Hy-Nomas 与 Hunyuan3D WorldClaw：同一实验室，两种世界

腾讯混元团队在三个月内相继发布了两款都被称为世界模型的东西，而它们几乎在一切问题上都意见相左。 Hunyuan3D WorldClaw于2026年8月发布，实际上根本算不上一个模型：它是一个四阶段的智能体流水线，先用LLM智能体规划场景、生成地形，将各个物体重建为带纹理的网格，然后让一个视觉智能体渲染结果并修正看起来不对的地方。 Hy-Nomas于2026年10月23日发布，是一个单一的分段自回归扩散Transformer，可渲染可操控视频，并以Apache 2.0许可证发布其权重。一个从一句话构建可编辑的3D资产。另一个从一段对话渲染出连续的世界。

这一比较之所以值得做，恰恰是因为它们同出一个实验室。这是一场干净的自然实验，对比两种策略：把前沿模型编排成一条流水线，还是训练一个模型来包揽全部工作。这两次发布在开放程度上也恰好彼此倒转——工程栈更重的那一个没有公开任何代码，而身为单一模型的那一个则把一切都公开了。

模型和流水线是不同类型的工件

WorldClaw 的论文描述了一个路由器。该系统编排了多个前沿模型，而不是自己执行生成：用于规划的 LLM 智能体、用于区域合成的图像模型、一个分割模型、腾讯自研的 Hunyuan3D 用于网格重建，以及通过 MCP 驱动的 Blender 用于装配。论文将 Claude Opus 4.8 列为规划器，并指出区域组件中包括 GPT-Image-2 和 SAM3D。其贡献在于编排——从全局到区域的分解以及基于渲染的修复循环——而非新的生成主干。

Hy-Nomas 是相反的押注。一个 54 块的双流 MMDiT，隐藏大小为 2,048，一个 Qwen2.5-VL-7B-Instruct 文本编码器，通过交叉注意力进行相机条件化，以及一个终身 KV 缓存。没有规划器，没有分割阶段，循环中也没有外部渲染器。模型本身就是系统。

这种差异解释了这些失败模式。流水线会继承它调用的每个组件的弱点，并且可以逐个组件进行修复。单一模型具有连贯统一的世界观，各阶段之间没有接缝，但任何弱点都已固化到权重中，只能通过重新训练或使用 LoRA 来修复。

WorldClaw 的四个阶段实际起什么作用

第一阶段是意图分析与场景规划。两个 LLM 智能体分工完成：一个只提取用户实际陈述的约束条件，另一个补全细节，生成涵盖区域、地形、物体与空间关系的结构化场景规范。这种分工是对单一规划器常见失效的合理防御——那种失效指的是凭空发明需求，然后再去满足它们。

第二阶段生成全局地形：语义布局图、区域感知高度场，以及按区域分配的材质、岩石和植被。第三阶段将每个区域渲染成 2D 合成图，对实例进行分割，通过 Hunyuan3D 将每个实例重建为带纹理的网格，并将其放回地形上。第四阶段最有趣——视觉智能体从多个视角渲染组装好的场景，检查悬浮物体、相互穿插、比例错误和姿态错误，然后进行迭代。组装通过 MCP 在 Blender 中完成。

输出的是显式、带纹理、可单独编辑的网格，并可导出到游戏引擎。这与视频是真正不同的交付物：每棵树都是一个对象，每个对象都有变换，关卡设计师可以移动其中一个，而无需重新渲染整个世界。

可编辑的网格，或可操控的视频

Hy-Nomas 的输出是 720 × 1280、24 FPS 的视频，在蒸馏配置下以八个去噪步骤分段生成。你无法在 Blender 中打开它。不过，你可以在会话中途重定向它：用自由文本描述世界中有什么，用相机外参决定镜头走向，并用 KV cache 让早先的片段与新指令保持一致。这种编辑是对话式的，并且发生在下一段渲染之前。

WorldClaw 的输出在生成之后仍可编辑。你得到的是几何体，而编辑是空间性的——移动对象、重新缩放树、重新渲染该区域。你无法做到的是在世界渲染的过程中与它对话。流水线会一直运行到完成，然后你再在资产上动手。

• 输出 — Hy-Nomas 可操控的 720 × 1280 视频 vs Hunyuan3D WorldClaw 场景中的显式带纹理网格

• 工作单元 — Hy-Nomas 是按需渲染一个片段，而 Hunyuan3D WorldClaw 是分四个阶段生成整个世界的对比

• 编辑 — Hy-Nomas 在片段之间使用文本和摄像机指令，对比 Hunyuan3D WorldClaw 在生成后对网格进行直接操作

• 引擎 — Hy-Nomas：单个扩散 Transformer，对比 Hunyuan3D WorldClaw：由前沿模型加 Blender 编排而成的技术栈

• 硬件 — 默认使用 Hy-Nomas 8 块 GPU，在 INT8 低内存路径中使用 1 块 RTX 4090，而 Hunyuan3D WorldClaw 使用 4 × NVIDIA H20

• 发布——Hy-Nomas 的 Apache 2.0 权重、代码和基准数据集，对比 Hunyuan3D WorldClaw 仅有一篇论文、一个项目页面和一份不含代码或权重的 README

智能体世界的代价

WorldClaw 的算力叙事并不是通常意义上的 GPU 小时数。它是四块 H20 加上大量前沿模型调用：规划 token、按区域生成图像、按实例分割、按对象重建网格，以及在细化过程中反复进行的视觉智能体渲染。一个世界的边际成本主要由这些调用决定，而论文并未公布价格。社区复现项目改用托管图像和 3D 端点，报告每个世界约五十美分、耗时几分钟，这提供了有用的数量级参考，但并非厂商数据。

Hy-Nomas 的成本更常规：默认使用八块 GPU 和八路序列并行，或使用一块 RTX 4090，搭配 INT8 DiT 权重、INT8 KV 缓存、滑动窗口历史、CPU offload、FlexAttention 和 CUTLASS FP8 解码器。完整检查点集约 196 GB；文档中的演示路径会拉取约 86 GB，而低内存路径大约需要 38 GB 外加文本编码器。不存在托管价格，因为没有托管服务。

真正重要的比较不是每个世界花多少美元，而是钱去了哪里。WorldClaw 把钱花在 token 和 API 调用上，而随着前沿模型价格下降，这些开销也会随之下降。Hy-Nomas 把钱花在 GPU 占用上，而这部分不会下降。流水线的成本下降靠的是别人的曲线；而模型只有当有人将其蒸馏后才会变得更便宜。

• Hy-Nomas 成本驱动因素——按生成会话计算 GPU 小时数，无按调用计费

• WorldClaw 成本驱动因素——用于规划、成像、分割、重建和修复的前沿模型调用，外加 4 × H20

• Hy-Nomas 扩展杠杆——蒸馏与 LoRA，两者均已包含在本次发布中

• WorldClaw 扩展杠杆——更便宜的组件模型和更少的修复迭代

WorldClaw 也是本批次中最有力地论证路由层必要性的例子，因为它本身就是一个路由层。它的规划器调用一个模型，区域阶段调用另一个，重建阶段调用第三个，而整个系统就是一套附带渲染器的路由策略。OrcaRouter 为托管模型完成同样的工作——一个密钥背后接入 200+ 个模型，提供商目录价按 0% 加价透传，自动故障转移，以及一套路由 DSL，可将多个模型组合成一次调用；当你想要的是面板而非链条时，还可使用模型融合。Hy-Nomas 和 WorldClaw 都不在我们的目录中，我们也不会假装自托管世界模型是一个端点；我们所路由的，正是 WorldClaw 证明你需要的这一层。

开放度已反转

这对项目中最奇怪的部分在于：WorldClaw 是更为精巧的系统——一个多阶段的智能体流水线，配有已发表的论文和项目主页——其官方 GitHub 仓库里只有 README、论文和项目素材。没有代码，没有权重，没有 API，也没有定价。一个索要代码的 issue 至今无人回应。公开存在的只是社区的重实现，它们基于托管端点重建了这套流水线；这既证明了论文的清晰易懂，也无法替代官方发布。

Hy-Nomas 是更简单、也更开放的系统：采用 Apache 2.0 许可，在 Hugging Face 上提供完整检查点，在 GitHub 上提供推理和训练代码，还包括一个描述生成工具框架、一个 LoRA 训练器、一个合并脚本，以及包含 280 个案例的基准数据集。技术报告缺失，基准也没有分数，但该产物已足够完整，可用于复现和修改。

对任何打算动手搭建的人来说，这种颠倒比架构本身更能决定成败。跑不起来的流水线，不过是一份设计文档；跑得起来的模型，哪怕评估还是一片空白，也是一个起点。

该选哪个

当交付物是一个关卡时——一个大型、可探索、可编辑的3D环境，需要导入游戏引擎并由人进行修改——那就采用混元3D WorldClaw的方法。请注意，你将依据论文来重建它，因为腾讯尚未发布它；同时要注意，它的质量声明是定性的——论文只是与SynCity、World Labs的Marble、MajutsuCity、Meta的WorldGen和GPT-5.6 Sol进行了对比，而没有使用FID、CLIP或用户研究。

当交付物是影像素材或训练环境时，可以选用 Hy-Nomas：预可视化、合成视频，或是你打算用随附的 Robotics LoRA 进行适配的机器人场景生成器。需要注意的是，关于长时程一致性的说法属于设计论证加一个演示，而非评分结果；单张 4090 运行虽然可行，但会带来卸载开销。

如果你两者都需要——一个可编辑的世界，以及这个世界可操控的影像——那么实话是：今天腾讯没有任何一个单独发布的成果能同时给你这两样。WorldClaw 生成的几何体无法通过对话式交互来驱动。Hy-Nomas 生成的视频无法导出。两者之间的空白，正是至今尚无人交付的产品，而它比这两个模型各自单独来看都更值得关注。