Apollo World 對比 Hy-Nomas：像素必須看起來正確，感測器必須準確無誤

讓兩個人看同一段十秒鐘的影片，內容是一輛車駛近路口，兩人都會同意看起來沒問題。把這段影片交給規劃堆疊，卻只有一個版本可用，因為另一個版本裡有行人的陰影方向錯誤、路緣高出 40 公分，而且完全沒有光達回波。這個落差正是 Apollo World 與 Hy-Nomas 之間的全部差異。Hy-Nomas 是 Tencent Hunyuan 的開放權重互動式影片世界模型：一個 80 億參數模型，可依據文字提示與相機路徑生成 720p 影片，於 2026 年 10 月下旬以 Apache 2.0 授權釋出。Apollo World 是 Baidu 的代理驅動模擬器，於 2026 年 11 月 3 日揭露，可輸出虛擬城市的相機與光達觀測資料，而其中的交通會對受測車輛做出反應。一個是用眼睛評判。另一個則是以車輛的駕駛表現是否變好來評判。

兩者都名副其實地可稱為世界模型。只是其中只有一個能在今天下午就下載到手，而也只有另一個是設計來供應感知堆疊的。這個取捨，正是本文要談的。

忠實度陷阱

影片世界模型以觀眾能接受的效果為最佳化目標。這不是批評；對生成模型而言，這正是正確的目標，這也是為什麼 Hy-Nomas 能生成一段令人信服的畫面，走過它從未見過的街道。但感知上的合理性與物理一致性是不同目標，而它們正是在自動駕駛所處的場景中分道揚鑣。

一個被訓練來預測下一幀的模型，會學到車輛在路口附近會減速，以及陰影會朝遠離光源的方向延伸。光是從像素中，它並不會學到兩條車道標線之間的距離是 3.5 公尺、光達脈衝會以特定強度從濕滑路面反射回來，或者一名已經開始邁步走出的行人，不可能在自車煞車時瞬間回到路緣。向它要一段感測器串流，它會產出某個看起來像感測器串流的東西。其中的數值是否具有公制意義，則是訓練目標從未提出的另一個問題。

百度的發表資料正是圍繞這項質疑建構的。百度智慧駕駛事業群首席架構師王亮在台上表示，世界模型不該是產出吸睛影片的畫家，而應是駕駛安全的考官；隨後提出的「2+3」準則，明確就是一套篩選器，用來剔除那些看似正確、實則不正確的模型。因果性與互動性是門檻；物理準確性、持續性與即時性則是分級評量的屬性。無論這套準則還有什麼其他意涵，它描述的正是把影片生成器套用到駕駛技術堆疊時會出現的失效模式。

Hy-Nomas 實際出貨的內容

Hy-Nomas 是分段自迴歸擴散 Transformer，而不是單次生成影片的生成器。它會以快取歷史為條件產生可變長度的片段，這就是它在攝影機移動時維持連貫性的方式：「世界記憶」是一種持續向前攜帶的 KV 快取，並會在生成新片段時更新。

• 規模 — 約 80 億個參數，分佈於 54 個雙串流 MMDiT 區塊，隱藏維度為 2,048。

• 輸入 — 自由形式的文字加上連續的攝影機軌跡，並可選擇使用提示增強器 Nomas-PE，將鬆散的散文改寫為結構化的 JSON 標註。

• 輸出 — 720 × 1280、每秒 24 幀，使用微調後的 PixelUMM 解碼器處理 DCAE-V 潛在變數，共八個蒸餾去噪步驟。

• 權重 — Hugging Face 上的 tencent/Hy-Nomas，採用 Apache 2.0 授權，約 196GB，程式碼在 GitHub 上，並提供託管示範。

• 硬體 — 預設部署需要八張 GPU。單張 RTX 4090 的執行路徑則使用 INT8 DiT 與 KV 快取、FP8 解碼器與 CPU 卸載，約需 38GB。

技術報告 arXiv 2610.36729 於 2026 年 10 月 27 日發表，描述了讓多輪互動得以運作的技巧：結構化標註會與動作感知的因果注意力模式對齊，因此描述性上下文能跨片段持續存在，而動作指令則被限制在其發出時的視窗內。評估是一項涵蓋四個賽道的 280 案例基準——多輪文字、相機導航、文字與相機交錯，以及空間記憶——並與 Genie 3、LingBot-World v2 和 Happy Oyster 進行人類成對比較。Hy-Nomas 在互動與提示遵循上勝出，據報告提示遵循的勝率約為 65%，但在長期空間記憶上輸給 Genie 3。這些是作者在其基準上的比較，也是本文中最可查核的主張，因為權重是公開的。

Apollo World 不發布的內容

Apollo World 的揭露是一份能力簡報，而其中缺席的部分與其所宣稱的內容同樣具有資訊價值。當中沒有參數量、沒有架構、沒有論文、沒有列出具名基線的基準測試表、沒有權重、沒有 API，也沒有價格。百度實際說的是，該模型已在支援 Apollo Go 的全球測試與驗證，每天可涵蓋約 10 萬公里的模擬駕駛——並以此框架為相當於一輛配備安全駕駛員的車輛約三年的連續測試——以及 Apollo Go 在 28 個城市營運，擁有超過 2,300 萬次搭乘、3.5 億自駕公里，以及超過 2.4 億全無人駕駛公里。

100,000 公里這個數字，還是別太當真。這是公司自己給出的數字，背後沒有外部測量依據；而它所依據的比較——一輛測試車連續運行三年——取決於一個百度並未說明的假定年行駛里程。這並不代表它錯了，而是代表它無法驗證，而這是另一件、也是更有用的事實。

相較之下，這些設計主張具體到足以讓人與之爭辯。每一位交通參與者都是會做決策的行動者，而非照本宣科的道具。攝影機與光達資料是即時生成的。行程能端到端閉環，從接受訂單到送達乘客，涵蓋任意起點與目的地。而整個系統受限于三十分之一秒、約 33 毫秒的決策週期，這正是讓持久性與延遲特性成為承重結構、而非裝飾點綴的原因。

將百度自家的評分規準套用到 Hy-Nomas 上

有趣的練習並不是從行銷層面去比較這兩者，而是拿 Apollo World 的那五項資產，去對照那套實際存在的模式。

因果性：Hy-Nomas 通過了，就百度所指的意義而言。它對各段進行自迴歸，並以歷史為條件，因此未來是由現在生成，而不是被拼裝後回填。互動性：部分具備。它會回應文字指令與鏡頭移動，但那些是導演的指令，不是其他智能體的行動。場景中沒有任何東西會對場景中的其他東西做出反應。物理準確性：尚未量測，也無法從已發表的研究中量測，因為該研究是依據人類偏好而非指標性基準真值來評估。持續性：這是文獻記載的弱點——論文本身報告在長期空間記憶上落後 Genie 3，而這正是百度所指出的漂移特性。即時性：以八個蒸餾步數達到每秒 24 幀，對擴散模型而言算快，但參考部署是八張 GPU，而 33 毫秒的預算根本不能相提並論。

這些都不會讓 Hy-Nomas 成為糟糕的模型。這只會讓它成為另一種工具。若以互動式影片世界來評判——這正是它被打造出來的目標——它與現有最佳者相比具有競爭力，而且它是開放的，幾乎沒有競爭對手是開放的。若以駕駛模擬器來評判，它未能通過 Baidu 五項測試中的四項，而且即使權重再好一倍，也仍會失敗。

每個的運行成本

Hy-Nomas 有一個可計算的代價。權重在 Apache 2.0 下免費；成本在於機器。單張 4090 執行量化路徑時，計入 CPU 卸載後約需 38GB 記憶體，並以每秒 24 幀產生 720p。八 GPU 參考部署是基準測試所描述的版本。如果你是為了研究問題生成數百段短片，一張卡就夠；如果你要生成訓練語料，電費就是授權費。

Apollo World 沒有可計算的價格，因為它並非待售項目。唯一誠實的說法是，Baidu 並未公布任何商業條款，而所述部署是在其自家的 robotaxi 營運內部。

對於以這兩者之一為基礎打造產品的團隊來說，路由問題與模型問題是兩回事。Apollo World 和 Hy-Nomas 都不在 OrcaRouter 的目錄中——前者是百度內部使用，後者是你自行託管的影片模型——而本文不會假裝不是如此。我們真正提供的是用來評估與編排這類輸出的那一層：一個會為生成片段評分的視覺語言評審、一個能把研究問題轉成一整批提示詞的規劃器，以及在主要模型受到速率限制時使用的備援模型。那就是一個 API，可存取超過 200 個模型、0% 加價，並直接沿用供應商的定價；當你對一個 196GB 模型的輸出執行數千次評審呼叫時，這一點最為重要。

哪一個屬於你的技術棧？

如果你想探索生成的環境、操控攝影機在其中穿行，並在瀏覽器中對場景反覆迭代，Hy-Nomas 是更好的答案，而且現在就能使用。開放授權不是形式上的點綴：它讓你能微調、量化並部署，這一點是大多數互動式世界模型做不到的，包括那些在提示詞遵循上被它擊敗的模型。

如果你正在驗證駕駛策略，Hy-Nomas 不能取代模擬器，也不會因為提示詞寫得更好就成為模擬器。Apollo World 的正確用途是作為一份規格：2+3 評分規準是一組可以拿來詢問任何模擬器供應商的問題，而其中特別是持續性問題——十小時執行期間的漂移是多少——正是區分測試台與展示影片的關鍵。

值得關注的匯流，是一種影片世界模型：它在輸出 RGB 的同時，也輸出公制深度與光達資料，並且是以物理一致性損失、而非知覺損失來訓練。Hy-Nomas 的作者們已經以幾何上有意義的方式，將相機軌跡作為條件；加入感測器頭是顯而易見的下一步，而且還沒有人發表過。在有人做到之前，分工很清楚：Hy-Nomas 打造的是你可以觀看的世界，Apollo World 打造的是能讓車輛被評分世界，而這兩句話之間的落差，正是未來一年的工作所在。