48小时像素级复刻谷歌最强世界模型！腾讯混元用开源的Hy-Nomas把8组样片重拍了一遍

作者 ｜ 飞野、四月

编辑 ｜ 四月

10 月 27 日，谷歌发布世界模型 Genie 4。一句话就能生成一个可以用键盘自由探索、实时交互的视频世界，还能通过后续指令改变其中的场景和事件。

仅仅两天后，腾讯混元就拿自家的开源模型 Hy-Nomas，把 Genie 4 官网的 8 组演示逐一复现，并放出了同屏对比视频。

这场隔空较量颇有意思：谷歌的 Genie 4 目前仍处于研究预览阶段，而腾讯的 Hy-Nomas 早在 10 月 21 日就已经开源，官网还提供免费的在线体验。腾讯甚至表示，用户不用排队就能体验。

一个是谷歌刚刚亮相的新一代世界模型，一个是已经开放权重、可以直接体验的国产开源模型。两者放在一起，究竟能 PK 到什么程度？

一、8 组样片对决

整体效果看，腾讯 Hy-Nomas 在可交互性，和内容完整性上都接近 Genie 4。但在声音、镜头流畅度和风格一致性还有差距。我们具体来看看腾讯放出的对比视频挑了 Genie 4 官网的 8 个演示，以下动图均截自这条视频，上为谷歌、下为腾讯。

第一组，冠鹤与雪地键盘。黄昏的雪原上，一只冠鹤在散步。输入一句话，它面前凭空出现一台白色电子琴，冠鹤低头凑过去看。这一段两边的整体感觉差不多。

短评：基本追平，最后一步存疑。不过最后一步存在区别，谷歌的原片里，冠鹤用喙按下了琴键。腾讯这边，字幕已经打出“冠鹤按下一个键”，但冠鹤刚把头伸向琴键，视频就切到了下一组，不确定后续是否完成了动作。

第二组，魔术师。第一人称视角，手里握着一根魔杖，面前的木箱里站着一只孔雀。挥一下魔杖，孔雀变成猫；再挥一下，猫变成老式收音机。

短评：追平，时机略逊。两次变形两边都完成了，构图也几乎一样。更细的差别在时机：谷歌这边，魔杖挥下去的那一刻，变化正好发生，手势和魔法效果对应得更自然。

第三组，1980 年代的日本车站。月台上停着一列红色列车，站务员在镜头前，旅客来来往往。

短评：画面追平，但没有声音。列车、站务员、人群，腾讯都还原了。腾讯这组有一个亮点：列车车身的反光里，能看到拍摄者本人的身影。这说明模型对这个场景里的光和物体关系，有相当深的理解。谷歌原片里，站务员会开口播报；腾讯这边没有声音，因为 Hy-Nomas 只生成画面，没有原生的音频输出。

第四组，南极热气球。第一人称站在热气球吊篮里，飞过南极冰原。

短评：基本追平，细节略逊。腾讯场景基本还原了，镜头还有晃动感，比较真实。不过细看冰面，谷歌那边的效果更真实一些。

第五组，实验室机械臂。一台机械臂拿着移液管，往孔板里滴蓝色液体。

短评：指令完成，物体关系出错。两边都按指令滴下了蓝色液体。差距出在机械臂上。腾讯的机械臂前端并没有夹住移液管，管子像是直接插在机械臂上。

第六组，摩托车英雄。黄昏的桥上，一对情侣骑着摩托车。输入指令后，远处天际线燃起火球，城市里冒出触手巨怪。

短评：事件做出来了，镜头和表情不如谷歌。整体效果腾讯也复刻出来了。但可以看出，谷歌这边镜头转动顺滑，人物的表情、和转头动作都更自然。

第七组，彩色玻璃世界。提示词要求整个世界都由彩色玻璃构成：河流、花、山和太阳都是玻璃做的。

短评：画风不统一。谷歌的画面一致性更好，所有元素都是玻璃质地的。腾讯这边，一部分是玻璃，另一部分又偏向卡通画。

第八组，梵高星夜村庄。《星月夜》画风的村庄小路。

短评：画风不统一。和上一组接近，整体画风的一致性上，谷歌更好一些。

8 组看下来，腾讯的 Hy-Nomas 确实做到了生成可交互的视频世界，并且支持输入文字修改内容。一些场景甚至有让人眼前一亮的表现，如火车上的人物倒影。但相比 Genie 4，在画面细节、原生音频，镜头流畅度，动作和效果的贴合、元素画风的统一等方面，都还有一定差距。不过我们依然可以看到，这种有语言大模型辅助的世界模型，在长时间一致性上相比单一视频生成模型，有质的差别。下面我们根据腾讯开源的信息，看看这种效果是如何实现的。

二、两套架构底牌

从框架看，两家的思路是一致的，语言模型当“导演”，规划下一步拍什么，视频模型当“摄影机”，把画面生成出来。腾讯把细节全部公开并开源了模型，导演用的是阿里千问 3.8 的微调版。而谷歌只公开了分工，一些细节未知。第一章看到的差距，在架构上也能找到原因：谷歌的摄影机能实时出声，腾讯的只出画面。

腾讯：千问当导演，8B 模型当摄影机

在腾讯混元视觉生成团队撰写的《Hy-Nomas: Towards Free-form Interactive World Generation》技术报告中，Hy-Nomas 被拆解得比较清楚。首先，它并不是一个单独的视频生成模型，而是一套由提示词增强模型+视频生成骨干，协同工作的系统：

它以混元自研开源的 HunyuanVideo 1.5 为初始化骨架，改造成真正负责世界演进的 8B 生成模型 Hy-Nomas；同时在外挂层面引入微调自阿里千问的 Prompt Enhancer（提示词增强器）充当“分镜场记”。

在负责理解用户意图的部分，腾讯专门训练了一个提示词增强模型（Prompt Enhancer，简称 PE，也可以理解为视觉语言模型），以阿里千问 Qwen3.8-27B 为基础，通过监督微调（SFT）训练而来。它相当于整个系统的“导演”，负责读取用户当前输入，以及此前所有对话和已经生成的视频片段，再将自然语言指令转化成结构化、更加细致的视频生成描述，并确定下一段视频的生成时长。

例如，用户输入“让猫变成一台老式收音机”，PE 需要结合此前的场景和交互历史，明确猫当前的位置、变形动作及场景变化，再把这些信息交给视频生成模型。

真正负责生成画面的，则是 Hy-Nomas 的 8B 参数视频扩散骨干。它以腾讯此前的 HunyuanVideo 1.5 为基础初始化，并在此基础上进行架构改造和多阶段训练，使原本用于视频生成的模型具备连续生成、响应指令和控制镜头的能力。

协同机制方面，Hy-Nomas 让 Qwen3.8-27B 负责理解和规划，让基于 HunyuanVideo 1.5 改造的 8B 视频骨干负责生成，再通过历史缓存、动作时间约束和相机控制，让生成的视频世界能够持续响应用户操作。这也是 Hy-Nomas 区别于普通视频生成模型的关键。

谷歌：神秘面纱只公开了一半

相比之下，谷歌并没有公开 Genie 4 的完整技术架构。根据官方博客披露的信息，Gemini 承担了类似导演的角色：根据场景理解和改写用户指令，在用户两次输入之间引导场景持续发展。

遇到比较复杂的事件时，Gemini 3.8 Flash 还可以一边观察生成画面，一边将任务拆解成多个步骤，并检查每一步是否完成。

负责生成画面的则是 Genie 4 本身。与目前只输出画面的 Hy-Nomas 不同，Genie 4 能够同时生成视频画面和声音。

此外，还有一个尚未完全披露的角色：Gemini Omni。

谷歌官方博客提到，Genie 4 吸收了 Gemini Omni 的部分能力，使模拟环境在外观和行为上更加接近真实世界。Gemini Omni 是谷歌今年 5 月发布的视频生成模型系列。

但 Genie 4 究竟如何融合 Omni 的能力，两个模型之间是否存在直接的架构继承关系，谷歌并没有进一步说明。

两相对比来看，腾讯证明了“现有成熟开源 LLM + 针对性视频扩散小模型”的模块化管线，完全有能力在短时间内复现顶尖闭源模型八成以上的感官体验；而谷歌未公开的暗箱，则代表着端到端多模态系统在音视频协同与无缝物理因果上的上限。

三、落地与现实

无论 Genie 4 还是 Hy-Nomas，这类被腾讯命名为“视频世界模型”的技术，都宣告了 AI 对虚拟空间的模拟正脱离预渲染视频时代，迈向可实时交互的动态沙盒。但当聚光灯从震撼的 Demo 移开，这套技术距离真实世界的商业化变现，还隔着一道巨大的算力冰山。

在应用场景方面，谷歌的受邀测试者已经在试这些用法：

• 影视预演：拍之前进到模拟场景里，换机位、换灯光，不用搭景。

• 历史场景：把一张历史照片变成能走进去的场景。

• 游戏原型：写引擎代码之前，先用一句话试出玩法。

• 机器人仿真：拿它做实验，比如让人形机器人在生成的世界里下跳棋。腾讯这次也放出了电影风格和机器人两个微调版本。

这些用法的价值，在于省掉了真实搭建的成本。对腾讯来说，游戏可能是一个很好的切入点。游戏是腾讯的老本行，今年二季度，腾讯本土游戏收入约 473 亿元，对打造让大量用户喜爱的游戏作品很有经验。

但算力的限制也是真实的。

从公开的部署数字看，现在想让普通用户直接用上实时交互，成本还是太高了：社区开发者在谷歌的 4 块 TPU 芯片上跑 Hy-Nomas，生成 1 秒 720p 视频要 0.933 秒，刚刚够上实时；只用 1 块芯片，要 2.46 秒。

腾讯仓库里收录的社区方案，测试配置是8 块英伟达 B200。“导演”模型可能还要另外一台 8 卡机器。和语言模型能把很多人的请求攒在一起算不同，要让每个玩家各玩各的世界，得各占一组芯片。由此来看，最先用上还得是做游戏原型和影视预演这样的高单价场景，而非普通用户。

声明：本文为AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

热度延续：12 月 AICon 北京站见

12 月 18–19 日，AICon 全球人工智能开发与应用大会将在北京举办。本届大会以探索 A 应用边界为主题，设置 13 大技术专题，覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向，汇聚一线技术专家，深入分享 AI 技术突破与企业规模化落地的真实实践。

今日荐文

你也「在看」吗？