Genie 4 对比 Hunyuan3D WorldClaw：世界的视频，还是世界的网格文件

其中一个递给你一个 MP4，另一个递给你一份场景图。这就是全部的比较，其余一切都由此而来。Genie 4 是 Google DeepMind 于 2026 年 10 月 27 日发布的世界模型，它能实时生成照片级真实、可听、可通过文本操控的世界，并以视频形式展示给你。由腾讯 Hunyuan3D 团队于 2026 年 8 月发布的 Hunyuan3D WorldClaw，会生成明确、可单独编辑、带纹理的网格，你可以将其在 Unity 或 Unreal 中打开并保留。如果你的工作在镜头获批时就结束了，那么 Genie 4 是更令人印象深刻的产物。如果你的工作在镜头获批时才刚开始，那么 WorldClaw 是两者中唯一能给你提供可用素材的那一个。

两者都是研究成果，而非产品，而且都比其演示所暗示的更难以获得。但它们的失败方向各不相同，而弄清楚自己能够容忍哪一种失败，正是决策的全部所在。

交付物测试

问问什么能在会话结束后留存下来，差距就变得具体了。

• 输出 — Genie 4 返回带有同步生成音频的生成视频帧；Hunyuan3D WorldClaw 返回带有地形、材质和已放置对象的纹理化 3D 网格。

• 可编辑性——Genie 4 通过在仿真运行时向其发送提示来编辑；WorldClaw 的输出则由人类或脚本在建模工具中作为几何体进行编辑。

• 下游用途——Genie 4 的输出被当作影像素材来使用；WorldClaw 的输出则供游戏引擎、渲染器或物理模拟器使用。

• 确定性——Genie 4 的一次运行无法逐帧复现；而网格是一个始终保持一致的文件。

• 音频 — 在 Genie 4 上原生支持；不属于 WorldClaw 的处理流程。

• 访问权限 — Genie 4 是受限的研究预览；WorldClaw 是一篇论文，其代码库尚未包含可运行代码。

视频模型会走红、网格管线会进入生产，这是有原因的。视频任何人都能在五秒内看懂。网格只有那些知道拿它来做什么的人才看得懂——而这个人通常就是掌握预算的人。

WorldClaw 的四个阶段到底起什么作用

WorldClaw 并不是一个单一网络。它是一条智能体流水线，把“用这句话为我构建一个世界”拆解为四个阶段，而这种拆解本身正是其贡献所在。

第一阶段是意图分析与场景规划：语言模型智能体将开放式提示解析为结构化规范，涵盖区域、地形、物体、材质与空间关系。第二阶段生成全局地形——一张语义布局图加一个区域感知高度场，并按区域分配材质与资产。第三阶段进行区域物体生成：对以地形为条件的三维二维合成图进行分割，将每个实例重建为独立的带纹理网格，再把这些网格放置到地形上。第四阶段是基于渲染的细化：视觉智能体从多个视角渲染场景，检查结果中是否存在悬浮物体、相互穿插、比例与位姿错误，修正这些问题并重新渲染。装配通过模型上下文协议在 Blender 中完成。

最后那个循环才是有意思的工程部分。一个看不到自己输出的生成模型就是一台老虎机。一个能渲染、检查并纠正的流水线才是一个流程——而纠正步骤正是大型场景中大部分可感知质量的来源，因为已放置的 3D 资产的失效模式是几何性的，因而可检测，而不是审美性的，因而可争论。

该论文自身的方案是一套由第三方模型堆叠而成的系统：由 Claude Opus 4.8 驱动智能体，使用 GPT-Image-2 加 SAM3D 进行分割，使用 Hunyuan3D 进行重建，并运行在四块 NVIDIA H20 GPU 上。WorldClaw 更应被理解为一种叠加在现有生成器之上的编排层，而不是一个新的生成模型；这既是它的优势——它会随着各组件改进而提升——也是它的脆弱之处，因为任一组件行为的变化都会改变整个流水线的输出。

为什么 Mesh 比视频更有价值，成本也更高

一个世界的视频，是对某个世界的一种主张。而网格本身就是那个世界，或者至少是足以开始构建它的足够部分。这种差异会体现在每一个下游任务中：碰撞、遮挡、光照、物理、关卡设计，以及因为视线不对而把一栋建筑向左移动两米这种日常琐事。

在 Genie 4 的输出上，这些操作一个都做不了。你可以通过提示让模拟发生改变，它会生成一组新的帧，而这些帧未必会遵循你心中设想的那个约束，并且这种改变不会持续超过 DeepMind 所称的两分钟连贯窗口。模型并没有假装自己能做到别的事；它宣称的用途是预可视化、原型制作和机器人训练——这些全都是消耗世界，而不是在世界上继续构建。

WorldClaw 方法的代价同样显而易见。四个阶段、多个智能体、一个外部渲染器，再加上一次 Blender 往返，意味着每个世界需要数分钟到数小时，而不是数秒；并且这条流水线在任何一个阶段都可能失败——分割错误会传播为物体放置不当，精修阶段可能将其修复，也可能无法修复。Genie 4 的失败模式则更为温和：细节漂移只是令人烦恼，而建筑悬空则是彻底的损坏。

双方的可用性比演示所显示的要差

这两种模型都不是你本季度就能采用的，而且原因各不相同。

Genie 4 是面向可信测试者的研究预览版。Google 表示，AI Ultra 订阅用户将通过 Project Genie 获得它，而早期访问合作伙伴将在“未来几周内”通过 Gemini API 和 Google AI Studio 使用它。目前有候补名单，未公布价格，也未公布分辨率或帧率，且没有商业条款。

WorldClaw 在某一个具体方面离可用更远：Tencent-Hunyuan/Hunyuan3D-WorldClaw 仓库里只有 README 和素材，没有代码。索要代码的请求仍未得到回复。没有权重，没有 API，也没有定价。现有的只有论文、公告和一组演示。

因此，对于2026年10月下旬的从业者来说，比较是在一份候补名单和一个无法运行的代码库之间进行的。这并不是贬低任何一方团队——论文先于发布——但这确实意味着，任何让你在两者之间“选择”的文章，描述的都是未来的采购，而不是当下的采购。

评估部分能告诉你什么

WorldClaw 的论文通过与 SynCity、Meta 的 WorldGen、MajutsuCity 以及 World Labs 的 Marble 进行并排定性比较来评估其输出。论文没有 FID 或 CLIP 分数，也没有用户研究。这确实是一个局限，但也很诚实：大规模 3D 场景质量确实很难评分，而一个只奖励某一维度的定量指标会歪曲其他维度。

Genie 4 的发布没有公布任何基准测试——除了翻倍的连贯性窗口之外，没有任何与 Genie 3 的对比，没有分辨率，也没有帧率。双方都没有给外界一个可供核实的数字。在这个每家厂商都在展示精心挑选的演示的品类里，缺乏量化评测是大家共同的处境，而这也应当让你在任何地方读到的任何自信论断有所保留——包括这里。

当流水线本身成为产品

WorldClaw 值得借鉴的部分并不是 3D 生成——那只是一组组件的堆叠——而是这个模式：用语言模型做规划，用专用模型生成，用视觉模型验证，修复，重复。如今，每一个想要实现可控世界生成的工作室都在重建这个模式，而它几乎完全是一个编排问题。

基础设施问题正落在这里。这种形态的流水线每生成一个世界就要发起数十次模型调用，横跨至少三种模态，而任何一次调用失败都会让整个运行停滞。通过具备自动故障转移的单一端点来运行，意味着某个供应商卡住只会变成一次重试，而不是丢失整个任务；路由 DSL 则可以让你把昂贵的模型固定用于规划阶段，把更便宜的模型用于逐对象验证环节，而大部分 token 正是消耗在那里。这就是我们所构建的层——一个覆盖 200 多个模型的 API，供应商标价按 0% 加价透传——并且它有意保持模型无关，因为像 WorldClaw 这样的流水线，其底层组件在流水线本身稳定下来之前会被更换好几次。

该看哪一个

如果你制作影片、原型或训练环境，并且本季度就需要一些成果，请关注 Genie 4 的访问公告，并基于你已经可以调用的模型，为周边工具构建原型。音频和语言引导是本次比较中其他任何方案都不具备的能力，而两分钟上限则是一个你可以围绕它进行设计的限制。

如果你制作游戏、模拟，或任何作为资产交付的东西，WorldClaw 的形态才是对你真正重要的那个，尽管它的代码尚不存在。Tencent 一发布它，一条能把可编辑网格输出到游戏引擎里的管线，就比一千个漂亮的视频更有价值，因为视频是工作的终点，而网格是工作的起点。