PAN 2 مقابل Cari4D: مشاهدة تفاعل، والتنبؤ بوقوعه

تعرف Cari4D ما فعلته يد بجسم ما. وتستطيع PAN 2 أن تُريك ما قد تفعله يد بجسم ما إذا طلبت منها ذلك. وهذان اتجاهان متعاكسان للسير على المحور نفسه، وإلى أن تحدد الاتجاه الذي تسير فيه مشكلتك، فإن المقارنة بينهما ليست سوى رمية عملة متخفية في زي تحليل. Cari4D هي خط إعادة البناء الرباعي الأبعاد لدى NVIDIA الذي لا يقتصر على فئة بعينها — نموذج CoCoNet الذي يشاهد فيديو RGB أحادي العين لشخص واحد يتعامل مع جسم صلب واحد ويستعيد أوضاعهما بمقياس متري إطاراً بإطار، مع نقطة تحقق مرخّصة تجارياً تضم 231 مليون معامل على Hugging Face منذ 30 أغسطس 2026. أما PAN 2 فهي نموذج عالمي مفتوح الأوزان من IFM يضم 29 مليار معامل، صدر كنقطة تحقق بترخيص Apache-2.0 في 7 أكتوبر 2026، ويسير في الاتجاه المعاكس: أعطِه إطاراً وفعلاً موصوفاً، فيُنتج ما يصل إلى عشرين ثانية من فيديو بدقة 704×1248 متوقعاً ما الذي يحدثه الفعل. أحدهما يقرأ. والآخر يكتب. وسبب استحقاقهما لأن يُوضعا في الصفحة نفسها هو أن الأثر الذي يربط بينهما — وصفاً منظماً لمن فعل ماذا وبأي جسم — هو بالضبط ما ينتجه كل منهما أو يستهلكه.

خطّا أنابيب متشابهان ولا يشتركان في شيء

Cari4D ليست شبكة واحدة تستجيب للفيديو. بل هي سلسلة من النماذج الأساسية تتوسطها مرحلة تصحيح مُتعلَّمة: UniDepth للعمق المتري، وNLF وGENMO لوضعية الإنسان، وHunyuan3D للمجسمات الشبكية للكائنات من صورة واحدة، وFoundationPose للتتبع، وVolumetricSMPL لنموذج جسم بدالة مسافة موقعة. أما CoCoNet — الجزء الذي تطلقه NVIDIA — فيُصيّر التقدير الحالي للإنسان والكائن إلى RGB وعمق وأقنعة، ويقارن ذلك العرض مع الملاحظة الحقيقية عبر مشفّر RGB من DINOv2 ViT-B/14 ومشفّر سداسي القنوات ViT-S/14، ويشغّل كتلتي انتباه مكاني-زماني، ويُجري انحدارًا لتصحيحات لكل إطار عبر رؤوس MLP.

تسير سلسلة PAN 2 في الاتجاه المعاكس وتضم نموذجًا لغويًا. يقرأ مُستدلّ مفاهيمي — أي نموذج يتبع التعليمات — الملاحظة والأفعال المطلوبة ويكتب الحالة العالمية التالية على هيئة وصف منظّم ومؤسّس زمنيًا: الأحداث بالترتيب، والأفعال مرتبطة بالفاعلين، وحركة الكاميرا. يحوّل مُرمّز نصي مجمّد Qwen3.5-9B ذلك الوصف إلى ميزات تكييف. يتنبأ محوّل انتشار متعدد الوسائط بحجم 29B بالمتجهات الكامنة للفيديو التي يتركها الوصف مفتوحة، مشروطًا به وبالمتجه الكامن VAE للإطار الابتدائي، ويُصيّرها مُفكّك ترميز Wan 2.2.

إذن فالتشابه الذي يجعل الناس يقرنون بينهما حقيقي — فكلاهما يتعلق بالبشر والأيدي والأشياء وفيزياء التلامس — أما الآلية الكامنة تحتهما فغير مرتبطة على الإطلاق.

• الاتجاه — يستعيد Cari4D المعاملات من وحدات البكسل؛ بينما يولّد PAN 2 وحدات البكسل من المعاملات.

• المخرجات — يعيد Cari4D وضعية الإنسان وشكله لكل إطار على هيكل MHR، ووضعية الكائن لكل إطار، ولوجيتين لتماس اليدين؛ ويعيد PAN 2 ملف MP4.

• المدخلات — يستقبل Cari4D فيديو RGB أحادي العين واحدًا؛ ويستقبل PAN 2 إطارًا أوليًا اختياريًا بالإضافة إلى وصف إجراء منظم.

• الحجم — يبلغ Cari4D CoCoNet 231 مليون معامل، ودُرّب حتى الخطوة 200,000؛ أما العمود الفقري للانتشار في PAN 2 فحجمه 29 مليار معامل، مع مشفّر نصي مجمّد منفصل بحجم 9 مليارات وWan 2.2 VAE.

• المقياس المتري — الادعاء الأساسي لـ Cari4D هو إعادة البناء المتري من كاميرا واحدة دون مستشعر عمق؛ ولا يقدّم PAN 2 أي ادعاء متري على الإطلاق، كما أن مخرجاته تنبؤ وليست قياسًا.

• التقييم — أرقام Cari4D تأتي من ورقة بحثية في CVPR 2026 بالإضافة إلى بطاقة مورّد تعترف بأن النموذج التجاري ليس لديه مجموعة اختبار منفصلة؛ أما أرقام PAN 2 فتأتي من إطار الاختبار الخاص بـ IFM دون أي إعادة إنتاج من طرف ثالث.

الفرق في الترخيص هو الفرق العملي.

كلا النموذجين قابل للتنزيل، وهذا وحده يضعهما في نادٍ صغير. وما يمكنك فعله بهما يختلف أكثر مما توحي به أعداد معاملاتهما.

شيفرة PAN 2 وأوزانه نفسها مرخّصة بموجب Apache-2.0، ومتاحة دون بوابات وصول، بواقع ستين ملفًا و86.17 غيغابايت، مع مكوّنات طرف ثالث — Wan 2.2 وQwen3.5-9B وDiffusers — تخضع لشروطها الخاصة ولا تعيد MBZUAI توزيعها. تنزّلها وتشغّلها وتوزّع ما تبنيه، رهناً بالتزامات Apache المعتادة. يُشحن مستودع `pan2-guardrail` بشكل منفصل مع أداة فحص للطلبات ومصنّف للإطارات؛ ويفيد IFM بأنه خفّض طلبات تحويل النص إلى فيديو الضارة التي تنتج مخرجات غير آمنة من 33.9% إلى 1.5%، مع إيقافه 11.5% من طلبات تحويل النص إلى فيديو الحميدة و3.3% من طلبات تحويل الصورة إلى فيديو الحميدة، وهو نوع الرقم الذي تريده قبل نشر أي شيء يولّد مشاهد واقعية.

وضع Cari4D أكثر تشتتًا، وهذا يُربك فرق المشتريات. مستودع البحث، nvidia/CARI4D، يحمل ترخيص NVIDIA مع عبارة "للبحث والتطوير فقط" على البطاقة. نقطة التحقق التجارية، nvidia/cari4d_commercial، تخضع لاتفاقية NVIDIA Open Model Agreement وتسمح بالاستخدام التجاري — لكنها مقيّدة الوصول، إذ تقبل الشروط وتشارك معلومات الاتصال قبل ظهور الملفات، ولا يعمل CoCoNet المنشور بمفرده. لا يزال خط المعالجة الأوسع يجلب أوزان NLF torchscript، وأوزان FoundationPose، وأصول SMPL-H، ومجسمات Hunyuan3D، ولكل منها ترخيصه الخاص. يغطي الترخيص التجاري الجزء الذي تصدره NVIDIA ولا يغطي شيئًا مما يحيط به.

هناك أيضًا ترحيل للهيكل يجب التخطيط له. يُقدّر خط البحث وضعية SMPL وشكلها عبر الانحدار؛ بينما تُخرِج نقطة التحقق التجارية معاملات Native Momentum Human Rig. إذا كنت قد كتبت كود التكامل اعتمادًا على تنسورات البحث، فإن شكل مخرجات بطاقة النموذج التجاري ليس بديلًا مباشرًا.

حيث يتركّب الاثنان معًا، ولماذا يُعدّ ذلك هو الجزء المثير للاهتمام.

إليك الوصلة التي لا يعلن عنها أيٌّ من المورّدَين، والتي سيتعرّف عليها فورًا كل من يبني خطوط أنابيب بيانات الذكاء الاصطناعي المادي.

واجهة PAN 2 عبارة عن تعليق منظم: أحداث بالترتيب، وأفعال مرتبطة بالفاعلين، وحركة كاميرا، ضمن ميزانية قدرها 1,480 رمزًا كحد مرن و1,536 كحد صارم. إن إنتاج ذلك التعليق يدويًا هو الجزء الأكثر إرهاقًا في استخدام النموذج، والمستودع يوفّر مهارة prompt-rewriter تحديدًا لأن النص الحر لا يصمد أمام الواجهة. الآن تأمّل ما يخرجه Cari4D من فيديو عادي: وضعية الإنسان في كل إطار، ووضعية الكائن في كل إطار، وقيمتي logits لتلامس اليد — سجل متري كثيف ومتسق زمنيًا للشيء نفسه الذي يفترض أن يصفه تعليق حالة العالم.

هذا مولّد تعليقات. تمنحك إعادة البناء الحقيقة المرجعية لتفاعل ما في فضاء المعاملات؛ ثم يحوّل نموذج لغوي تلك المعاملات إلى الوصف المنظم الذي تعتمد عليه PAN 2؛ بعد ذلك يُنتج المحاكي تنويعات على ذلك التفاعل. كرّر الحلقة فتحصل على محرك بيانات: سجّل مناولة حقيقية واحدة، وأعد بناءها باستخدام Cari4D، واكتب وصفًا لها، وولّد السيناريوهات المضادة للواقع — جسم مختلف، وقبضة مختلفة، وسطح مختلف — التي لن تستطيع أبدًا تحمّل تكلفة تصويرها. وتعمل الحلقة نفسها بالعكس للتقييم، عبر مقارنة مقطع محاكى بمقطع حقيقي معاد بناؤه على المنصة نفسها.

لا يُعد أيٌّ من نصفَي تلك الحلقة جاهزًا للاستخدام الفوري. تذكر بطاقة Cari4D التجارية أنه دُرِّب على 2,126 تسلسل FORM-HOI داخلي، وأنه لا توجد مجموعة بيانات اختبار منفصلة — فالتقييم عبارة عن مجموعة عرض نوعية — كما أن مدونة "Daniel" الداخلية لا تُوزَّع. أما أرقام الدقة الرئيسية المعلنة، وهي خطأ إعادة بناء أقل بنسبة 38% من الأعمال السابقة ضمن التوزيع و36% على مجموعات بيانات لم تُرَ سابقًا، فهي مستمدة من ورقة CVPR ولم تُعَد إنتاجها بشكل مستقل. أما PAN 2، من جهته، فيعترف بأن نحو خطتين من كل ثلاث خطط محاكاة تحتويان على خطوة واحدة على الأقل لا تُنفَّذ، وأن الإجراءات النصية لا تحدد التلامس الماهر إلا بشكل تقريبي، وأن مدى أمانته في محاكاة الخطط التي يفترض أن تفشل غير مقيس.

اقرأ هذين الاعترافين معًا، تكون التركيبة صادقة لا ترويجية: فالتفاعل المُعاد بناؤه قياس ذو توزيع تدريبي معروف، والتفاعل المحاكى تنبؤ بمعدل تراجع خطوات معروف. ولا أيٌّ منهما حقيقة أرضية عن العالم. وكلاهما أنفع من أيٍّ منهما بمفرده.

الحوسبة: محطة عمل مقابل عقدة

تعمل Cari4D على وحدة معالجة رسومات واحدة، وقد جرى التحقق من صحتها على أجهزة من فئة Ampere وفقًا لبطاقتها؛ النموذج المنشور ذو 231M معامل، والنماذج الأساسية المحيطة تشكل الجزء الأكبر من الذاكرة. إنه نوع خطوط المعالجة التي يشغّلها فريق بحثي على محطة عمل طوال الليل على مجلد من المقاطع.

لا يتوافق PAN 2 مع هذا الوصف. العنوان البارز في وصفة vLLM هو ثلاثة عشر ثانية من فيديو بدقة 704×1248 خلال نحو 119 ثانية على أربع وحدات GPU من طراز B300، مع توجيه خالٍ من المصنّف (classifier-free guidance) موزّع بالتوازي عبر رتبتين، وتوازٍ تسلسلي Ulysses عبر رتبتين؛ أما الإعداد الافتراضي الموثّق فهو ثماني وحدات H200 بتنسيق BF16 مع توازٍ لرقائق VAE عبر أربع بلاطات. خمسون خطوة لأخذ العينات مع التوجيه في كل خطوة تعني مئة تمريرة أمامية عبر محوّل بحجم 29B لكل مقطع، ولهذا فإن التوازي ليس اختياريًا. إذا كنت تولّد حالات مضادة (counterfactuals) في حلقة، فإن تكلفة الحلقة هي حاصل ضرب عدد المقاطع في تلك الفاتورة لكل مقطع، وهي تتجاوز جانب إعادة البناء بفارق عدة مراتب.

عدم التماثل هذا هو حقيقة التخطيط العملية في أي نظام هجين. فإعادة البناء رخيصة بما يكفي لتشغيلها على كل ما لديك؛ أما المحاكاة فمكلفة بما يكفي بحيث لا تشغّلها إلا حيث يغيّر السيناريو المضاد قرارًا ما.

خانة المخطط، مجددًا

يحتوي كلا خطي المعالجة على نموذج لغوي، وواحد فقط من تلك المواضع سلعة يمكنك توجيهها.

محرك الاستدلال المفاهيمي الخاص بـ PAN 2 قابل للتبديل صراحةً — قيّمت IFM أربعة نماذج وراتّبتها حسب اكتمال الخطة الكاملة: Claude Opus 5.5، وGPT-6 Astra بمستوى جهد متوسط، وKimi K3، Qwen3.8-Flash. جميع الأربعة مدرجون في كتالوج OrcaRouter، لذا يمكن لمرحلة التعليقات التوضيحية أن تعمل عبر نقطة نهاية واحدة مع تجاوز تلقائي للفشل، ويُمرَّر سعر القائمة لكل مزوّد بهامش ربح 0%، ويمكنك تقييم محركات التخطيط مقابل تعليقاتك التوضيحية الخاصة بدلًا من الوثوق بترتيب مقيس على مهام IFM. لا تمتلك مرحلة التصحيح في Cari4D فتحة كهذه: فـ CoCoNet شبكة ثابتة بحجم 231M، واستبدالها يعني إعادة التدريب لا إعادة التوجيه. لا تستضيف OrcaRouter كلا من PAN 2 أو Cari4D ولا يمكنها توجيه أيٍّ منهما — يبقى كل من المُصيِّر والمُعيد للبناء على عتادك.

الطرح الصادق للموجّه هنا ضيّق: مرحلة واحدة من خط أنابيب من مرحلتين هي استدعاء API محاسَب بالاستهلاك، أما الباقي فليس كذلك. ومع ذلك، لا يزال يستحق الاحتفاظ به، لأن مرحلة التسمية التوضيحية هي حيث تكون حساسية المطالبات مؤثرة، وحيث تكلّف تجربة نموذج ثانٍ طلبًا واحدًا بدلًا من تشغيل تدريب.

أي واحد يحتاجه مشكلتك؟

إذا كانت لديك فيديوهات وتحتاج إلى معلمات — التقاط الحركة للرسوم المتحركة، ووسم التلامس لمجموعة بيانات، ووضعية مترية لتعلّم تقليد الروبوت، وتمرير لضبط الجودة على عمليات مناولة مسجّلة — فإن Cari4D هي الأداة، وليس لدى PAN 2 ما تقدّمه. ابدأ بنقطة التحقق البحثية لتقييمها، وخصّص ميزانية لتغيير المعدات وتراخيص الطرف الثالث قبل أن تلتزم بالنسخة التجارية، وتعامل مع أرقام الدقة باعتبارها ادعاءات مورّد خاضعة لمراجعة الأقران وليست ادعاءات أُعيد إنتاجها.

إذا كانت لديك معلمات أو وصف وتحتاج إلى رؤية ما يحدث — تقييم الخطط، أو توليد بيانات مضادة للواقع، أو بحث في الاستدلال الفيزيائي، أو وكيل يستعرض أفعاله مسبقًا — فإن {{1}}PAN 2 هو النموذج{{/1}}، والفاتورة عقدة متعددة وحدات معالجة الرسومات لكل مقطع. اقرأ قيوده قبل أن تصمم بناءً عليه: {{2}}تُسقَط خطوة في معظم الخطط{{/2}}، وتنزاح المقاطع الطويلة في المظهر لأن كلًّا منها يُحاكى من إطار بداية واحد على الأكثر، و{{3}}لا يحدد النص التلامس الماهر إلا بشكل خشن{{/3}}.

إذا كانت لديك كلتا المشكلتان، فالإجابة هي الحلقة، وأضعف حلقة فيها هو عقد التسمية التوضيحية. يمنحك Cari4D القياس؛ ويحوّله نموذج لغوي إلى وصف منظَّم؛ ويعرض PAN 2 البديل. ثلاثة مكوّنات، وثلاثة تراخيص، وسؤال بحثي واحد — وهو تقريبًا ما يبدو عليه البناء على نماذج العالم لعام 2026، وسبب أن المقارنة بين أي اثنين منها أقل فائدة من رسم بياني يوضح كيفية ترابطها.