Apollo World 对比 Hunyuan3D WorldClaw：是可以漫步其中的场所，还是一记能得分的击球

把 Apollo World 与 Hunyuan3D WorldClaw 放在一起比较，最有用的地方在于：两者都用了“world”这个词，但含义并不相同。Hunyuan3D WorldClaw 是腾讯混元的智能体框架，能把一个开放式文本提示转变成一个大型、可探索的 3D 场景；该场景由显式的、带纹理的逐对象网格构成，你可以用 Blender 打开，并导出到游戏引擎。Apollo World 是百度的智能体驱动模拟器，于 2026 年 11 月 3 日公布；它生成虚拟城市的实时摄像头和激光雷达观测数据，以便自动驾驶出租车技术栈能在完整行程上接受训练和评分。WorldClaw 建造的是一个地点。Apollo World 则是在其中跑完一段行程。如果你来这里是想知道哪个生成的 3D 更好，那么这个问题本身就提得不成立，而这一点值得展开说说，而不是直接回答。

两个产品共用一个名词

重叠是真实存在的，但很狭窄。两者都会产生某种人们可以称之为世界的东西。在那之后，每一项属性都各不相同。

• 交付物——WorldClaw：一个包含独立网格、材质与变换的场景文件。Apollo World：一个传感器帧流外加智能体状态，由驾驶策略而非人来消费。

工作单元 — WorldClaw：一个提示词对应一个场景。Apollo World：一条路线、一项策略、一次分级行程。

• 时间——WorldClaw 的输出一旦生成便是静态的；Apollo World 存在的意义在于向前运行，每一个决策都会改变接下来发生的事。

• 面向哪些用户 —— WorldClaw：关卡设计师、游戏工作室、需要几何数据的合成数据团队。Apollo World：百度自家的自动驾驶部门。

• “好”意味着什么——WorldClaw：场景看起来是否连贯，并且组装起来没有悬浮物体。Apollo World：被测车辆是否变得更安全。

这么说来，这两者与其说是竞争对手，不如说是一条至今无人端到端建成的流水线上相邻的两个阶段。一个负责搭建集合，另一个负责调度其上的流量。

WorldClaw 在每个阶段究竟做了什么

WorldClaw 最好被理解为一位指挥家，而非一件乐器。论文 arXiv 2608.05248 于 2026 年 8 月 5 日提交，官方公告随后于 8 月 11 日发布。该框架接收自由形式的提示词，并运行四个由粗到细的阶段。

• {{1}}意图与规划{{/1}} —— 语言模型智能体读取提示词，决定场景应包含哪些内容，产出的是计划而非图像。

• 地形 — 一次全局处理会生成语义布局、高度场和材质，因此在放置任何内容之前，地面就是连贯一致的。

• 对象——区域会经过渲染、分割，每个区域再通过 Hunyuan3D 重建为独立的网格。这正是显式几何承诺得以兑现之处：输出是一组对象，而不是融合成一团的模糊块或高斯溅射。

• 精修——视觉智能体检查渲染结果中是否存在悬浮物体、相互穿插、比例错误和姿态错误，并将修正意见发回。

其底层技术栈由一系列他人的模型和一个体量很大的应用组成：Claude Opus 4.8 负责规划，GPT-Image-2 负责图像生成，SAM3 和 SAM3D 负责分割，Hunyuan3D 负责重建，Blender 5.1.1 通过 MCP 驱动进行组装。腾讯报告称其运行在四块 NVIDIA H20 GPU 上。已发布的评估是定性的，将输出与 SynCity、WorldGen、MajutsuCity 和 Marble 进行并排场景对比，没有 FID、CLIP 或用户研究数据。

对于任何打算使用它的人来说，仓库才是关键所在。官方 GitHub 项目只有 README 和一些资源文件。没有代码，没有权重，没有推理脚本，没有 API，也没有定价。一篇没有实现的框架论文只是对方法的描述，而不是工具；而大多数“我能试试吗”的问题，正是在这两者之间的鸿沟中无疾而终。

Apollo World 究竟声称什么

Apollo World于2026年11月3日在深圳举行的Baidu AI Day·Apollo上，由百度智能驾驶事业群组首席架构师王亮和负责世界模型工作的杨泽披露。其定调颇为尖锐：世界模型不应是炫目视频的画家，而应是驾驶安全的检验者。百度以一套名为“2+3”的评估标准为此背书——两道门槛决定某事物到底算不算世界模型，三项特性则评定其优劣。

门槛是因果性和交互性。因果性是指下一状态由当前状态预测得出，而不是由帧拼装并回填；交互性是指注入场景的动作会改变后续结果。被考核的属性是物理准确性、持久性和实时性能。持久性正是把演示与测试装置区分开来的那一个：一个模拟器如果长时间运行中物体缓慢漂移或变形，最终就会依据一个已不再与最初世界匹配的世界来给策略评分。百度将道路车辆的决策周期定为三十分之一秒，约33毫秒。

三项能力承载了这些承诺。每个交通参与者都被建模为拥有自身决策的智能体，而不是按脚本行动的道具，因此一辆正在制动的自动驾驶出租车可能引发后方车辆做出不同反应。摄像头和激光雷达数据实时生成，使驾驶软件栈能够通过其在真实道路上使用的同一接口来感知虚拟城市。行程则实现端到端闭环——接单、接客、送客——覆盖任意起点和终点，而不是孤立的场景片段。

百度表示，该模型已在支持Apollo Go的全球测试与验证，并称每天约10万公里的模拟行驶里程，相当于一辆配备安全员的汽车约三年的连续测试。Apollo Go自身的运营数据也被一并引用：28座城市、超过2300万次乘坐、3.5亿公里自动驾驶里程，其中超过2.4亿公里为完全无人驾驶。未公布参数量、架构、基准表、论文、权重文件或价格。这是一次关于内部基础设施的能力简报，而非产品发布。

“Agentic”在这里有两层不同的含义

这正是这种比较中的陷阱，值得慢下来细看，因为这两份公告都倚仗同一个时髦的词。

在 WorldClaw 中，智能体就是构建者。语言模型规划器将提示词分解为场景计划，视觉智能体检查结果并提出修正。智能性存在于创作循环中，并且只在你加载场景之前运行一次。一旦网格导出，智能体便消失了；世界只剩惰性几何体。

在 Apollo World 中，智能体就是居民。规划器并不是在组装任何东西——它们在驾驶其他车辆、在人行道上行走、决定是否让行。这种智能在整个仿真期间持续存在，其全部目的就是让世界对被测对象作出响应。一个带有反应式居民的静态场景，按 WorldClaw 的说法会自相矛盾，而按 Apollo 的说法则正是全部意义所在。

这一区别也解释了为什么两者很难简单地拼在一起。把 WorldClaw 的网格模型丢进驾驶模拟器，得到的是一套外观漂亮、里面却没有任何东西在动的场景。往 WorldClaw 场景里加入会做出反应的车流，则意味着行为层得你自己来写。这两个框架解决的是同一个问题的不同两半，而谁都没有附带另一半。

两者都不可用，而且原因并不相同

WorldClaw 已有文档记录，但不可分发。论文对方法的描述足够详细，资源充足的团队可以据此重新实现，且已有若干第三方构建了部分版本，但腾讯尚未发布代码或权重。需要四块 H20 以及对一组分别授权的模型的依赖，也意味着即使发布，也不会是下载后即可直接使用的方案。

Apollo World 已部署但尚未提供。Baidu 将其描述为面向 Apollo Go 运行，而披露内容中没有商业条款、没有接口，也没有任何计划外部访问的迹象。因此，两者在可用性上的比较并非“开放与封闭”，而是“未发布与内部使用”——如果你在等待其中任何一个，这一区别很重要。

对于本季度就需要一个世界的团队来说，实际路线这两者都不是。带程序化场景工具的游戏引擎覆盖静态的一半；商业驾驶模拟器覆盖动态的一半；而开放权重的视频世界模型覆盖演示的那一半——如果你需要的是传感器，那效果很差。OrcaRouter 不提供 Apollo World 或 Hunyuan3D WorldClaw——两者都不是可调用的模型——但围绕场景流水线的语言和视觉阶段是普通的 API 工作，而这正是我们实际覆盖的层面：一个密钥、200 多个模型、按提供商标价 0% 加价，以及规划调用在构建中途超时时的故障转移。

哪一个才是你问题的正确参考

如果你正在构建游戏关卡、室内场景的合成数据集或虚拟制片布景，那么即使无法运行 WorldClaw，它也是更相关的设计：四阶段分解——规划、地形、物体、细化——是一种合理的架构，而显式网格输出对于任何后续需要编辑的内容都是正确选择。缺乏定量评估是任何复现工作都必须牢记的注意事项；“看起来比 SynCity 更好”并不是一项规格说明。

如果你要验证一套驾驶栈，Apollo World 的 2+3 评分标准是更有用的输出；尽管模型本身尚不可用，它今天就能作为检查清单使用。向任何模拟器供应商询问因果性、交互性、物理准确性、长时间运行中的持久性，以及复杂场景下的延迟。如果一个供应商无法用漂移测量来回答持久性问题，那它卖给你的就是一台贴着物理标签的视频生成器。

这两者很可能会走向融合。一个能够接收来自 WorldClaw 这类框架的可编辑、结构良好的场景的模拟器，将解决使驾驶模拟变得昂贵的内容瓶颈；一个能够让其居民动起来的 WorldClaw 级生成器，将不再只生产立体模型。两家公司都尚未宣布这项工作。目前，诚实的描述是：一个没有代码的布景搭建者，和一个没有门的交通考官，而它们真正共有的只是一个词。