này được viết.

Sự bất đối xứng định đoạt phần lớn các trường hợp thực tế

Kể cả nếu cả hai mô hình đều giỏi như nhau trong công việc của chúng, với hầu hết người đọc đây vẫn không phải là một lựa chọn sít sao, vì chỉ một trong hai là có thể có được. Hy-Nomas là một bản tải về: chạy nó, tinh chỉnh nó, phục vụ nó. Lưu ý là “chạy” có nghĩa là tám GPU theo quy trình được tài liệu hóa, hoặc một RTX 4090 duy nhất với trọng số DiT INT8, bộ nhớ đệm KV INT8, bộ giải mã FP8, giới hạn lịch sử cửa sổ trượt và offload sang CPU. Bộ checkpoint đầy đủ khoảng 196 GB; tuyến ít bộ nhớ cần khoảng 38 GB cộng với bộ mã hóa văn bản. Đây không phải là bản tải về để chạy trên laptop, và không có endpoint được lưu trữ nào từ Tencent để dự phòng.

SKY-001 chỉ là một danh sách chờ. Không có trọng số, không có điều khoản cấp phép, không có API công khai, không có giá công bố, và mục tiêu thương mại là đầu năm 2027 – một mốc mà công ty chưa cam kết cụ thể như một ngày tháng. Với một người đọc đang cân nhắc nên làm gì trong quý này, sự khác biệt đó có ý nghĩa thiết thực hơn bất kỳ kết quả đo điểm chuẩn nào trên trang này.

Nó cũng định hình lại câu hỏi. "Hy-Nomas so với SKY-001" không phải là lựa chọn giữa hai cách làm cùng một việc. Đó là lựa chọn giữa hai năng lực, một năng lực bạn có thể có ngay hôm nay và một năng lực bạn chưa thể có được chút nào.

Nơi hai bộ từ vựng thực sự giao nhau

Robotics là lĩnh vực duy nhất mà chúng đến gần nhau. {{1}}Robotics LoRA của Hy-Nomas được huấn luyện trên một bộ dữ liệu cánh tay robot và hợp nhất vào checkpoint đã chưng cất để cải thiện các cảnh thao tác.{{/1}} {{2}}Composer của SKY-001 xử lý các cụm lắp ráp và linh kiện cơ khí, tức là cùng một từ vựng vật lý nhưng từ hướng ngược lại.{{/2}} Một phòng thí nghiệm có thể thiết kế một giá đỡ bằng mô hình kỹ thuật và mô phỏng một cánh tay robot nhấc nó lên bằng mô hình thế giới dạng video, và sự kết hợp này thú vị hơn từng phần riêng lẻ.

Nhưng các giao diện đó không tồn tại. SKY-001 phát ra các chuỗi thi công hướng tới các công cụ CAD. Hy-Nomas tiếp nhận văn bản và quỹ đạo camera. Không có gì trong bản phát hành nào của hai bên giao tiếp được với bên kia, cả hai đều chưa được kiểm chứng với phần cứng vật lý trong một thử nghiệm đã công bố, và tuyên bố về robot ở cả hai phía là một màn trình diễn năng lực chứ không phải một kết quả được đo lường. Cuộc gặp gỡ này chỉ là một sơ đồ, không phải một pipeline.

Cuộc trò chuyện về chi phí mà nhiều người hiểu sai

Có hai loại con số đang được lưu truyền về các mô hình này, và cả hai đều không phải giá. Mức 0,005 USD cho mỗi trường hợp CAD và 0,0024 USD cho mỗi kế hoạch BIM của SKY-001 là ước tính từ các lần chạy đánh giá chuẩn nội bộ, còn các mức so sánh 0,75 USD và 0,446 USD là chi phí chạy GPT-6 Astra qua cùng bộ khung kiểm thử. Chúng hữu ích để đánh giá hiệu quả. Chúng không phải mức giá, và Skyfall chưa công bố bảng giá nào.

Hy-Nomas hoàn toàn không có con số chi phí nào, vì không có dịch vụ nào để định giá. Chi phí của nó là số giờ GPU: một RTX 4090 với cấu hình bộ nhớ thấp, hoặc tám GPU theo cách làm tiêu chuẩn, cộng thêm việc tải xuống và lưu trữ. Nếu bạn muốn so sánh trung thực chi phí vận hành của từng bên, bạn cần có giả định riêng về mức sử dụng, và cả hai nhà cung cấp đều không đưa cho bạn những con số để đưa ra các giả định đó.

Điều duy nhất có thể so sánh được là chi phí đánh giá của mỗi bên. Hy-Nomas cho phép bạn tự chạy bộ đánh giá gồm 280 trường hợp của nó, vì bộ dữ liệu đã được công bố; bạn sẽ phải tự xây dựng khung tính điểm, do Tencent không công bố kết quả. Bộ đánh giá của SKY-001 được mô tả nhưng không được phát hành, nên bên thứ ba không thể tái tạo nó mà không dựng lại bài kiểm tra. Sự bất đối xứng đó còn giá trị hơn cả con số $0.005 được nhấn mạnh.

Mô hình không phải là quy trình làm việc

Cả hai mô hình đều không có trong danh mục của chúng tôi, và nhiều khả năng sẽ không sớm có: một mô hình là bản phát hành trọng số mở tự triển khai, mô hình còn lại là bản xem trước nghiên cứu có danh sách chờ và không có API. Chúng tôi sẽ không giả vờ rằng không phải vậy.

Điều mà cả hai đều cần, và cả hai đều không có, chính là lớp suy luận bao quanh generator. Một quy trình kiểu SKY-001 bắt đầu bằng một yêu cầu phải được phân rã thành cây thiết kế, định tuyến đến đúng công cụ, kiểm tra theo các ràng buộc và ghi ngược vào tệp CAD. Một phiên Hy-Nomas bắt đầu bằng một ý định bằng ngôn ngữ tự nhiên phải trở thành đường đi camera và chỉ dẫn ở cấp độ phân đoạn. Đó đều là những công việc của mô hình ngôn ngữ, và đó chính là nơi độ tin cậy được giành lấy hay đánh mất. OrcaRouter trao cho lớp đó một điểm cuối duy nhất cho hơn 200 mô hình, với mức phụ giá 0% trên giá niêm yết của nhà cung cấp, nhờ đó một mô hình rẻ hơn có thể đảm nhận phần phân rã trong khi một mô hình mạnh hơn đảm nhận bước kiểm tra cuối, và cơ chế chuyển đổi dự phòng tự động giữ cho chuỗi luôn hoạt động khi một nhà cung cấp bị suy giảm. Bạn có thể diễn đạt toàn bộ trình tự bằng DSL định tuyến thay vì mã hoá cứng ba tích hợp. Mô hình thế giới thực hiện việc kết xuất hoặc lắp ghép; lớp định tuyến quyết định yêu cầu nó làm gì.

Điều gì sẽ khiến đây trở thành một so sánh thực sự?

Cuộc so sánh chỉ trở nên có ý nghĩa ngay khi một trong hai bên thu hẹp được khoảng cách của mình. Nếu Tencent công bố điểm số cho Hy-Nomas-Bench, mô hình sẽ có một đường cơ sở và mọi mô hình thế giới trong tương lai đều có thể được đo lường dựa trên đó. Nếu Skyfall phát hành các bộ kiểm thử CAD và BIM của mình, con số 79,7% sẽ trở nên có thể tái lập thay vì chỉ được báo cáo, và mức dẫn trước 0,6 điểm sẽ nhận được sự soi xét mà một mức dẫn trước 0,6 điểm xứng đáng có.

Cho đến lúc đó, cách đọc đúng mang tính phân loại chứ không phải cạnh tranh. Hy-Nomas là một mô hình thế giới video mở, có thể tự vận hành, với bảng kết quả trống. SKY-001 là một mô hình thế giới kỹ thuật đóng, có danh sách chờ, với bảng của nhà cung cấp và lợi thế dẫn đầu sát sao. Chúng chia sẻ một cụm từ, một tháng và một khoảng trống phương pháp luận. Chúng không cùng chung một nhiệm vụ.