Genie 4 對上 HY-Nomas：更好的世界是封閉的，可下載的那個則不是

只要約 196 GB，你就能直接擁有一個世界模型。這正是完整的 HY-Nomas 檢查點套件的大小；騰訊混元團隊於 2026 年 10 月 23 日以 Apache 2.0 授權發布，權重放在 Hugging Face，程式碼放在 GitHub。四天後，Google DeepMind 發布 Genie 4；就多數定性指標來看，它是更好的世界模型，具備原生音訊與兩分鐘的連貫性視窗，但除了受信任測試者與候補名單之外，誰都拿不到。在這兩項事實之間，正是當下生成式世界建模最實際的抉擇：選擇你拿不到的較強模型，還是選擇今晚就能跑的較弱模型。

這場比較，實質上並不是 Genie 4 與 HY-Nomas 在品質上的高下之分。它比較的是面對同一個問題的兩種姿態，而品質落差正是這種姿態的代價。理解你正在付出什麼、以及用什麼在付出，才是本文的重點所在。

Apache 2.0 實際上能帶給你什麼

HY-Nomas 以權重形式發布，而非作為服務提供。主要檢查點位於 Hugging Face，名稱為 tencent/Hy-Nomas，並附有一個相容於 Diffusers 的變體；該儲存庫包含 LoRA 微調配方以及兩個適配器——一個用於電影級攝影運鏡，一個用於機器人風格影像。

最後一點值得強調，因為沒有任何封閉式世界模型能提供這種能力。如果你能用自己的影片素材進行微調，就能讓模型朝你的領域靠攏：你工作室的鏡頭語言、你機器人的感測器特性、你遊戲的美術方向。Genie 4 無論上限多高，產出的都會是 Google 訓練它產出的東西，而你唯一能調控的手段就是文字提示。對一個把世界模型視為競爭優勢資產而非工具的團隊來說，這項差異的重要性遠勝於大量視覺精緻度。

授權條款同樣重要。Apache 2.0 的寬鬆程度足以讓商業部署無須另行協商，這一點是 Genie 4 比不上的，因為 Genie 4 的商業條款根本尚未公布。

六十秒對抗兩分鐘

兩個模型都會生成互動世界。它們以不同的方式生成，而這個差異決定了該如何解讀時長數字。

Genie 4 是一個即時世界模型：它會在你操控時同步渲染，能讓場景維持約兩分鐘，並在同一輪生成中原生產生音訊——環境音、音樂、對話。你只要輸入天氣，就能改變天氣。DeepMind 自己提出的警告是：在較長時間的運行中，細節與物體恆存性會逐漸漂移，尤其是在反覆進行複雜的提示詞編輯之後。

HY-Nomas 以連續片段生成影片，而非單一靜態檔案；你可以透過文字提示與攝影機軌跡，逐回合引導它。終身 KV 快取會在這些回合之間維持世界一致性。其宣稱上限約為在 720×1280、每秒 24 幀下生成六十秒，於蒸餾設定中使用八個去噪步驟，並且也支援四個與六個。

所以，誠實的比較不是六十秒與一百二十秒之別，而是回合式片段生成與連續即時渲染的對比。Genie 4 給你一個在你身處其中時會即時回應的世界。HY-Nomas 則給你一個一次只推進一個經編排回合的世界；這是較慢的工作方式，但可控性高得多——每個片段都是一個決策，你可以在進入下一個片段前先檢視。

深入來看，兩者在架構上有所不同，而這正好解釋了其行為表現。HY-Nomas 是一個擴散 Transformer——五十四個雙流 MMDiT 區塊、一個 Qwen2.5-VL-7B-Instruct 文字編碼器、DCAE-V 潛在表徵，以及一個微調過的 PixelUMM 解碼器，參數量約八十億；這是從已公布的檢查點推導而來，而非來自官方說法。那是一個用來生成影片片段的大型模型。Genie 4 則是即時模擬器，Google 尚未以任何可相比的細節描述其內部構造；它搭配 Gemini 模型，由後者錨定外觀並引導迴圈。

Genie 4 獨有、其他產品都沒有的功能

音訊。Genie 4 是首個原生生成聲音的 DeepMind 世界模型，而截至本文撰寫之時，此比較中沒有任何開放權重的世界模型——包括 HY-Nomas 在內——提出同等的主張。它能產生環境噪音、音樂，以及角色會對場景中發生的事作出反應的互動對話。

那是否具決定性，完全取決於你的用途。對電影預視覺化而言，這幾乎是決定性的：沒有聲音的鏡頭只算半個鏡頭，而要按照別人的時間節奏從頭重建音景，正是 pre-vis 裡沒有人喜歡的部分。對機器人模擬來說，這是一個缺失的輸入模態，限制了環境所能教會的東西。對生成背景板影片素材的遊戲工作室來說，這是一種便利。

而對所有人來說，這都未經測量。Google 並未公布任何音訊基準測試、任何同步量測，且其自家工程師也承認音訊準確度尚未解決。這項宣稱是真的，但證據只是一段展示影片。

硬體帳單，算清楚了

這就是開放模型不再免費、開始成為資本支出的轉折點。

• 預設部署 — HY-Nomas 是為八張 GPU 設計的。那是伺服器，不是工作站。

• 單 GPU 路線——一套有文件記載的配置可在單張 RTX 4090 上運行，擴散 transformer 使用 INT8 權重、FP8 解碼器、CPU 卸載，並設有上限的歷史緩衝區。

• 磁碟 — 完整檢查點集約 196 GB；低記憶體路線需要約 38 GB，外加文字編碼器。

• 吞吐量——六十秒的輸出並不等於六十秒的運算。在五十四個 Transformer 區塊上進行八步去噪的擴散過程，意味著生成時間是以每段幾分鐘來計算，而 Tencent 並未公布延遲數據。

• Genie 4 — 未公布硬體需求、未公布延遲、未公布價格。使用方式為透過 Project Genie 訂閱 Google AI Ultra，或簽訂早期存取合作夥伴協議。

老實把帳算一算，4090 這條路線是研究機，不是生產機：它會產出一段結果，但速度很慢，長序列下的記憶表現也會退化，而這正是設有上限的歷史緩衝區所做的取捨。八 GPU 路線能提供可用的吞吐量，成本就是八張資料中心 GPU 的價格，而且這還沒算上電力，以及得有人負責讓它持續運轉的人力成本。

這就是為什麼與託管 API 的比較並非理所當然。如果你的用量是每月幾百個片段，卻跑八張 GPU 來服務它們，那是資本的糟糕運用，正確答案會是按次計價、無資本支出的 API——我們的或任何人的皆然。如果你的用量是持續不斷的，或者你的資料不能離開你的網路，那麼 196 GB 的下載就是一筆任何託管服務都比不上的划算交易。這才是真正的決策所在，而它跟哪個模型比較漂亮毫無關係。

兩個基準，零分

HY-Nomas 推出了一個名為 Hy-Nomas-Bench 的東西：280 個測試案例，約有 220 條參考相機軌跡。它是一套真正的評估工具，而截至發布時，它尚無已公布的结果。技術報告被描述為即將發布。

Genie 4 沒有可比的對象。Google 並未發布任何基準測試套件，除了加倍的連貫性視窗外，也沒有與 Genie 3 的數值比較，而且完全沒有提供解析度或影格率。

所以雙方都要求以示範影片來評判。在這種情況下，決勝點應該是可重現性，而這方面的差距毫不接近：你可以下載 HY-Nomas、自己執行 Hy-Nomas-Bench，並公布一個數字。用 Genie 4 就做不到這件事；如果你是那種在投入前需要先看到數字的團隊，封閉模型就不只是不方便——而是直接出局。

我們實際上會推薦什麼

如果你需要目前最令人信服的世界，而且你的工作是探索性的——預視覺化、概念設計、原型級模擬——那麼 Genie 4 是更強的能力，你應該加入候補名單，並以兩分鐘鏡頭為前提來設計。單是音訊就讓它與所有開放權重模型處於不同等級，而 Gemini-in-the-loop 架構意味著它可以由代理驅動，而不是靠手動操作。

如果你需要一個你能擁有、微調、稽核、嵌入產品，或在不將資料傳送給供應商的情況下運行的世界模型，HY-Nomas 是這項比較中唯一的選項，而且它確實相當有能力：Apache 2.0、單張 4090 路徑、相機控制、機器人適配器，以及已公開的評估套件。你是在用照片級真實感與音訊換取控制力與可重現性，而對一大類工程工作來說，這是正確的交換。

周圍的技術堆疊正是兩者交會之處。無論你選擇哪個模型，它都會位於一個代理迴圈之中——必須有東西負責撰寫提示詞、選擇相機軌跡、檢查片段並決定是否重新生成。這個迴圈由一般的語言與視覺模型呼叫組成，而這正是路由器發揮價值的地方：一套 API 橫跨 200 多個模型、自動容錯移轉，讓停滯的供應商只造成一次重試，而不是丟失一次渲染，並以 0% 加價原樣傳遞供應商定價，讓供應商降價在落地當天就能反映到你身上。世界模型是你堆疊中昂貴且變化緩慢的部分。它周圍的一切則應該恰恰相反。

六個月前，真正有趣的問題是：開放世界模型究竟有沒有競爭力。HY-Nomas 的回答是：它們在控制層面可以有競爭力，但在保真度上仍落後；Genie 4 的回答則是：保真度的天花板仍在持續上移。這兩個答案都沒有平息爭論，而這正是下載之所以存在、等候名單之所以如此之長的原因。