PAN 2 مقابل Hy-Nomas: الترخيص نفسه، العائلة المعمارية نفسها، تعريفان لـ«الإجراء»

This is the only pair in the current crop of world models where the comparison is a real choice rather than a category error. PAN 2 is the Institute of Foundation Models' 29-billion-parameter world model, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, which turns a starting frame and a described action into up to twenty seconds of 704×1248 video at 24 frames per second. Hy-Nomas is T​encent Hunyuan's interactive video world model, Apache 2.0, roughly 8 billion parameters, described in arXiv 2610.36729 on 27 October 2026, which turns a text prompt plus a continuous camera trajectory into 720p video at 24 frames per second in eight distilled steps. Both are open-weight. Both are diffusion transformers generating video from a conditioning signal. Both are downloadable this afternoon. Anyone choosing between them cannot use licence, availability or category as a tiebreak, which is exactly what makes it worth doing carefully.

كسر التعادل الذي ينجح فعلًا هو جملة لا يضعها أي من الفريقين في ملخصه: ما الذي يُعدّ فعلًا. إشارة التحكم لدى Hy-Nomas هي إلى أين تذهب الكاميرا. إشارة التحكم لدى PAN 2 هي ما يحدث في المشهد، مكتوبًا بواسطة نموذج لغوي على هيئة تسلسل من الأحداث مرتبطة بالفاعلين. هاتان الإشارتان مختلفتان بما يكفي لدرجة أن أي موجّه ينجح جيدًا مع إحداهما يكاد يكون بلا معنى مع الأخرى، وإذا كنت ستتعلم شيئًا واحدًا فقط من هذه المقارنة، فليكن ذلك الشيء.

واجهتان للتكييف، وليس مستويين من الجودة.

يعتمد Hy-Nomas على النص إضافةً إلى مسار كاميرا. والمسار مستمر وهندسي: تخبره أين تتحرك نقطة المنظور، فيولّد النموذج مقطعًا مشروطًا بسجل مخزّن مؤقتًا كي يبقى العالم متماسكًا أثناء انتقالك. ويعيد محسّن التوجيه لديه، Nomas-PE، كتابة النثر الفضفاض إلى تعليقات JSON منظمة، وهي الغريزة نفسها التي يتبعها محرر التوجيه في PAN 2 من الاتجاه المعاكس — فقد خلص الفريقان إلى أن النص الحر غامض جدًا بحيث لا يصلح لتكييف محوّل انتشار عليه.

حيث يفترقان هو ما تصفه الصيغة المهيكلة. بنية Hy-Nomas مكانية ومرتكزة على وجهة النظر؛ وما يُنمذج بدقة هو حركة الكاميرا عبر المشهد. أما بنية PAN 2 فهي زمنية ومرتكزة على الفاعل: الأحداث بالترتيب، وكل فعل مرتبط بالفاعل الذي يؤديه، إضافة إلى حركة الكاميرا كحقل واحد بين عدة حقول. اقرأ صياغة IFM نفسها، فيصبح التشديد واضحًا لا لبس فيه — إذ يصف التعليق ما يحدث بعد فعل ما، والعرض التوضيحي الذي جعل النموذج مشهورًا هو فراولة تُسقَط في وعاء حيث يؤدي تبديل الفاكهة أو السائل إلى تغيير التناثر.

• التهيئة — يأخذ Hy-Nomas نصًا حرًا بالإضافة إلى مسار كاميرا مستمر؛ بينما يأخذ PAN 2 إطارًا أوليًا اختياريًا بالإضافة إلى وصف منظم للإجراءات مرتبط بالزمن.

• ما معنى «action» — Hy-Nomas: حركة كاميرا، أي إلى أين تنظر؛ PAN 2: حدث له فاعل، أي ما يحدث.

• بنية المقاطع — يعمل Hy-Nomas بنمطٍ ذاتيٍّ انحداريٍّ على مستوى المقاطع اعتمادًا على سجلّ KV مخزَّن مؤقتًا، لذا تنتقل السياق من مقطع إلى آخر؛ بينما يحاكي PAN 2 كل مقطع من إطار بداية واحد على الأكثر إضافةً إلى النص، دون أي حالة منقولة بين المقاطع.

• الإخراج — Hy-Nomas: 720×1280 بمعدل 24 إطارًا في الثانية ضمن ثماني خطوات مُقطَّرة؛ PAN 2: 704×1248 بمعدل 24 إطارًا في الثانية عبر خمسين خطوة من خطوات أداة أخذ العينات بقيمة توجيه 2.5.

• الحجم — Hy-Nomas: نحو 8B عبر 54 كتلة MMDiT ثنائية التدفق بحجم خفي 2,048، بالإضافة إلى مفكك ترميز PixelUMM مضبوط بدقة على كامنات DCAE-V؛ PAN 2: نموذج MMDiT بحجم 29B بالإضافة إلى مشفّر نصي Qwen3.5-9B مجمّد و Wan 2.2 VAE.

• العتاد — Hy-Nomas: ثماني وحدات GPU في النشر المرجعي، مع مسار واحد على RTX 4090 يستخدم DiT بدقة INT8، وذاكرة KV المؤقتة، ومُفكك ترميز FP8، وتفريغًا إلى CPU عند نحو 38GB؛ PAN 2: ثماني وحدات H200 بدقة BF16 كافتراضي موثّق، مع وصفة تجعل ثلاثة عشر ثانية من الفيديو تستغرق نحو 119 ثانية على أربع وحدات B300.

• حجم الأوزان — Hy-Nomas: حوالي 196GB على Hugging Face باسم tencent/Hy-Nomas؛ PAN 2: 86.17GB موزعة على ستين ملفًا باسم IFM/PAN2.

سبعة أبعاد، ولا واحد منها درجة. ما تصفه هو تباين تصميمي: كرّست Hy-Nomas معاملاتها للحفاظ على تماسك عالم أثناء تحركك عبره، بينما كرّست PAN 2 معاملاتها للتنبؤ بما يفعله إجراء ما. مسار الكاميرا غير مكلف في تحديده ويصعب تزييفه؛ أما تسلسل الأحداث فهو تعبيري ومكلف في توليده.

حيث يظهر الفرق جليًا: ثلاث مهام، وكلا النموذجين

التضادات المجردة رخيصة. أما هذه فهي ملموسة.

خذني في جولة عبر شقة. تفوز Hy-Nomas فوزًا حاسمًا. أنت تريد مسارًا متواصلًا عبر ممر وإلى مطبخ، مع بقاء الغرفة خلفك هي الغرفة خلفك. ذلك توليد انحداريّ ذاتيّ مقطعي فوق سجل مخزَّن مؤقتًا، وهو بالضبط ما صُمِّمت هندستها من أجله، ولا تستطيع PAN 2 فعل ذلك: فهي تُصيِّر مقطعًا، ويبدأ المقطع التالي من إطار تقدمه أنت دون أي ذاكرة لما سبق. إن ربط مقاطع PAN 2 لصنع جولة يؤدي إلى الانحراف الذي تحذر منه بطاقة النموذج الخاصة بها، حيث يتغير المظهر بين المقاطع في التفاعلات الطويلة لأن كل مقطع يُحاكى من إطار بداية واحد على الأكثر.

أفتح الدرج فيسقط الكوب. يفوز PAN 2، والأمر ليس متقاربًا. الطلب حدث له فاعل ونتيجة مادية. لا يحتوي تكييف Hy-Nomas على حقل لـ«فتح الدرج» منفصلًا عن الكاميرا — يمكنك وضعه في موجّه النص، وسيقوم مُحسّن الموجّه الخاص به بهيكلته، لكن ميزانية الدقة لدى النموذج أُنفقت على زاوية الرؤية بدلًا من التلامس والنتيجة. عقد التسمية التوضيحية لدى PAN 2 موجود تحديدًا لربط الأفعال بالفاعلين وترتيبها زمنيًا، ولهذا أصدرت IFM مدققًا يتحقق من الأوصاف مقابل ميزانية مُرمّز النص البالغة 1,480 رمزًا مرنًا و1,536 رمزًا صارمًا بدلًا من السماح للنثر بالمرور.

أنشئ مئتي نسخة من مشهد مناولة لمجموعة بيانات. كلاهما خاطئ، لكن بطريقتين مختلفتين. سيمنحك Hy-Nomas مئتي حركة كاميرا متماسكة عبر مئتي مشهد وتحكمًا ضئيلًا جدًا فيما إذا كانت الذراع تمسك شيئًا فعليًا. وسيمنحك PAN 2 مئتي مقطع مشروط بالحركة، ووفقًا لبطاقته الخاصة، ستحتوي نحو خطتين من كل ثلاث خطط على خطوة واحدة على الأقل لا تُنفّذ — لذا سيكون ثلث مجموعة بياناتك غير قابل للاستخدام ما لم تبنِ مدققًا. لا أي منهما محرك بيانات جاهزًا للاستخدام الفوري؛ الفرق هو ما إذا كان الفشل انحرافًا هندسيًا أم خطوة مُسقطة، وأيّهما يمكن لمهمتك اللاحقة تحمّله.

تلك المهمة الثالثة هي أيضًا التي تحدد عتادك. فمئتا مقطع بدقة 720p بثماني خطوات على بطاقة 4090 واحدة مُكمَّمة لا تستغرقان سوى عصر واحد. أما مئتا مقطع على عقدة تضم أربع بطاقات B300 بمعدل 119 ثانية لكل ثلاث عشرة ثانية من الفيديو، فتستغرق يومين. وهذا الحساب هو السبب الحقيقي في أن النموذجين غير قابلين للاستخدام أحدهما مكان الآخر حتى حيث تتداخل قدراتهما.

نفس الفشل باسمين مختلفين

تقرّ كلتا البطاقتين بالضعف نفسه ولا تصلحه أي منهما: نموذج عالمي بعيد الأفق يفقد عالمه. تقول PAN 2 إن المظهر ينزاح عبر المقاطع وتسمّي الذاكرة الإدراكية القطعة الناقصة. وتعالجها Hy-Nomas مباشرةً بذاكرة KV محمولة ونمط انتباه سببي يُبقي السياق الوصفي حيًّا عبر المقاطع مع حصر تعليمات الإجراء في النافذة التي صدرت فيها — ثم تذكر في تقييمها الخاص أنها لا تزال متأخرة عن Genie 3 في الذاكرة المكانية طويلة المدى.

هذا الاعتراف الأخير أكثر إثارة للاهتمام من أي فوز. فهو يقول إن آلية الذاكرة تعمل جيدًا بما يكفي للتغلب على Genie 3 وLingBot-World v2 في التفاعل واتباع المطالبات — بنحو معدل فوز 65% في اتباع المطالبات عبر اختبار مرجعي من 280 حالة يغطي النص متعدد الجولات، والتنقل بالكاميرا، والنص والكاميرا المتشابكين، والذاكرة المكانية — ومع ذلك يخسر في المسار الذي يقيس ما إذا كان العالم يبقى ثابتًا في مكانه. تلك مقارنات المؤلفين ضد خطوط الأساس التي اختارها المؤلفون على اختبارهم المرجعي، ومثل كل رقم في هذه الفئة، فهي لم يُعَد إنتاجها. لكنها ليست غامضة: فالنموذج الذي ينشر مواضع خسارته هو نموذج يمكنك التخطيط على أساسه.

الخلاصة المفيدة لأي شخص يبني على أيٍّ منهما: الثبات ليس خاصية يمكن افتراضها وفحصها لاحقًا. إنه أول ما ينبغي قياسه على مشاهدك الخاصة، وبتحمّلك الخاص للانحراف، قبل أن تلتزم بخط معالجة لنموذج ما. لا ينشر أي من البائعَين منحنى الوقت حتى الفشل — أي المدة التي يتوقف عندها المشهد عن كونه موثوقًا — وهذا الرقم المفقود يهم أكثر من أي موقع في اختبار معياري.

التكلفة ليست مجرد فرق تقريب، بل هي القرار.

ضع جدال القدرات جانبًا للحظة وانظر إلى ما يتطلبه تشغيل كل واحد منها لمدة أسبوع.

مسار Hy-Nomas على بطاقة 4090 واحدة هو أكثر حقيقة ذات أثر في هذه المقارنة، ويسهل تفويتها في ظل النشر المرجعي بثماني وحدات GPU. فنموذج DiT بدقة INT8 مع ذاكرة KV cache، ومفكك ترميز FP8، وتفريغ إلى CPU، يشغل نحو 38GB، ما يعني أن استوديوًا يمتلك بطاقة واحدة بمستوى محطات العمل يمكنه توليد فيديو تفاعلي بدقة 720p دون استئجار أي شيء. إعداد وحدات GPU الثماني هو ما تصفه عملية القياس المرجعي؛ أما إعداد 4090 فهو ما يستطيع القارئ فعله فعليًا هذه الليلة.

لا يملك PAN 2 مسارًا مماثلًا منشورًا. إعداده الافتراضي الموثّق هو ثماني وحدات H200 بتنسيق BF16 مع توازي رقع VAE عبر أربع بلاطات، ووصفة الخدمة التي يقتبسها الجميع — ثلاث عشرة ثانية بقياس 704×1248 خلال نحو 119 ثانية — تفترض أربع وحدات B300. والأسوأ أن أداة أخذ العينات مكلفة بحكم تصميمها: خمسون خطوة مع إرشاد قيمته 2.5 يُطبَّق عند كل خطوة تعني مئة تمريرة أمامية عبر محوّل بحجم 29B لكل مقطع، ولهذا يجب تقسيم الإرشاد الخالي من المصنِّف عبر المراتب وتوزيع توازي التسلسل على عدد أكبر. لا يوجد في الإصدار طرح لتشغيل مكمَّم على بطاقة واحدة، والتظاهر بغير ذلك سيكون اختلاقًا له.

إذن، جملة التكلفة الصادقة هي هذه: Hy-Nomas يكلّف وحدة GPU تملكها على الأرجح، وPAN 2 يكلّف عقدة GPU لا تملكها على الأرجح، ولا أي قدر من اختلاف الجودة في أي من الاتجاهين يغيّر ذلك بالنسبة لفريق صغير.

زاوية التوجيه هنا ضيقة وتستحق أن تُذكر بدقة، لأن كليهما نموذجان تستضيفهما بنفسك، ولا يوجد أي منهما في كتالوج OrcaRouter. ما يمكن توجيهه هو الجزء الذي أضافته كلتا البنيتين لأن النص الحر لم يكن كافيًا: مرحلة تحسين الموجّه. يُعيد Nomas-PE من Hy-Nomas كتابة النثر إلى تعليقات JSON مُهيكلة؛ ويحتفظ prompt-rewriter في PAN 2 بموجّه نظام وموجّه سلبي ثابت ومُدقّق مقابل ميزانية الرموز لدى المُرمِّز. تلك استدعاءات لنماذج لغوية، وهي المرحلة التي يغيّر فيها نموذج مختلف بشكل قابل للقياس ما يستقبله مُحرّك العرض. صنّفت IFM أربعة نماذج استدلال لمرحلة التعليق الوصفي لديها — Claude Opus 5.5، وGPT-6 Astra بجهد متوسط، وKimi K3، Qwen3.8-Flash — وجميع الأربعة موجودون في الكتالوج، لذا يمكن استبدال نصف إعادة الكتابة في أي من خطّي المعالجة ومقارنته عبر مفتاح واحد بسعر قائمة المزوّد بهامش ربح 0%، مع التحويل التلقائي عند الفشل عندما تنتهي مهلة استدعاء إعادة الكتابة في منتصف الدفعة. يبقى مُصيّرا 29B و8B على عتادك. هذا هو الادعاء بأكمله.

ما الذي تحتويه بطاقتا النموذج فعليًا

كلا الإصدارين يضع بطاقةً على الملأ، وتختلف البطاقتان في مدى ما ترغبان في الاعتراف به.

يصف تقرير Hy-Nomas، arXiv 2610.36729 المؤرخ 27 أكتوبر 2026، الحيلة التي تجعل التفاعل متعدد الجولات يعمل: إذ تُحاذى التعليقات التوضيحية المهيكلة مع نمط انتباه سببي واعٍ بالإجراءات، بحيث يظل السياق الوصفي مستمرًا عبر المقاطع، بينما تبقى تعليمات الإجراءات محصورة في النافذة التي صدرت فيها. التقييم عبارة عن معيار مؤلف من 280 حالة عبر أربعة مسارات — النص متعدد الجولات، والتنقل بالكاميرا، والنص والكاميرا المتداخلان، والذاكرة المكانية — يُحكَّم عبر مقارنة زوجية بشرية مقابل Genie 3 وLingBot-World v2 وHappy Oyster. وهو يفوز في التفاعل واتباع المطالبات، بمعدل فوز مُبلَّغ عنه نحو 65% في اتباع المطالبات، ويخسر أمام Genie 3 في الذاكرة المكانية طويلة المدى. تبلغ الأوزان نحو 196GB باسم tencent/Hy-Nomas بموجب Apache 2.0، مع الكود على GitHub وعرض تجريبي مستضاف.

بطاقة PAN 2 أطول وأقل إطراءً. البنية هي تنبؤ كامن توليدي من نقد النماذج العالمية (arXiv 2507.05169)، والوثيقة نفسها التي تصفها تسرد الإخفاقات: نحو ثلثي الخطط المحاكاة تُسقط خطوة واحدة على الأقل، وينجرف المظهر بين المقاطع لعدم وجود حالة محمولة، وتغيّر صياغة الملاحظة والإجراء النتيجة، ويعبّر النص عن «افتح درجًا» جيدًا وعن «ضع كل إصبع هنا» بشكل سيئ، ويمكن أن تتقدم المحاكاة وهي تخالف قوانين الفيزياء، ولم تُقَس بعد محاكاة الخطط التي ينبغي أن تفشل.

اقرأ الاثنين جنبًا إلى جنب وسيبدو الفرق في أسلوب الإفصاح واضحًا. يذكر Hy-Nomas معدل فوز وحالة خسارة؛ ويذكر PAN 2 معدل فشل وقائمة. لا هذا ولا ذاك تدقيق، وكلاهما كتبته الفرق التي بنت النماذج. لكن البطاقة التي تخبرك أين يخسر النموذج هي وثيقة يمكنك التخطيط على أساسها، وكلتاهما تستوفيان ذلك — وهو أكثر مما يقدمه معظم منافسيهما المغلقين.

أي واحد، وما الذي سيغيّر الإجابة؟

اختر Hy-Nomas إذا كانت مشكلتك هي الاستكشاف أو المحتوى: عالم يمشي فيه شخص، أو حركة كاميرا يخرجها شخص، أو مشهد 720p متماسك من وصف نصي على بطاقة واحدة. فآلية الذاكرة فيه، وتهيئته للكاميرا، ومساره على 4090 تشير كلها إلى المستخدم نفسه — شخص يحتاج إلى رؤية مكان والتحرك خلاله، بتكلفة منخفضة، الآن.

اختر PAN 2 إذا كانت مشكلتك قرارًا: وكيل يحتاج إلى معاينة ما يفعله إجراء ما، أو مُخطِّط يرتّب الخطط المرشّحة، أو سؤال بحثي حول ما إذا كان الوصف المنظَّم لحدث ما كافيًا لتوليد نتيجته. فعقد التسمية التوضيحية الخاص به، وأداة الاختبار المنشورة الخاصة به، وأوزان Apache-2.0 الخاصة به، كلها تشير إلى مستخدم يحتاج إلى مَن يجادله بصدق ويملك العتاد اللازم لتحمّل تكلفة ذلك.

ثمة أمران من شأنهما حسم الاختيار على نحو لا يسمح به أيٌّ من البائعين حاليًا. فذاكرة على طراز Hy-Nomas تُنقل عبر المقاطع في نموذج لديه تكييف الأفعال الخاص بـ PAN 2 ستكون منتجًا أفضل بدرجة معتبرة من كليهما. ودراسة فشل منشورة — تحاكي فيها PAN 2 خططًا يفترض أن تفشل، وتقيس فيها Hy-Nomas الانحراف على مدى عشر دقائق بدلًا من دقيقة واحدة — ستجيب عن السؤال الذي تتركه البطاقتان مفتوحًا. وإلى أن يتحقق أحد هذين، لا يتعلق الاختيار بأيّ النموذجين أفضل، بل بما إذا كان عالمك شيئًا تمرّ فيه أم شيئًا يحدث لك.