Genie 4 vs HY-Nomas：更好的世界是封闭的，可下载的那个则不是

大约 196 GB，你就能完全拥有一个世界模型。这就是完整的 HY-Nomas 检查点集合的大小；腾讯混元团队于 2026 年 10 月 23 日以 Apache 2.0 许可证发布了该集合，权重发布在 Hugging Face，代码发布在 GitHub。四天后，Google DeepMind 发布了 Genie 4——按大多数定性指标衡量，这是一个更好的世界模型，具备原生音频和两分钟连贯窗口，但除受信任的测试者和等候名单上的人之外，任何人都无法使用。在这两个事实之间，存在着当前生成式世界建模中最实际的决定：选择你无法拥有的更强模型，还是选择今晚就能运行的较弱模型。

这场比较实际上并不是 Genie 4 与 HY-Nomas 在质量上的对比。它比较的是面对同一个问题的两种姿态，而质量差距正是这种姿态的代价。理解你在付出什么，以及你以什么为代价付出，才是本文的重点。

Apache 2.0 究竟能带给你什么

HY-Nomas 以权重形式发布，而非作为服务提供。主检查点托管在 Hugging Face 上，地址为 tencent/Hy-Nomas，同时还有一个与 Diffusers 兼容的变体；该仓库还包含一套 LoRA 微调方案以及两个适配器——一个用于电影级运镜，一个用于机器人风格素材。

最后这一点值得强调，因为没有任何封闭世界模型能提供它。如果你能基于自己的素材进行微调，就能让模型向你的领域靠拢：你工作室的镜头语言、你机器人的传感器特性、你游戏的美术方向。Genie 4 无论上限多高，也只会生成 Google 训练它生成的内容，而你唯一能撬动的杠杆就是文本提示词。对于一个把世界模型视为竞争优势而非工具的团队来说，这一差异的价值远远超过大量视觉上的精雕细琢。

许可证也很重要。Apache 2.0 足够宽松，无需谈判即可用于商业部署，这一点是 Genie 4 比不上的——后者的商业条款根本尚未公布。

六十秒对两分钟

两个模型都会生成交互式世界。它们生成的方式不同，而这种差异决定了应如何解读时长数字。

Genie 4 是一个实时世界模型：它会在你操控时进行渲染，能让一个场景维持约两分钟，并在同一次生成过程中原生生成音频——环境声、音乐、对话。你只需输入天气，就能改变天气。DeepMind 自己给出的提醒是，在较长时间的运行中，细节和客体永久性会出现漂移，尤其是在反复进行复杂的提示词编辑之后。

HY-Nomas 以连续片段的方式生成视频，而不是生成一个静态文件；你可以通过文本提示和摄像机轨迹逐轮引导它。一个终身 KV 缓存可在这些轮次之间保持世界一致性。其宣称的上限约为在 720×1280 和每秒 24 帧下生成六十秒，并在蒸馏配置下使用八步去噪，同时也支持四步和六步。

所以，诚实的比较不是六十秒对一百二十秒，而是基于回合的分段生成与持续实时渲染之间的对比。Genie 4 提供的是一个当你身处其中时便会作出回应的世界。HY-Nomas 提供的是一个每次只推进一个经设定回合的世界，这是一种更慢的工作方式，也是一种可控得多的工作方式——每一段都是你在进入下一段之前可以检查的决策。

在底层，两者在架构上有所不同，而这种差异解释了它们的行为表现。HY-Nomas 是一个扩散 Transformer——包含五十四个双流 MMDiT 块、一个 Qwen2.5-VL-7B-Instruct 文本编码器、DCAE-V 潜变量以及一个微调过的 PixelUMM 解码器，参数规模约为八十亿；这一数字是从已发布的检查点推导出来的，而不是来自官方声明。这是一个生成视频片段的大型模型。Genie 4 是一个实时模拟器，Google 尚未以任何可比细节描述其内部结构；它与 Gemini 模型搭配，由后者锚定外观并引导循环。

Genie 4 独有而其他产品都没有的功能

音频。Genie 4 是首个原生生成声音的 DeepMind 世界模型，而截至本文撰写时，本次对比中没有任何开放权重的世界模型——包括 HY-Nomas 在内——提出过同等的说法。它能生成环境噪声、音乐以及交互式对话，在对话中角色会对场景中正在发生的事情作出回应。

这是否具有决定性，完全取决于你的用途。对于电影预可视化来说，这几乎是决定性的：没有声音的镜头只能算半个镜头，而要按照别人的时间节奏从零重建声景，正是预可视化中没人喜欢的那部分工作。对于机器人仿真来说，它是一种缺失的输入模态，限制了环境所能传授的内容。对于生成背景板素材的游戏工作室来说，它只是一种便利。

而对所有人来说，它都是未被测量的。谷歌没有发布任何音频基准测试，没有任何同步性测量，其自家工程师也承认音频准确性尚未解决。这一声明是真实的，而证据只是一段演示片。

硬件账单，算清楚了

这就是开放模型不再免费、开始成为资本支出的地方。

• 默认部署 — HY-Nomas 是为八块 GPU 设计的。那是一台服务器，而不是工作站。

• 单 GPU 路线——有文档记录的配置可在单块 RTX 4090 上运行，扩散 Transformer 使用 INT8 权重，解码器使用 FP8，采用 CPU 卸载，并使用有上限的历史缓冲区。

磁盘——完整的 checkpoint 集合大约为 196 GB；低内存方案需要约 38 GB，外加文本编码器。

• 吞吐量——输出六十秒并不等于计算六十秒。在五十四个 transformer 块上进行八步去噪的扩散过程意味着每段生成要以分钟计，而 Tencent 尚未公布延迟数据。

• {{1}}Genie 4{{/1}} — 未公布硬件要求、未公布延迟、未公布价格。获取方式是通过 {{3}}Project Genie{{/3}} 或早期访问合作伙伴协议订阅 {{2}}Google AI Ultra{{/2}}。

实事求是地算一算，4090 方案是研究用途的机器，不是生产用机器：它会慢慢地生成片段，长序列下记忆会退化，而这正是设有上限的历史缓冲区所做的取舍。八卡方案能提供可用的吞吐量，成本相当于八块数据中心级 GPU 的成本——这还没算上电力，以及必须让它持续运行的人力。

这就是为什么与托管 API 作比较并非理所当然。如果你的用量是每月几百个片段，却运行八块 GPU 来服务它们，那就是对资金的糟糕利用，正确的答案是采用按调用次数计价、无需资本支出的 API——我们的或任何人的都可以。如果你的用量是持续不断的，或者你的数据无法离开你的网络，那么 196 GB 的下载就是一笔托管服务无法匹敌的划算买卖。这才是真正的决策所在，而它与哪个模型更漂亮毫无关系。

两项基准，零得分

HY-Nomas 推出了一个名为 Hy-Nomas-Bench 的东西：包含 280 个测试用例和约 220 条参考相机轨迹。它是一个真实的评估框架，而且截至发布时，尚无已公布的结果。技术报告被描述为即将发布。

Genie 4 没有对等物。除了翻倍的一致性窗口之外，Google 没有发布任何基准测试套件，也没有提供与 Genie 3 的任何数值比较，并且完全没有公布分辨率和帧率。

所以双方都要求凭演示视频来评判。在这种情况下，决定胜负的标准应该是可复现性，而这一点毫无悬念：你可以下载 HY-Nomas，亲自运行 Hy-Nomas-Bench，并公布一个数字。用 Genie 4 你做不到这一点；如果你属于那种在投入之前需要一个数字的团队，那么闭源模型就不仅仅是不方便——它直接出局。

我们实际会推荐什么

如果你需要目前最有说服力的世界，而且你的工作是探索性的——预可视化、概念设计、原型级模拟——那么 Genie 4 是更强的能力，你应该加入等候名单，并围绕两分钟镜头来设计。仅音频一项就使它区别于所有开放权重的模型，而 Gemini 在环架构意味着它可以由智能体驱动，而不是靠手动操作。

如果你需要一个可以自己拥有、微调、审计、嵌入产品，或者在不向供应商发送数据的情况下运行的世界模型，那么 HY-Nomas 就是本次比较中唯一的选择，而且它确实很有能力：Apache 2.0、单张 4090 即可运行的路径、相机控制、机器人适配器，以及公开发布的评估套件。你是在用照片级真实感和声音换取控制力与可复现性，而对于大量工程工作来说，这是正确的取舍。

周边技术栈正是二者交汇之处。无论你选择哪种模型，它都会处在一个智能体循环之中——必须由某个环节来编写提示词、选择相机轨迹、检查分段，并决定是否重新生成。这个循环由普通的语言模型和视觉模型调用构成，而路由器的价值正体现在这里：一个 API 覆盖 200 多个模型，自动故障转移让停滞的供应商变成一次重试，而不是一次丢失的渲染；供应商目录价以 0% 加价传递，因此厂商降价在生效当天就能惠及你。世界模型是你技术栈中昂贵且变化缓慢的部分。它周围的一切都应当相反。

六个月前，有趣的问题是开放世界模型到底能否具有竞争力。HY-Nomas 的回答是：它们可以在控制方面具备竞争力，但在保真度上落后；Genie 4 的回答则是：保真度的上限仍在移动。两个回答都没有平息争论，这正是为什么会有这个下载，而等待名单又如此之长。