CARI4D vs ABot-Earth 0.7: Zwei 4D-Modelle, die nie konkurrieren

Wenn Sie nach einem Vergleich von CARI4D mit ABot-Earth 0.7 gesucht haben und einen direkten Vergleich erwartet haben, lautet die ehrliche Antwort, dass es keinen solchen Vergleich gibt und auch keiner kommen wird. Diese beiden Systeme erledigen nicht dieselbe Aufgabe, nehmen nicht dieselben Eingaben entgegen, geben nicht dasselbe aus und würden von niemandem, der eines von beiden versteht, jemals gegeneinander gebenchmarkt werden. CARI4D ist NVIDIAs kategorieunabhängige 4D-Rekonstruktion der Mensch-Objekt-Interaktion – sie beobachtet eine Person, die in einem gewöhnlichen Video einen Gegenstand handhabt, und rekonstruiert deren Posen im metrischen Maßstab über die Zeit. ABot-Earth 0.7 ist Amaps 3D-natives urbanes Weltmodell – es nimmt ein Satellitenbild oder einen Text-Prompt und erzeugt eine kilometergroße, erkundbare Stadt als Gaussian-Splatting-Szene. Der Grund, warum diese Seite trotzdem existiert, ist, dass die Achse, die sie trennt, eine wirklich nützliche ist, und die beiden unterscheiden sich weit mehr darin, was Sie mit ihnen machen können, als darin, was sie zu sein scheinen.

Es gibt außerdem einen zweiten, schärferen Grund. Diese beiden Releases liegen an entgegengesetzten Enden eines Spektrums, das mehr zählt als jede Spec-Zeile: Eines davon können Sie heute Nachmittag herunterladen und ausführen, und das andere lässt sich überhaupt nicht ausführen.

Die Antwort, die niemand will, der diese Suchanfrage stellt

Beide werden als 4D beschrieben. Beide stammen von großen Anbietern. Beide wurden innerhalb des letzten Jahres veröffentlicht. Ungefähr dort endet die Überschneidung.

CARI4D rekonstruiert. Ausgehend von einem Video schätzt es, was sich dort befand. Die Arbeit — Kategorieagnostische 4D-Rekonstruktion der Mensch-Objekt-Interaktion von Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll und Stan Birchfield — erschien im Dezember 2025 auf arXiv als 2512.11988 und wurde bei der CVPR 2026 angenommen. Sie befasst sich mit einem Menschen und einem starren Objekt in Kontakt, und ihre Kernaussage ist der Maßstab: metrische Dimensionen aus einer monokularen Kamera ohne Tiefensensor und ohne Multi-View-Rig zu gewinnen, was genau der Teil ist, mit dem frühere Arbeiten zu kämpfen hatten.

ABot-Earth 0.7 generiert. Ausgehend von einem georeferenzierten Satellitenbild oder einer Textbeschreibung erzeugt es eine Szene, die zuvor nicht als Daten existierte. Amap, das chinesische Kartierungs- und Navigationsunternehmen, stellte es am 10. September 2026 auf seiner Street-Stars-Gala in Hangzhou vor und tritt damit die Nachfolge von ABot-Earth 0.5 vom 8. Juni an. Es gibt 3D-Gaussian-Splats aus, exportiert nach Unreal Engine und Unity und deckt nach Angaben von Amap mehr als 196 Länder und Regionen ab, gegenüber mehr als 190 in 0.5.

Das eine ist ein Schätzer. Das andere ist ein Generator. Diese Unterscheidung leistet mehr als jede Benchmark-Tabelle es je könnte.

Eine Person und ein Stuhl oder eine Stadt

Der Unterschied in den Größenordnungen ist der, den die Leute unterschätzen. Die Betrachtungseinheit von CARI4D ist ein menschlicher Körper und ein handgehaltener Gegenstand, gemessen in Zentimetern, über die Frames eines einzelnen Clips hinweg verfolgt. Die Betrachtungseinheit von ABot-Earth 0.7 ist ein Quadratkilometer Stadt, nach Amaps eigener Darstellung in ungefähr zehn Minuten auf einer einzigen Consumer-GPU erzeugt.

• Eingabe — CARI4D: ein monokulares RGB-Video, MP4 vs. ABot-Earth 0.7: ein Satellitenbild oder ein Text-Prompt

• Ausgabe — CARI4D menschliche Pose und Form pro Frame, Objektrotation und -translation sowie zwei Handkontakt-Logits gegenüber ABot-Earth 0.7, einer 3D-Gaussian-Splatting-Szene, exportierbar nach Unreal Engine und Unity

• Analyseeinheit — CARI4D: ein Mensch und ein starres Objekt in Kontakt vs. ABot-Earth 0.7: Gelände, Gebäude, Vegetation und Landmarken im Stadtmaßstab

• Zeitliche Aussage — CARI4D rekonstruiert beobachtete Bewegung Frame für Frame, während ABot-Earth 0.7 als Weltmodell mit einer Vorhersageschicht dafür positioniert wird, was als Nächstes passiert

• Metrische Skala — CARI4D-Metrikskala, rekonstruiert aus monokularem Video mittels UniDepth und einer Grob-zu-Fein-Skalensuche, vs. ABot-Earth 0.7, georeferenziert aus einem Satellitenbild, kein Problem der metrischen Rekonstruktion

• Laufkosten — CARI4D PyTorch auf einer NVIDIA Ampere GPU, validiert auf A100, 38 Stunden auf 8×A100 für den Forschungstrainingslauf vs. ABot-Earth 0.7 etwa zehn Minuten pro km² auf einer Consumer-GPU, laut Amaps eigenem Vergleich

Beachten Sie, dass auf einer einzelnen Zeile keine der beiden Spalten besser ist als die andere. Sie messen unterschiedliche Welten. Ein Modell, das den Kontaktpunkt zwischen einer Hand und einer Gasflasche wiederherstellt, wird nicht dadurch verbessert, dass es zusätzlich weiß, wo die Gebäude sind, und ein Modell, das eine plausible Skyline erzeugt, wird nicht dadurch verbessert, dass es den genauen Handgelenkwinkel eines Fußgängers kennt.

Die Asymmetrie, die tatsächlich den Ausschlag gibt

Hier ist der Unterschied, den ein Käufer innerhalb der ersten Stunde spüren wird, und er hat nichts mit der Leistungsfähigkeit zu tun.

CARI4D bietet Code und Gewichte, die Sie heute erhalten können. Das NVlabs-Repository enthält die offizielle Implementierung, veröffentlicht am 28. Februar 2026, wobei Trainingscode und die Vorverarbeitung für eigene Videos am 4. April hinzugefügt wurden. Der vortrainierte CoCoNet-Checkpoint lässt sich von Hugging Face herunterladen, das Docker-Image xiexh20/cari4d ist veröffentlicht, und seit dem 30. August 2026 ist ein kommerziell lizenzierter 231M-Checkpoint als nvidia/cari4d_commercial unter der NVIDIA Open Model Agreement verfügbar – zugangsbeschränkt, aber erhältlich. Die Abhängigkeiten sind dokumentiert, einschließlich der unangenehmen Teile: NLF-Torchscript-Gewichte, FoundationPose-Gewichte, SMPL-H-Assets, eine kid_template.npy von AGORA und Hunyuan3D für die Objekt-Meshes. Sie können die Inferenz auf dem BEHAVE-Demo, auf einem bereitgestellten In-the-Wild-Clip oder auf Ihrem eigenen Video ausführen und sie mit den mitgelieferten Skripten evaluieren.

ABot-Earth 0.7 ist in keinem dieser Sinne erhältlich. Amap hat keine Modellgewichte, keine Modellkarte, keine öffentliche API, keine Preisangaben und keine Entwicklerdokumentation veröffentlicht. Die Experience-Site ist live, aber Amap beschreibt die Generierung als nur auf Einladung oder per Whitelist zugänglich, die Benutzeroberfläche ist ausschließlich in vereinfachtem Chinesisch, und das GitHub-Repository aus der 0.5-Ära enthielt Berichten zufolge einen technischen Bericht und nichts Ausführbares. Jede Schlagzeilen-Zahl – zehn Minuten pro Quadratkilometer, rund das 1.000-Fache der Effizienz traditioneller Rekonstruktion, etwa ein Hundertstel der Kosten, mehr als 196 Länder – lässt sich auf Amap zurückführen und wurde von niemandem außerhalb von Amap unabhängig reproduziert. Das sind vom Anbieter gemeldete Zahlen, und derzeit gibt es keinen Weg, auf dem sie etwas anderes werden könnten.

Der praktische Vergleich ist also nicht „welches Modell ist besser“. Sondern: Eines davon ist ein Forschungsartefakt mit kommerzieller Lizenz und einem Docker-Image, das andere eine Produktdemonstration mit Pressezyklus. Beides sind legitime Leistungen. Nur eines davon kann man in einen Build packen.

Wo sich die beiden wirklich begegnen würden

Hier liegt eine echte Zusammensetzung vor, und es lohnt sich, dabei konkret zu werden, denn es ist der einzige Sinn, in dem diese in dasselbe Gespräch gehören.

CARI4Ds Ausgabe ist Mensch-Objekt-Interaktion in einem metrischen Weltkoordinatensystem. Die Ausgabe von ABot-Earth 0.7 ist eine Umgebung. Bevölkert man die zweite mit der ersten, erhält man etwas, das keines von beiden allein erzeugt: eine generierte Stadt, in der Menschen Dinge tun, die physisch vermessen statt künstlerisch platziert sind. Robotiksimulation, Einzelhandels-Layoutplanung und die Generierung von Interaktionsdatensätzen wollen genau diese Kombination – eine Umgebung, die günstig genug ist, um sie neu zu generieren, und menschliche Bewegung, die genau genug ist, um damit zu trainieren.

Die Nahtstelle zwischen ihnen ist eine Koordinatentransformation und eine Maßstabskonvention, und sie ist nicht trivial, weil das metrische Bezugssystem von CARI4D relativ zu einer einzelnen Kamera definiert ist und das von ABot-Earth 0.7 durch Geolokalisierung. Niemand hat diese Integration veröffentlicht. Es ist die Art von Sache, die ein Team in einer Woche baut und nicht aufschreibt.

Der Schritt, der in dieser Pipeline vergessen wird, ist der Teil, der rohe Interaktionsdaten in etwas Abfragbares verwandelt – das Beschriften von Clips, das Taggen von Kontaktereignissen, den Aufbau von Retrieval-Indizes und von Qualitätskontrollfiltern für die Ausgabe. Diese Arbeit läuft über Vision-Language- und Sprachmodelle, und genau diese Ebene deckt OrcaRouter ab: mehr als 200 Modelle hinter einer einzigen API, der Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht, automatisches Failover bei Leistungsabfall eines Anbieters, und eine Routing-DSL, die mehrere Modelle zu einem einzigen Aufruf zusammenfügt, sodass das Beschriften und der QC-Durchlauf keine separaten Integrationen sein müssen. Weder CARI4D noch ABot-Earth 0.7 werden dort angeboten, und keines von beiden ist ein LLM – aber das Tooling, mit dem Sie sie umgeben, ist es mit ziemlicher Sicherheit.

Welche willst du eigentlich?

Wählen Sie CARI4D, wenn Sie Video einer Person haben, die mit einem Objekt interagiert, und deren Posen in metrischen Einheiten benötigen, Bild für Bild – für Bewegungsanalyse, Robotik-Wahrnehmung, Animationsreferenz oder den Aufbau eines Interaktionsdatensatzes. Es ist jetzt verfügbar, es ist dokumentiert, und die kommerzielle Lizenz wurde am 30. August 2026 erteilt. Planen Sie Budget für die Abhängigkeitskette ein, und lesen Sie die Lizenzbedingungen für die Teile, die NVIDIA nicht besitzt.

Wählen Sie ABot-Earth 0.7, wenn Sie Umgebungen statt Akteure benötigen – im Stadtmaßstab generierte Szenen aus einem Ort oder einer Beschreibung, schnell, in eine Game-Engine exportierbar. Bedenken Sie, dass Sie eine demonstrierte Fähigkeit bewerten und nicht ein Tool übernehmen, dass der Zugang nach Ermessen gewährt wird und dass die Effizienzwerte von Amap selbst stammen.

Wähle beide nur, wenn du das oben beschriebene zusammengesetzte System baust, und geh mit dem Wissen daran, dass du die Nahtstelle selbst schreiben wirst.

Die Frage, die sich zu stellen lohnt, ist nicht, welche dieser beiden gewinnt. Sie lautet, ob das, was du tatsächlich baust, ein Rekonstruktionsmodell, ein Generierungsmodell oder keines von beiden braucht – und bei dieser Frage überschneiden sich diese beiden Antworten nie.