Hi3D V1.0 vs. Hunyuan3D WorldClaw: Ein Asset gut gemacht – oder eine Welt nur grob?

Eine Hunyuan3D WorldClaw-Szene ist kein einziges 3D-Modell. Sie besteht aus Gelände, Gebäuden, Vegetation, Fahrzeugen und Figuren, die jeweils als eigenes Mesh rekonstruiert, auf einer generierten Landschaft platziert und dann von einem Vision-Agenten inspiziert werden, der fehlerhafte Bereiche zur Reparatur zurückschickt. Hi3D V1.0 baut keine Welten. Es nimmt ein grobes Mesh und ein Referenzbild und verwendet eine 96-GB-GPU, um die Geometrie dieses einzelnen Objekts schärfer zu machen. Der Vergleich ist daher nicht Szene gegen Szene. Es ist Durchsatz gegen Wiedergabetreue, und die beiden Systeme liegen auf gegenüberliegenden Seiten derselben Produktionslinie.

Was WorldClaw braucht, bevor es eine Welt bauen kann

WorldClaw ist Tencent Hunyuans agentisches Framework, mit dem sich ein einzelner Text-Prompt in eine große, erkundbare und editierbare 3D-Welt verwandeln lässt. Das Paper „WorldClaw: Agentic 3D Open-World Generation at Scale“ erschien am 7. August 2026 auf arXiv unter 2608.05248; Projektseite und GitHub-Repository folgten in derselben Woche. Die Architektur läuft in vier Stufen ab:

• Absichtsanalyse und Szenenplanung – zwei Sprachmodell-Agenten parsen den Prompt. Der eine extrahiert ausschließlich die vom Nutzer genannten Einschränkungen; der andere ergänzt die Details, die der Prompt ausgelassen hat. Das Paper nennt für diese Phase Claude Opus 4.8.

• Globale Geländegenerierung — eine semantische Layoutkarte und regionsabhängige Höhenfelder erzeugen ein kontinuierliches Geländeskelett mit Materialien, Felsen und Vegetation, die nach Region zugewiesen werden.

• Regionale Objektgenerierung — detaillierte Regionen werden in geländebeschränkte 2D-Composites gerendert, mit {{1}}GPT-Image-2{{/1}} und SAM3D in Instanzen segmentiert, über Hunyuan3D als einzelne 3D-Meshes rekonstruiert und wieder auf dem Gelände platziert.

• Render-basierte Verfeinerung — ein Vision-Agent rendert die Szene aus mehreren Blickwinkeln, sucht nach schwebenden Objekten, Durchdringungen, falscher Skalierung und falscher Pose, korrigiert den betroffenen Bereich und rendert erneut, bis es passt. Die Montage erfolgt in Blender über MCP.

Die dritte Stufe ist hier die entscheidende. Jedes Objekt in einer WorldClaw-Szene ist eine separate Bild-zu-3D-Rekonstruktion. Eine Szene mit zweihundert unterschiedlichen Requisiten bedeutet zweihundert Mesh-Generierungen, jede bedingt auf ein segmentiertes 2D-Komposit und jede mit der Wiedergabetreue, die das zugrunde liegende Rekonstruktionsmodell erzeugen kann. Die visuelle Obergrenze der Szene wird durch das schlechteste Asset darin bestimmt, und die eigene Evaluierung des Frameworks misst das nicht. Das Paper berichtet qualitative Direktvergleiche gegen SynCity, Metas WorldGen, MajutsuCity und World Labs' Marble – kein FID, kein CLIP-Score, keine Nutzerstudie und keine objektbezogene Wiedergabetreue-Metrik.

Was Hi3D beitragen würde – und was nicht

Hi3D V1.0, veröffentlicht am 23. Oktober 2026, ist ein Verfeinerungsmodell, das auf Sparc3D aufbaut. Gibt man ihm ein Referenzbild eines Objekts und ein grobes Mesh desselben Objekts, sampelt es schrittweise sparse Latents, dekodiert sie durch einen Self-Pruning-Sparse-VAE und extrahiert eine Oberfläche mit höherer Auflösung. Die drei Durchgänge bringen das strukturelle Gitter auf 64³, 128³ und 192³ und das sparse Extraktionsgitter auf 512³, 1024³ und 1536³, bei 25 Scheduler-Updates pro Durchgang. Es verarbeitet jeweils ein Objekt.

Die Eignung für WorldClaws dritte Stufe ist auf dem Papier offensichtlich. WorldClaw hat bereits ein segmentiertes 2D-Composite für jedes Objekt und erzeugt bereits ein Mesh über Hunyuan3D. Das sind genau die beiden Eingaben, die Hi3D benötigt: ein Referenzbild und ein grobes Mesh. Jedes Objekt vor seiner Platzierung zu verfeinern, würde die geometrische Detailtreue der Assets erhöhen, die die Nahaufnahmequalität der Szene bestimmen.

Drei Einschränkungen verhindern, dass es sich um ein Drop-in-Upgrade handelt.

Erstens ist Hi3D reine Geometrie. Es erzeugt weder Textur noch Material noch Vertexfarbe, und die Ausgabe von WorldClaw besteht ausdrücklich aus texturierten, individuell editierbaren Meshes, die für eine Spiel-Engine gedacht sind. Hi3D würde die Silhouette und das lokale Oberflächendetail verbessern und das Asset dann an einen Texturierungsschritt übergeben, den keines der beiden Repositories bereitstellt. Eine Welt aus verfeinerten, aber untexturierten Meshes ist nicht das Lieferergebnis, das WorldClaw verspricht.

Zweitens muss das Referenzbild dasselbe Objekt zeigen. WorldClaws Segmentierung liefert einen Bildausschnitt des Objekts innerhalb eines regionalen Composites, der nahe an eine saubere Produktreferenz heranreicht, aber nicht identisch mit ihr ist. Ob das gut genug ist, ist eine empirische Frage, die niemand beantwortet hat.

Drittens der Durchsatz. Hi3D verfeinert jeweils ein Mesh, und die gemessene Konfiguration ist ein 96-GB-H20 ohne CPU-Pfad und ohne Batch-Modus. WorldClaw läuft laut dem Paper bereits auf 4× H20. Eine Verfeinerungsstufe pro Objekt vor der Platzierung multipliziert den teuersten Teil der Pipeline mit der Anzahl der Objekte in der Szene.

Die Nummer, die Ihnen keine der beiden Seiten gibt

Sie können diese Zusammensetzung nicht anhand des veröffentlichten Materials kalkulieren, und das ist die wichtigste praktische Erkenntnis in diesem Vergleich.

Hi3D veröffentlicht keine Wall-Clock-Latenz. Die {{1}}README{{/1}} gibt Scheduler-Updates, Durchlaufanzahlen und eine gemessene GPU an, aber keine Sekunden pro Objekt bei 512³, 1024³ oder 1536³. {{2}}WorldClaw{{/2}} veröffentlicht ebenfalls keine Rekonstruktionszeit pro Objekt. Die Rechenleistungsangabe des Papers bezieht sich auf das gesamte System auf 4× H20, nicht auf die Grenzkosten eines weiteren Props. Ohne beide Zahlen lässt sich die Rechnung, die entscheidet, ob Refinement bezahlbar ist — Objekte pro Szene mal Sekunden pro Objekt mal GPU-Stunden —, nicht aus den Quellen ableiten.

Was sich sagen lässt, ist die Form der Kosten. Die 512³-Einstellung von Hi3D führt einen Durchlauf aus; 1024³ führt zwei aus; 1536³ führt alle drei aus. Jeder Durchlauf umfasst 25 Scheduler-Updates. Höhere Auflösung bringt mehr Detail und kostet Durchläufe. Die Batch-Größe ist eins, daher skalieren die Kosten linear mit der Objektanzahl und lassen sich nicht über einen Batch amortisieren. Wenn eine WorldClaw-Szene Dutzende Hero-Objekte und Hunderte Hintergrund-Requisiten enthält, würde eine sinnvolle Pipeline die Heroes verfeinern und den Hintergrund in der groben Stufe belassen — eine Entscheidung, die genau das Timing pro Objekt erfordert, das keines der beiden Projekte veröffentlicht hat.

Fünf Dimensionen, die sie wirklich voneinander unterscheiden

• Arbeitseinheit — Hi3D V1.0 ein Objekt vs. Hunyuan3D WorldClaw eine offene Welt-Szene mit vielen Objekten

• Ausgabe — Hi3D V1.0 ein reines Geometrie-Mesh vs. Hunyuan3D WorldClaw bearbeitbare, texturierte Meshes, in Blender zusammengesetzt

• Eingabe — Hi3D V1.0: ein Referenzbild plus ein grobes Mesh vs. Hunyuan3D WorldClaw: ein offener Text-Prompt

• Code und Gewichte — Hi3D V1.0 ist ab heute unter der Hi3D Open License 1.0 herunterladbar, im Vergleich zu Hunyuan3D WorldClaw: ein README und ein Paper, kein Code, keine Gewichte, keine API, keine Preisangaben

• Belege — Hi3D V1.0: kein numerischer Benchmark im Vergleich zu Hunyuan3D WorldClaw, nur qualitative Vergleiche, kein FID, kein CLIP, keine Nutzerstudie

Verfügbarkeit entscheidet über das Quartal.

Eines davon ist ein Werkzeug und das andere ein Design-Dokument.

Hi3D V1.0 kann heute geklont, installiert und ausgeführt werden. Es benötigt Linux, Python 3.10, CUDA 12.0 bis 12.5, eine GPU mit Compute Capability 8.0 und einen Quellcode-Build von flash-attn, und die vollständige 1536³-Leiter wurde nur auf einem 96-GB-H20 validiert. Die Lizenz erlaubt kommerzielle Nutzung, mit einer Benachrichtigungs- und separaten Lizenzierungspflicht, sobald ein Produkt 200.000 monatlich aktive Nutzer oder 1.000.000 USD monatlichen Umsatz überschreitet, sowie einer Namensnennungspflicht für kommerzielle Integrationen. Die Gewichte sind acht Dateien auf Hugging Face. Es gibt keinen gehosteten Endpunkt — die Modellkarte besagt, dass es von keinem Inferenzanbieter bereitgestellt wird — und das kommerzielle v3.0 des Unternehmens, mit 2048³-Voxeln und 8K-Texturen, ist ein separates Produkt, das über seine eigene Plattform verkauft wird.

WorldClaw kann heute außerhalb von Tencent von niemandem ausgeführt werden. Das GitHub-Repository enthält einen Assets-Ordner, eine .gitignore und eine README. Es gibt keine Implementierung, keinen Checkpoint, keine API und keine Preisangabe, und ein Issue, in dem um den Code gebeten wird, ist unbeantwortet geblieben. Das Paper ist detailliert genug, um die Architektur nachzubauen, und die Projektseite ist eine gute Demonstration, aber beides ist keine Abhängigkeit, die Sie einplanen können. Wenn Sie einen Weltgenerator bauen, ist WorldClaw ein lesenswerter Bauplan; es ist keine Komponente, die Sie aufrufen können.

Diese Asymmetrie ist die praktische Antwort auf diesen Vergleich. Ein Team, das diesen Monat eine bessere Objektgeometrie braucht, kann Hi3D nutzen. Ein Team, das diesen Monat WorldClaws Funktion auf Szenenebene braucht, muss sie selbst bauen, und das Paper ist das Einzige, was Tencent veröffentlicht hat, das dabei hilft.

Wo die LLM-Rechnung landet

WorldClaws Architektur ist ungewöhnlich ehrlich darüber, wo die teuren Aufrufe liegen. Die Szene zu planen, die Vorgaben des Nutzers zu extrahieren, die Details zu ergänzen, die der Prompt ausgelassen hat, und die visuelle Kritik auszuführen, die entscheidet, was neu gerendert wird – all das sind Sprach- oder Vision-Language-Aufrufe. Das Framework leitet sie an Frontier-Modelle weiter, statt eigene zu trainieren. Das ist eine bewusste Wette: Orchestrierung statt Training, wobei die Qualität durch Komponenten begrenzt wird, die man nicht kontrolliert.

Sie ist auch die Schicht, die OrcaRouter abdeckt. Die 3D-Rekonstruktion bleibt auf Ihren GPUs und gehört nicht zu unserem Angebot — der Katalog umfasst Text-, Vision-, Video-, Embedding- und Sprachmodelle, nicht Geometrie. Planner und Critic sind ein anderes Thema. Mehr als 200 Modelle hinter einer einzigen API bedeutet, dass Planner und Critic keine separaten Verträge, separaten Schlüssel und separaten Fehlerdomänen benötigen; der Listenpreis des Anbieters wird mit 0 % Aufschlag durchgereicht, sodass eine Preisänderung eines Anbieters den Endpunkt noch am selben Tag erreicht; automatisches Failover verhindert, dass ein beeinträchtigter Anbieter eine Welt mitten in der Generierung blockiert; und die Routing-DSL setzt mehrere Modelle zu einem Aufruf zusammen, was genau das ist, was eine Plan-then-Critique-Schleife tatsächlich ist. Für eine Pipeline, deren Kosten pro Szene von wiederholten Agent-Aufrufen dominiert werden, ist diese Steuerungsebene wichtiger als jede einzelne Modellwahl.

Wer sollte handeln, und worauf?

Wenn Ihr Engpass die Qualität eines einzelnen Assets ist – eines druckbaren Teils, eines Produktmodells, eines Hero-Props –, ist Hi3D V1.0 jetzt verfügbar, und das Experiment ist günstig zu starten, vorausgesetzt, Sie besitzen eine 96-GB-GPU und haben bereits ein grobes Mesh. Lesen Sie den Abschnitt zu den Einschränkungen vor der Pressemitteilung: Das Modell verfeinert die Struktur, es behebt keine falsche Silhouette und es liefert keine Textur.

Wenn Ihr Engpass die Szenenmontage ist, ist WorldClaw das ehrgeizigere System und das weniger verfügbare. Sein Beitrag ist architektonischer Natur: eine Grob-zu-fein-Agentenschleife mit einem renderbasierten Kritiker und eine klare Aussage darüber, dass die Objektrekonstruktionsstufe der Ort ist, an dem die Wiedergabetreue pro Asset gewonnen oder verloren wird. Der naheliegende nächste Versuch besteht darin, einen Refiner wie Hi3D hinter diese Stufe zu setzen und zu messen, ob die Nahaufnahmequalität der Szene ausreichend verbessert wird, um die zusätzlichen Durchläufe zu rechtfertigen. Niemand hat diese Messung veröffentlicht, und bis jemand es tut, bleibt der Vergleich eine Hypothese über eine Produktionslinie statt ein Ergebnis.