Apollo World 对比 Hy-Nomas：像素必须显示正确，传感器必须准确无误

给两个人看同一段十秒长的视频：一辆车正驶近路口，两人都会觉得看起来没问题。可把它交给规划栈，却只有一个版本可用，因为另一个版本里有个行人的影子方向不对，路缘石高了40厘米，而且完全没有激光雷达回波。这道差距正是Apollo World与Hy-Nomas之间的全部区别。Hy-Nomas是腾讯混元的开放权重交互式视频世界模型：一个80亿参数模型，能根据文本提示和相机路径生成720p视频，于2026年10月下旬以Apache 2.0许可发布。Apollo World是百度的智能体驱动模拟器，于2026年11月3日披露，可输出虚拟城市的相机与激光雷达观测，其中的交通会对待测车辆作出反应。一个靠眼睛评判，另一个则看车是否开得更好。

两者都名副其实地被称为世界模型。只不过其中一个今天下午就能下载，而另一个才是为接入感知栈而设计的。这个取舍正是本文要讲的内容。

保真度陷阱

视频世界模型优化的目标是观众会接受的内容。这不是批评；对于生成模型来说，这是正确的目标，也正是 Hy-Nomas 能够生成一段令人信服的、走过它从未见过的街道的漫游的原因。但感知上的合理性与物理一致性是不同的目标，而它们恰恰在自动驾驶所在的领域发生分离。

一个被训练来预测下一帧的模型会学到：车辆在交叉路口附近会减速，阴影会背离光源。但仅凭像素，它学不到两条车道标线之间的距离是 3.5 米，学不到激光雷达脉冲会以特定强度从湿滑路面返回，也学不到一个已经开始迈步走出的行人，在自车制动时不可能瞬移回路缘。向它索要一段传感器数据流，它会生成看起来像传感器数据流的东西。至于其中的数值是否具有实际度量意义，则是训练目标从未过问的另一个问题。

百度的发布材料正是围绕这一质疑构建的。百度智能驾驶事业群组首席架构师王亮在台上表示，世界模型不应是制作炫目视频的画家，而应是驾驶安全的考官；随后提出的“2+3”标准，明确就是用来筛选那些看起来对、实际并不对的模型。因果性与交互性是门槛；物理准确性、持续性和实时性能是分级评定的属性。无论这套标准还包含什么，它描述的正是视频生成器应用于驾驶技术栈时的失效模式。

Hy-Nomas 实际交付的内容

Hy-Nomas 是一个分段自回归扩散 Transformer，而不是单次视频生成器。它以缓存的历史为条件生成可变长度的片段，从而在相机移动时保持连贯性：“世界记忆”是一个向前传递的 KV 缓存，并随着新片段的生成而刷新。

• 规模——约 80 亿参数，分布于 54 个双流 MMDiT 块，隐藏大小为 2,048。

• 输入 — 自由形式文本加上连续的相机轨迹，并可选配提示增强器 Nomas-PE，它可将松散的文字改写成结构化的 JSON 字幕。

• 输出 — 720 × 1280，24 帧/秒，使用微调的 PixelUMM 解码器基于 DCAE-V 潜变量进行解码，共八个蒸馏去噪步骤。

• 权重 — tencent/Hy-Nomas 位于 Hugging Face，采用 Apache 2.0 许可，约 196GB；代码在 GitHub 上，并提供一个托管演示。

• 硬件——默认部署需要八块 GPU。存在一条使用 INT8 DiT 和 KV 缓存、FP8 解码器与 CPU 卸载的单张 RTX 4090 路径，显存占用约为 38GB。

技术报告 arXiv 2610.36729 于 2026 年 10 月 27 日发布，描述了使多轮交互奏效的技巧：结构化说明文字与动作感知的因果注意力模式对齐，因此描述性上下文能够跨片段持续存在，而动作指令则被限制在其发出的窗口内。评估是一个包含 280 个案例的基准，覆盖四个方向——多轮文本、相机导航、文本与相机交错，以及空间记忆——并与 Genie 3、LingBot-World v2 和 Happy Oyster 进行人工成对比较。Hy-Nomas 在交互和提示遵循方面获胜，据报告其在提示遵循上的胜率约为 65%，但在长期空间记忆上输给 Genie 3。这些是作者在其基准上所做的比较，也是本文中最可核查的主张，因为权重是公开的。

Apollo World 不发布的内容

Apollo World 的披露是一场能力简报，而其中缺失的信息与所宣称的内容同样具有信息量。没有参数数量，没有架构，没有论文，没有列出具名基线的基准测试表，没有权重，没有 API，也没有价格。百度确实表示，该模型已经在支持 Apollo Go 的全球测试与验证，它每天可覆盖约 10 万公里的模拟驾驶——按一辆配备安全员的汽车连续测试约三年计算——并且 Apollo Go 在 28 个城市运营，拥有超过 2300 万次出行、3.5 亿公里自动驾驶里程和超过 2.4 亿公里完全无人驾驶里程。

10万公里这个数字，最好别太当真。它是一个公司自己给出的数字，背后没有外部测量作支撑；而它所依赖的对比——一辆测试车连续跑三年——取决于一个百度并未说明的假定年行驶里程。这并不意味着它错了。它意味着这个数字无法核实，而这是另一回事，也是更值得知道的一点。

相比之下，这些设计主张足够具体，值得与之争辩。每个交通参与者都是会做决策的主体，而不是按脚本行动的摆设。摄像头和激光雷达数据是实时生成的。行程实现端到端闭环，从接单到把乘客送达，覆盖任意起点和终点。而整个系统受限于三十分之一秒、约 33 毫秒的决策周期，这正是持久性和延迟特性成为关键支撑而非装饰的原因。

用百度自己的评分标准来评估Hy-Nomas

真正有意思的做法不是从营销话术上比较两者，而是把 Apollo World 的五处物业拿来对照那个实际存在的模型。

因果性：在百度所指的意义上，Hy-Nomas 算是过关了。它按片段自回归，并以历史为条件，因此未来是由当下生成的，而不是先拼装、再回填的。交互性：部分具备。它能响应文本指令和镜头运动，但那些是导演的命令，而不是其他智能体的动作。场景中没有任何东西会对场景中的其他事物作出反应。物理准确性：未经测量，而且从已发表的工作中也无法测量——该工作是对照人类偏好而非度量真值来评估的。持续性：这是有据可查的短板——论文本身即报告其在长期空间记忆上落后于 Genie 3，而这正是百度所指出的漂移特性。实时性：八个蒸馏步骤达到每秒 24 帧，对扩散模型而言算是快的，但参考部署用的是八块 GPU，33 毫秒的预算根本不可同日而语。

这些都不能说明 Hy-Nomas 是一个糟糕的模型。这反而使它成为另一种工具。如果把它作为一个交互式视频世界来评判——这正是它被打造出来的目标——它足以与现有最佳产品竞争，而且它是开放的，而它的竞争对手几乎没有一个做到这一点。如果把它当作驾驶模拟器来评判，它无法通过百度五项测试中的四项，而且即使权重好上一倍，也仍然无法通过。

每个的运行成本

Hy-Nomas 的价格是可以算出来的。模型权重在 Apache 2.0 下免费；成本在于机器。单张 4090 运行量化路径时，算上 CPU 卸载大约需要 38GB 内存，并能以每秒 24 帧生成 720p。八 GPU 参考部署才是基准测试所描述的版本。如果你是在为一个研究问题生成几百个片段，一张卡就够了；如果你是在生成训练语料，电费就是许可费。

Apollo World 没有可计算的价格，因为它并不出售。唯一诚实的说法是，百度未公布任何商业条款，而所描述的部署是在其自身的 robotaxi 运营内部。

对于围绕二者之一构建的团队来说，路由问题与模型问题是两回事。Apollo World 和 Hy-Nomas 都不在 OrcaRouter 的目录中——前者是 Baidu 内部的，后者是你自行托管的视频模型——本文也不会假装不是这样。我们确实提供的是用于评估和编排这类输出的那一层：一个对生成的视频片段进行评分的视觉语言评判器，一个将研究问题转化为一批提示词的规划器，以及当主模型被限流时启用的备用模型。这就是一个 API覆盖 200 多个模型，0% 加价，按提供商的标价原样透传；当你针对一个 196GB 模型的输出运行数千次评判调用时，这一点尤其重要。

哪一个适合你的技术栈？

如果你想探索生成的环境、操控相机穿行其中，并在浏览器里反复迭代场景，Hy-Nomas 是更好的答案，而且它现已可用。开放许可证并非形式：它允许你微调、量化和发布，这一点是大多数交互式世界模型做不到的，包括那些在提示词遵循方面被它击败的模型。

如果你是在验证驾驶策略，Hy-Nomas 并不能替代模拟器，也不会因为提示词更好就变成模拟器。Apollo World 的正确用法是把它当作一份规范：2+3 评分标准是一组你可以向任何模拟器供应商提出的问题，尤其是其中的持续性问题——十小时运行中的漂移是多少——正是这个问题把测试装置与演示视频区分开来。

值得关注的融合趋势是：一种视频世界模型，在输出 RGB 的同时输出度量深度和激光雷达数据，并用物理一致性损失而非感知损失来训练。Hy-Nomas 的作者已经以在几何上有意义的方式对相机轨迹进行条件化；增加一个传感器头是显而易见的下一步，而且还没有人发表过。在有人做到之前，分工很清晰：Hy-Nomas 构建你可以观看的世界，Apollo World 构建可供汽车在其中被评分的世界，而这两句话之间的空白，正是未来一年工作的所在。