PAN 2 مقابل Hunyuan3D WorldClaw: نموذج واحد بنصفين، أم خمسون نموذجًا في معطف ترنش واحد؟

ضع هذين جنبًا إلى جنب، وأول ما ستلاحظه هو أنهما ليسا من النوع نفسه من الأشياء. PAN 2 هو نموذج: 29 مليار معلمة من محوّل انتشار متعدد الوسائط من معهد نماذج الأساس، برخصة Apache-2.0 على Hugging Face منذ 7 أكتوبر 2026، والكود في 5 نوفمبر، ودعم vLLM-Omni من اليوم الأول في 10 نوفمبر، وهو يفعل شيئًا واحدًا — عند إعطائه إطارًا ابتدائيًا وفعلًا موصوفًا، يُنتج ما يصل إلى عشرين ثانية من فيديو بدقة 704×1248 بمعدل 24 إطارًا في الثانية متوقعًا النتيجة. Hunyuan3D WorldClaw هو إطار عمل: خط أنابيب وكيلي من Tencent Hunyuan لتحويل مطالبة نصية مفتوحة واحدة إلى مشهد ثلاثي الأبعاد قابل للاستكشاف مكوّن من شبكات صريحة مكسوة بالنسيج لكل جسم، وُصف في arXiv 2608.05248 في 5 أغسطس 2026 وأُعلن عنه في 11 أغسطس، مع مستودع لا يحتوي إلا على README وملفات أصول ولا يحتوي على كود. أحدهما نقطة تحقق قابلة للتنزيل تقوم بتشغيلها. والآخر طريقة منشورة سيتعين عليك إعادة بنائها.

الشيء الثاني الذي تلاحظه أكثر فائدة. تسمّي ورقة WorldClaw نفسها النماذج التي تعمل عليها، وتلك القائمة قائمة تسوّق من مكوّنات الآخرين: Claude Opus 4.8 للتخطيط، وGPT-Image-2 للصور، وSAM3 وSAM3D للتقسيم، وHunyuan3D لإعادة البناء، وBlender 5.1.1 يُدار عبر MCP للتجميع، كل ذلك على أربع وحدات NVIDIA H20. وتسمّي PAN 2 مكوّنًا واحدًا وتتركه قابلًا للاستبدال: أي نموذج لغوي يتبع التعليمات يكتب التسمية التوضيحية المهيكلة، وقد صنّفت IFM أربعة منها. هذه هي المقارنة الحقيقية — لا المشاهد مقابل الفيديو، بل ما يحدث للنظام عندما يتوزّع الذكاء عبر سلسلة من المورّدين بدلًا من أن يتركّز في نقطة تحقق واحدة.

معماريتان، مرسومتان بصدق

تصميم PAN 2 هو التنبؤ الكامن التوليدي من Critique of World Models (arXiv 2507.05169). يكتب مُفكِّر مفاهيمي الحالة التالية للعالم كوصف مُهيكل ومُؤرَّب زمنيًا — أحداث بالترتيب، وأفعال مرتبطة بفاعليها، وحركة الكاميرا — ثم يحوّلها مُرمِّز نصي مجمَّد Qwen3.5-9B إلى سمات تكييف، ويملأ محوِّل انتشار بحجم 29B التفاصيل الإدراكية، ويفكّ VAE من Wan 2.2 ترميز الإطارات. نصفان، مستودع واحد، ترخيص واحد.

تصميم WorldClaw عبارة عن حلقة تحسين من أربع مراحل يصفها مؤلفوها بأنها من الخشن إلى الدقيق: يقرأ وكلاء نماذج اللغة الموجّه وينتجون خطة مشهد؛ وتمريرة شاملة تولّد التخطيط الدلالي وحقول الارتفاع والمواد بحيث تكون الأرضية متماسكة قبل أن يستقر عليها أي شيء؛ وتُعرَض المناطق وتُجزَّأ وتُعاد بناؤها إلى شبكات فردية عبر Hunyuan3D؛ ثم يفحص وكيل رؤية المشهد المُعرَض بحثًا عن الأجسام العائمة والتداخل واختلال المقياس والوضعية، ثم يعيد التصحيحات. يُوفى بالوعد بالهندسة الصريحة — فتحصل على أجسام، لا كتلة مدموجة أو Gaussian splat — ويؤدي الوكلاء عملهم مرة واحدة قبل أن تحمّل المشهد أصلًا.

نقطة التقائهما هي الجزء الجدير بالاستيعاب: في كلا النظامين تكون البكسلات هي النصف السريع الرخيص، ويتولى نموذج لغوي تحديد ما ينبغي أن يوجد. أما نقطة افتراقهما فهي مَن يملك النموذج اللغوي. تعاملت IFM مع محرك الاستدلال كمتغيّر ونشرت أداة التقييم التي رتّبت المرشحين. أما تينسنت فتعاملت مع محرك الاستدلال كتبعية وسمّت واحدًا بالاسم.

ما الذي يجلبه لفظ «agentic» وما تكلفته

الفخ في هذه المقارنة هو أن كلا الإعلانين يستخدمان الكلمة نفسها، لكن لا يعني أيٌّ منهما بها المعنى نفسه.

• الوكلاء كمؤلفين — يفكّك مخططو WorldClaw المطالبة إلى خطة مشهد، ويصدر وكيل الرؤية التابع لها تصحيحات؛ ويكتب مُستدِل PAN 2 تعليقًا يصف ما يحدث بعد ذلك.

• {{1}}عندما يعمل الذكاء{{/1}} — يعمل WorldClaw مرة واحدة، داخل حلقة التأليف، وينتهي عند تصدير الشبكات؛ أما PAN 2 فيعمل مرة واحدة لكل مقطع، عند كل استدعاء، طوال عمر النظام.

• نوع المخرجات — يُرجع WorldClaw ملف مشهد يحتوي على شبكات ومواد وتحويلات فردية؛ بينما يُرجع PAN 2 ملف MP4 لا يحتوي على أي هندسة على الإطلاق.

• قابلية التحرير — تُفتح مخرجات WorldClaw في أداة نمذجة، وتُعاد بنيتها الطوبولوجية وتُوضع؛ أما السطح الوحيد القابل للتحرير في PAN 2 فهو التسمية التوضيحية، لذا تعني المراجعة إعادة التصيير.

• سطح الاعتماديات — يتطلب WorldClaw ستة مكوّنات مرخّصة كلٌّ على حدة وتثبيت Blender؛ بينما يتطلب PAN 2 الأوزان ومُرمّزًا نصيًا وVAE.

• ما الذي يعنيه «الجيد» — يُحكم على WorldClaw بناءً على ما إذا كان المشهد يُركَّب دون أجسام عائمة؛ ويُحكم على PAN 2 بناءً على ما إذا كانت العاقبة التي يُظهرها هي العاقبة التي كان الفعل سينتجها فعلاً.

تكلفة الذكاء الموزّع لدى WorldClaw ليست مفهومة نظرياً، بل تشغيلية: ستة مكوّنات تعني ست مجموعات من الشروط، وستة أنماط فشل، وستة مواضع يمكن أن تؤدي فيها ترقية إصدار إلى تغيير المخرجات. وتكلفة الذكاء المركّز لدى PAN 2 هي العكس — ترخيص واحد، وشجرة تبعيات واحدة، ومحرك استدلال عليك تقييمه بنفسك لأن ترتيب المورّد له هو ترتيب المورّد نفسه.

لا تُعد أي من التكلفتين عيبًا. لكن هذا يفسر لماذا نادرًا ما يكون الاثنان الإجابة الصحيحة عن السؤال نفسه: أحدهما خط أنابيب محتوى، والآخر محرك نتائج، والفريق الذي يحتاج إلى شبكات لن يجد في PAN 2 ما يساعده.

خطان لمعالجة، مكتوبان كتسلسل من المراحل

التسلسل هو الموضع الذي يظهر فيه الفرق بين النموذج والإطار على أوضح وجه.

• PAN 2، استدعاء واحد — اقرأ الملاحظة والإجراء المطلوب، واكتب حالة العالم المهيكلة، وشفّرها، ونفّذ خمسين خطوة انتشار عند توجيه 2.5، وفكّ ترميز عشرين ثانية بدقة 704×1248. لا شيء في ذلك التسلسل يبقى بعد المقطع.

• WorldClaw، أربع مراحل — خطِّط للمشهد باستخدام نموذج لغوي، وولِّد التخطيط الدلالي العالمي وحقول الارتفاع، ثم اعرض المشهد وقطِّع المناطق وأعِد بناء كلٍّ منها إلى شبكة، وبعد ذلك افحص نتيجة العرض بواسطة وكيل رؤية وأعِد التصحيحات. لا شيء في ذلك التسلسل هو نموذج واحد.

• أين تعيش الحالة — الأثر الدائم الوحيد لدى PAN 2 هو التعليق وملف MP4؛ أما WorldClaw فهو ملف مشهد يضم شبكات ومواد وتحويلات فردية يعمّر أطول من خط المعالجة.

• أين يمكن أن يحدث الفشل — يفشل PAN 2 داخل التصيير: خطوة مُسقطة، أو انحراف، أو اختصار فيزيائي. ويفشل WorldClaw عند خط التماس: مخطط أخطأ في قراءة الموجّه، أو مُجزِّئ قطع جسمًا إلى نصفين، أو مُعيد بناء أنتج مقياسًا خاطئًا، أو مُجمِّع جعل شبكتين تتداخلان.

• ما يمكنك فحصه — يمنحك PAN 2 مقطع فيديو وميزانية رموز؛ بينما يمنحك WorldClaw هندسةً يمكنك قياسها، وبالتالي أخطاءً يمكنك إسنادها.

الصف الأخير هو الجدير بالاحتفاظ به. إن الفشل الذي يمكنك إرجاعه إلى سبب ما أرخص في الإصلاح من فشل لا يمكنك إلا رؤيته، وخط أنابيب الشبكة يمنحك ذلك مجانًا لأن العناصر الوسيطة قابلة للفحص. أما خط أنابيب الفيديو فيمنحك إجابة نهائية ووصفًا نصيًا، وعندما تكون الإجابة خاطئة فإن الرافعة الوحيدة لديك هي الوصف النصي.

وهذا يفسر أيضًا سبب وجود مرحلة تصحيح وكيل الرؤية لدى WorldClaw من الأساس. إن التداخل بين المجسمات، والأجسام العائمة، والوضعية الخاطئة، والمقياس الخاطئ هي أنماط الفشل الناتجة عن تجميع الهندسة من قطع مولّدة بشكل منفصل، ولا يظهر أي منها إلا عند التصيير والنظر. ولا يحتاج النموذج الواحد إلى تلك المرحلة لأن النموذج الواحد لا يمكنه إنتاج مشهد تتعارض أجزاؤه — بل يمكنه فقط إنتاج مشهد خاطئ ككل.

فجوة التقييم ليست متماثلة، وهي تتجه في الاتجاه المعاكس للتراخيص.

تقييم WorldClaw المنشور نوعي. تقارن الورقة مخرجاتها جنبًا إلى جنب مع SynCity وWorldGen وMajutsuCity وMarble، ولا يوجد FID، ولا درجة CLIP، ولا دراسة مستخدمين مرتبطة برقم. وبالنسبة لورقة تصف إطارًا لتوليد المشاهد، فهذه فجوة حقيقية، وأي فريق يعيد تنفيذه ينبغي أن يتعامل مع «يبدو أفضل من SynCity» باعتباره فرضية لا نتيجة.

نشر PAN 2 المزيد، ووصف شروطه بدقة أكبر مما تفعله معظم إصدارات نماذج الفيديو. ثلاثمائة حالة اختبار أحادية الإجراء عبر ست فئات قدرات، و201 من صورة إلى فيديو و99 من نص إلى فيديو؛ ومائة مهمة يومية منظورية ذاتية طُرحت بالطريقتين، و200 موجه و456 خطوة، وقيّمت على إكمال الخطوات وإكمال الخطة الكاملة عبر ثلاث بذور؛ وPhysics-IQ Verified في إعداد من صورة إلى فيديو، مع تطبيع بحيث يساوي التباين بين لقطتين حقيقيتين 100؛ وPhyGround على مقياس من خمس نقاط يحكمه Qwen3.8-27B؛ وRBench كمتوسط غير مرجح عبر خمس فئات مهام وأربع فئات تجسيد؛ ودراسة بشرية عمياء ثنائية على 140 موجهًا مع ثلاثة عشر مراجعًا و1,400 مقارنة، مع ملاءمة Elo بواسطة Bradley–Terry وتمركزها عند 1500.

ثلاثة عشر مراجعًا هي لجنة صغيرة، وكانوا يحكمون على نموذج المؤلفين مقابل خطوط الأساس الخاصة بالمؤلفين، مع نماذج المقارنة المغلقة التي وُلّدت مرة واحدة عبر واجهة برمجة تطبيقات استدلال تابعة لجهة خارجية، وعدة صفوف موسومة بأنها ببذرة واحدة. لا شيء من ذلك مستقل. كل ذلك قابل للفحص، وهو أفضل بديل تالٍ — وهو الفرق بين إصدار يمكنك أن تجادله وآخر لا يسعك إلا النظر إليه.

تسير التراخيص إذن في الاتجاه المعاكس للأدلة. إن PAN 2 مرخّص بموجب Apache-2.0، وغير مقيّد، وبحجم 86.17 غيغابايت موزعة على ستين ملفًا، وبلا شرط إسناد، وبلا حدّ للمستخدمين. ولا يملك WorldClaw ترخيصًا لقراءته، لأنه لا يوجد شيء لترخيصه: فمشروع GitHub يحتوي على README وموارد، ولا كود، ولا أوزان، ولا سكربت استدلال، ولا API، ولا سعر. وورقة إطار عمل بلا تنفيذ هي وصف لطريقة، لا أداة، ومتطلّب أربع بطاقات H20 إضافة إلى اعتماده على حزمة من النماذج المرخّصة بشكل منفصل يعني أن الإصدار لن يكون تنزيلًا جاهزًا للاستخدام حتى لو حدث.

أين يكون الموجّه حاملًا للحمل فعليًا، وهو ليس حيث تتوقع

هذه هي الحالة النادرة التي تقع فيها الحقيقة التجارية المثيرة على جانب الإطار. النصف التخطيطي لدى WorldClaw ليس نموذجًا غامضًا خلف واجهة API، بل مذكور بالاسم في الورقة، والمكوّنات التي يسمّيها هي نماذج كتالوجية عادية. Claude Opus 4.8 موجود في كتالوج OrcaRouter. وكذلك GPT-Image-2. وكذلك النماذج الاستدلالية الأربعة التي صنّفتها IFM لمرحلة التسمية التوضيحية في PAN 2: Claude Opus 5.5 وGPT-6 Astra وKimi K3 وQwen3.8-Flash.

وهذا يعني أن الفريق الذي يعيد تنفيذ تفكيك WorldClaw — التخطيط، والتضاريس، والأجسام، والتحسين — يمكنه تجميع مرحلتي اللغة والصور اليوم عبر مفتاح واحد، بسعر قائمة كل مزوّد من دون أي هامش ربح بنسبة 0%، مع تجاوز فشل تلقائي عندما تنتهي مهلة استدعاء التخطيط في منتصف البناء. ويشغّل المفتاح نفسه خانة المفكّر في PAN 2 عندما تبدّل كاتب التعليقات التوضيحية بين التجارب وتُبقي مُصيّر 29B ثابتًا على عقدتك الخاصة. وما لا يفعله OrcaRouter هو استضافة PAN 2 أو Hunyuan3D WorldClaw: فأحدهما نموذج انتشار فيديو تشغّله على عتادك، والآخر غير موجود كشيفرة قابلة للتشغيل في أي مكان. ولا ينبغي قراءة أي شيء في هذه المقالة على أنه يوحي بغير ذلك.

الصياغة الصادقة هي أننا نوجّه نقاط الوصل. في خط معالجة على نمط WorldClaw توجد ثلاث منها — من الموجّه إلى الخطة، ومن الخطة إلى الصورة، ومن التصيير إلى الناقد — وكل واحدة منها استدعاء محاسَب عليه. وفي خط معالجة PAN 2 توجد واحدة فقط، وهي الجزء الوحيد الذي لا يحتاج إلى GPU. هذا ادّعاء أضيق من «نحن نشغّل نماذج العالم»، وهو الادّعاء الصحيح.

ما الذي يعلّمك إياه كل تصميم حتى لو لم تُشغّل أيًّا منهما

فكرة WorldClaw الأكثر قابلية للنقل هي التفكيك، لا المشهد. التخطيط، ثم تخطيط التضاريس، ثم إعادة بناء الأجسام فرادى، ثم الفحص والتصحيح — هذه البنية ذات المراحل الأربع معمارية سليمة لأي خط معالجة يجب تعديل مخرجاته لاحقًا، واختيار الشبكة الصريحة هو الخيار الصحيح لأي شيء يغادر خط المعالجة وينتهي في محرك ألعاب. حلقة التصحيح مع وكيل رؤية يفحص بحثًا عن الأجسام العائمة والمقياس الخاطئ هي الجزء الذي تتخطاه معظم الفرق وتندم معظم الفرق على تخطيه.

أكثر أفكار PAN 2 قابليةً للنقل هي عقد التعليقات التوضيحية. فالواجهة ليست مربع مطالبة؛ بل وصف منظّم ومرتكز زمنياً بميزانية رموز قدرها 1,480 حداً مرناً و1,536 حداً صارماً، ومهارة إعادة صياغة مطالبات مضمّنة، ومطالبة سلبية ثابتة، ومدقق يتحقق من التعليقات التوضيحية مقابل حدّ المشفّر. يُعاد كتابة النص الحر قبل استخدامه، وتقول بطاقة النموذج صراحةً إن دراسات حالات الوكيل اعتمدت على مطالبات مصقولة يدوياً. وينبغي لأي فريق يبني نموذج عالم أو يستخدم أحدها أن يستعير ذلك: فالعقد بين نصف الاستدلال ونصف التصيير هو حيث تُكسب الجودة أو تُفقد، وهو يستحق مخططاً لا انطباعاً.

يشترك التصميمان أيضًا في عيب لم يحلّه المجال بعد، لكنهما يفشلان فيه على نحو مختلف. ينحرف PAN 2 في المظهر عبر المقاطع لأن كل مقطع يُحاكى انطلاقًا من إطار بداية واحد على الأكثر إضافة إلى النص، وتُسمّي بطاقته الذاكرة الإدراكية القطعة المفقودة؛ ويستهل قسم القيود الخاص به بالاعتراف بأن نحو اثنتين من كل ثلاث خطط محاكاة تحتويان على خطوة واحدة على الأقل لا تُنفَّذ. أما انحراف WorldClaw فهو هندسي ومكاني: تداخل الأجسام، ومقياس خاطئ، وأجسام تطفو، ولهذا السبب يحتاج أصلًا إلى وكيل رؤية في الحلقة. أحدهما يحتاج إلى ذاكرة، والآخر يحتاج إلى مفتّش، ولم ينشر أيٌّ منهما منحنى قياسًا لمدى سوء الأمر بمرور الوقت.

القرار، في مرور واحد

إذا كنت بحاجة إلى مكان — مستوى، أو مجموعة بيانات داخلية اصطناعية، أو مجموعة إنتاج افتراضي — فإن WorldClaw هو المرجع الأكثر صلة، ولا يمكنك تشغيله. خذ التفكيك رباعي المراحل ومخرجات الشبكة الصريحة إلى بنائك الخاص، وخصص ميزانية لجهاز من فئة أربع بطاقات H20 إضافة إلى اعتماد على Blender، واستبدل التقييم النوعي بشيء يمكنك قياسه، لأن الورقة لا تقدم لك واحدًا.

إذا كنت تحتاج إلى نتيجة ملموسة — أي ما تفعله الخطة قبل أن تلتزم بها — فإن PAN 2 قابل للتنزيل بعد ظهر اليوم، ومرخّص بترخيص متساهل، وصريح بشأن إخفاقه في خطتين من أصل ثلاث خطط. اقرأ صفحة القيود أولاً، وأشرك أداة تحقق في العملية، وتوقّع أن تنفق ساعات GPU بدلاً من دولارات لكل رمز: يستغرق فيديو مدته ثلاث عشرة ثانية نحو 119 ثانية على أربع وحدات B300، وتشغّل أداة أخذ العينات مئة تمريرة أمامية لكل مقطع.

إذا كنت تبني ذلك الشيء الذي لم تطرحه أيٌّ من المختبرين — عالمًا يمكنك تحريره كهندسة ثم مراقبة سلوكه — فأنت تُجمّعه بنفسك من مُنقٍّ، وباني مشاهد، ومُصيّر، ونموذج لغوي عند كل نقطة التحام. هذا جهدٌ أكبر مما يوحي به أيٌّ من الإعلانين، وهو المكان الذي سيشهد العام المقبل من العمل العملي في هذه الفئة.

ما من شأنه أن يغيّر هذه الصفحة هو الشيفرة. إن إصدار WorldClaw مع الأوزان ونص برمجي للاستدلال سيحوّل طريقة إلى أداة ويجعل المقارنة حيّة؛ وسيفعل البديل PAN 2 الذي يُصدر العمق إلى جانب RGB الشيء نفسه من الاتجاه المعاكس. لا وجود لأي منهما اليوم. وإلى أن يوجد أحدهما، فالخلاصة الدقيقة هي محرك عواقب قابل للتنزيل وإطار مشاهد غير قابل للبناء، والشيء الوحيد الذي يشتركان فيه حقًا هو الطموح إلى التنبؤ بعالَم بدلًا من رسم صورة له.