PAN 2 vs. Hi3D v1.0: Zwei Modelle, die sich beide weigern, dir zu sagen, wie groß irgendetwas ist

Wenn du eines dieser Modelle nach einer Welt fragst, ist das Erste, was du verlierst, das Lineal. PAN 2 ist das Open-Weight-Weltmodell des Institute of Foundation Models mit 29 Milliarden Parametern, seit dem 7. Oktober 2026 als Apache-2.0-Checkpoint auf Hugging Face verfügbar, mit Code am 5. November und Day-0-Unterstützung für vLLM-Omni am 10. November: Gib ihm ein Startbild und eine beschriebene Aktion, und es rendert bis zu zwanzig Sekunden Video mit 704×1248 Pixeln bei 24 Bildern pro Sekunde, das die Konsequenz zeigt. Hi3D v1.0, früher Sparc3D, ist ein am 23. Oktober 2026 angekündigter Open-Weights-Geometrie-Refiner, der ein Bild plus ein grobes Mesh nimmt und ein dichteres zurückgibt – nur in Geometrie, wobei jedes Ergebnis neu zentriert und auf Einheitsradius normalisiert wird. Das eine gibt ein bewegtes Bild ohne metrischen Anspruch aus; das andere eine statische Form, deren absolute Skala bewusst gelöscht wurde. Keines von beiden sagt dir, ob das Ding vor dir einen Meter breit ist, und beide sind nützlicher, sobald du aufhörst, das von ihnen zu erwarten.

Diese gemeinsame Auslassung ist die ehrliche Grundlage für einen Vergleich. Die übliche Gegenüberstellung – 3D versus Video oder Geometrie versus Dynamik – ist zutreffend und wenig hilfreich, weil sie die Entscheidung wie eine Vorliebe klingen lässt. Die Gegenüberstellung, die tatsächlich etwas entscheidet, ist, was jedes Modell dir liefert, was es dafür verwirft und was du anschließend mit dem Ergebnis tun darfst.

Was Ihnen jedes einzelne liefert – Punkt für Punkt

Benenne das Ausgabeobjekt, bevor du irgendeine Fähigkeit benennst, denn die beiden Objekte sind nicht die gleiche Art von Ding.

• Eingabe — PAN 2 nimmt ein optionales erstes Frame plus eine strukturierte Aktionsbeschriftung, die durch eine Prompt-Rewriter-Skill verfeinert wird; Hi3D v1.0 nimmt ein Bild und ein grobes Mesh desselben Objekts.

• Ausgabe — PAN 2 liefert eine MP4-Datei von bis zu zwanzig Sekunden; Hi3D liefert Vertex-Geometrie und sonst nichts, ohne Farbe, ohne Textur, ohne Material und ohne Vertex-Farbe.

• Zeit — PAN 2 existiert, um vorwärts ausgeführt zu werden, und jeder Clip ist eine Vorhersage einer Folge; Hi3D hat überhaupt keine Zeitachse und würde für dieselben zwei Eingaben ewig dasselbe Mesh zurückgeben.

• Maßstab — PAN 2 erhebt für nichts, was es rendert, einen metrischen Anspruch; Hi3D normalisiert jedes Ergebnis auf Einheitsradius und verwirft dabei bewusst die absolute Größe.

• Batch-Form — PAN 2 rendert einen Clip pro Aufruf; Hi3D läuft mit Batch-Größe eins.

• Resolution of the output — PAN 2 renders 704×1248 at 24 frames per second for up to twenty seconds; Hi3D refines to an effective sparse extraction-grid resolution of up to 1536°, which is a density of vertices rather than a pixel count.

• Zugang — PAN 2 umfasst 86,17 Gigabyte in sechzig Dateien, ohne Zugangsbeschränkung, Apache-2.0; Hi3D ist unter seiner eigenen Hi3D Open License herunterladbar, lizenzgebührenfrei für die kommerzielle Nutzung mit dem Vermerk „Powered by Hi3D 1.0“.

• Hardware — Der dokumentierte Standard von PAN 2 sind acht H200 in BF16, mit einem Rezept, das dreizehn Sekunden Video auf vier B300 in rund 119 Sekunden verarbeitet; Hi3D wurde auf einer einzelnen 96GB H20 ohne CPU-Inferenzpfad validiert.

• What you can check yourself — PAN 2's card describes its harness in enough detail to argue with: 300 single-action cases across six capability categories, 100 multi-step tasks scored on step and full-plan completion over three seeds, and a blind pairwise study with thirteen reviewers; Hi3D's card states that training code and the paper's evaluation harness are not included in the release, so its quality claims cannot be re-run from the download.

Those nine rows are the whole purchase decision, and eight of them are descriptions of what each tool accepts and returns rather than claims about how good it is.

Die Zahl, die beide Modelle löschen, und warum

Hi3Ds Normalisierung ist dokumentiert und leicht zu übersehen: Jedes verfeinerte Mesh wird neu zentriert und auf Einheitsradius normalisiert. Das ist gängige Praxis im Geometrielernen, weil ein Netzwerk, das absolute Koordinaten regressieren muss, Kapazität für einen Maßstab verschwendet, den man ihm auch mitteilen könnte, und weil Trainingssets, die aus Scans und Assets zusammengestellt werden, sich selten auf Einheiten einigen. Es bedeutet außerdem, dass ein Mesh, das aus Hi3D kommt, nicht ohne erneutes Anwenden eines Skalierungsfaktors, den man von woanders kennen muss, in einer Szene in realer Größe platziert werden kann. Die verfeinerte Geometrie ist konstruktionsbedingt metrikfrei.

Die Auslassung von PAN 2 ist subtiler und erhält weniger Aufmerksamkeit, als ihr zusteht. Das Modell liefert eine physikalisch kohärente Konsequenz – die Erdbeer-Demo, bei der das Austauschen der Frucht oder der Flüssigkeit das Spritzen verändert, ist die klarste Formulierung dieser Idee, die je jemand hervorgebracht hat – und tut dies, ohne jemals eine Entfernung anzugeben. Das Trainingssignal ist Video, die Ausgabe ist Video, und Video hat keinen inhärenten Maßstab: eine Nahaufnahme eines Fingerhuts und eine Weitwinkelaufnahme eines Eimers sind derselbe Tensor. Die Liste der Abkürzungen in der Modellkarte selbst weist von der anderen Seite auf dieselbe Lücke hin: Nudeln erscheinen im Sieb, bevor sie abgegossen werden – eine Szene, die ohne die Physik voranschritt, die hätte stattfinden müssen.

Das ist der Grund, warum sich aus PAN 2 kein Fahrsimulator bauen lässt, egal wie gut es darin wird, Spritzer zu erzeugen. Ein Straßennetz benötigt Fahrbahnbreiten in Metern und Lidar-Rückstreuwerte in Zentimetern, und ein Modell, dessen gesamte Repräsentation der Welt latentes Video ist, hat für beides keinen Platz. Das ist auch der Grund, warum Hi3D diese Meter nicht liefern kann: Es verfeinert die Form eines einzelnen Objekts – in einem Maßstab, den es herausnormalisiert hat – anhand eines Bildes, das keine Tiefe enthielt.

Wenn Ihre Pipeline metrische Ausgaben benötigt, muss die Metrik irgendwo vor beiden Modellen eingehen – von einem Tiefensensor, einem Marker bekannter Größe im Bild, einer CAD-Datei – und beide Modelle liegen stromabwärts dieser Entscheidung, statt sie zu treffen. Das sollte man klar sagen, denn die Alternative ist, dass ein Team es erst nach einer Woche Integration entdeckt.

Editierbarkeit ist der Unterschied, der den Kontakt mit einem Projekt übersteht.

Generiertes Video ist für die Überarbeitung eine Sackgasse. Wenn PAN 2 einen Plan rendert, in dem sich eine Schublade öffnet und eine Tasse umgestoßen wird, und du möchtest, dass sich die Schublade langsamer öffnet, bearbeitest du nicht den Clip; du schreibst die Bildunterschrift neu und bezahlst für weitere hundert Forward-Passes durch einen 29B-Transformer. Die Bildunterschrift ist die einzige bearbeitbare Oberfläche, und sie ist wirklich gut — strukturiert, zeitlich verankert, mit an Akteure gebundenen Aktionen und ausdrücklich ausformulierten Kamerabewegungen —, aber sie operiert auf der Ebene von „was passiert“, nicht von „wohin dieser Vertex geht“.

Ein verfeinertes Mesh ist die entgegengesetzte Art von Artefakt. Hi3Ds Ergebnis lässt sich in einem Modellierer öffnen, wird retopologisiert, anderswo texturiert, platziert. Die Verfeinerung ist ein einziger irreversibler Schritt in einer Pipeline, die ansonsten voller reversibler Schritte ist – und genau das will ein Content-Team: ein Werkzeug, das einen Blockout verbessert und sich dann aus dem Weg nimmt.

Hier ist die Zusammensetzung, die tatsächlich existiert, ohne Übertreibung dargestellt. Ein grobes Blockout, das von Hi3D verfeinert wird, wird zu einem detaillierten Prop; ein Szenenbauer platziert das Prop; ein Weltmodell im PAN-2-Stil rendert, was passiert, wenn etwas auf es einwirkt. Die beiden sind benachbarte Stufen, keine Konkurrenten. Was nicht existiert, ist eine Schleife: Hi3D kann keinen PAN-2-Frame nehmen und dir daraus Geometrie zurückgeben, denn ein einzelnes Videobild ohne Tiefe und mit unbekanntem Maßstab ist kein Mesh-Problem, für dessen Lösung Hi3D gebaut wurde.

Der Punkt, an dem sich eine Routing-Schicht in dieser Pipeline bezahlt macht, ist die verbindende Spracharbeit und nicht eines der beiden Modelle. Ein Render mit einer Bildbeschreibung versehen, damit ein Simulator darauf konditionieren kann, die strukturierte Weltzustandsbeschreibung schreiben, die der Textencoder von PAN 2 bei einem Budget von 1,480 Tokens weich und 1,536 hart verarbeitet, beurteilen, ob ein generiertes Frame der Vorgabe entspricht — das sind gewöhnliche abgerechnete Modellaufrufe, und sie umgeben beide Werkzeuge. OrcaRouter bietet mehr als 200 Modelle hinter einer API zu 0 % Aufschlag auf den Listenpreis des Anbieters, mit automatischem Failover zwischen Anbietern, sodass ein Caption-Schreiber und ein Render-Kritiker einen Schlüssel und einen Fallback-Pfad gemeinsam nutzen können. Weder PAN 2 noch Hi3D v1.0 ist in diesem Katalog, und nichts hier deutet etwas anderes an: Der Renderer ist dein Node, der Refiner ist deine GPU, und was wir routen, ist der Klebstoff.

Zwei Lizenzen, die verraten, wer der Kunde sein soll

Beide Modelle sind offen genug, um sie herunterzuladen, und die Bedingungen weichen in einer Weise voneinander ab, die informativer ist als die Gewichte.

PAN 2 steht unter Apache-2.0: keine Namensnennungspflicht über den Lizenztext hinaus, keine Nutzerschwelle, keine Umsatzhürde, keine Einschränkung des Nutzungsfelds. Man kann es fine-tunen, quantisieren, in ein Produkt einbauen und nichts darüber sagen. Für einen Diffusion-Transformer mit 29 Milliarden Parametern, der von Grund auf mit Hunderten Millionen Videos von einem universitätsnahen Labor trainiert wurde, ist das eine ungewöhnlich freizügige Wahl – und der größte praktische Unterschied zwischen PAN 2 und den geschlossenen Weltmodellen, mit denen es üblicherweise verglichen wird.

Hi3D v1.0 ist ohne Lizenzgebühren für die kommerzielle Nutzung mit dem Vermerk „Powered by Hi3D 1.0“ nutzbar, und ab mehr als 200.000 monatlich aktiven Nutzern oder 1 Million US-Dollar Monatsumsatz greift eine separate Vereinbarung. Diese Schwelle ist ein Fingerabdruck: Sie sagt, dass der vorgesehene Kunde ein Studio, eine Plattform oder ein Tool-Anbieter ist, und sie sagt, dass die Autoren erwarten, dass das Modell eingebettet und nicht untersucht wird. Unterhalb dieser Grenze kostet es nichts; oberhalb verhandeln Sie.

Keine der beiden Lizenzen ist eine Falle. Sie sind unterschiedliche Wetten darauf, wofür Offenheit da ist: Die von PAN 2 ist ein Werben um Akzeptanz als Infrastruktur, die von Hi3D ein Werben um Akzeptanz mit einem angehängten kommerziellen Gespräch, sobald man groß genug ist, um eines zu führen.

Die Hardware-Rechnung, die nicht nahe ist

Die Anforderungen von Hi3D sind streng und günstig zu erfüllen, wenn man die Maschine bereits besitzt: Linux, Python 3.10, eine NVIDIA-GPU mit Compute-Capability 8.0 oder höher, CUDA zwischen 12.0 und 12.5, flash-attn ohne Fallback-Pfad, keine CPU-Inferenz, validiert auf einer einzelnen 96-GB-H20. Eine Studio-Workstation erfüllt das. Der Fehlermodus ist die CUDA-Festlegung und der fehlende Fallback, nicht der Speicher.

Die Anforderungen von PAN 2 fallen in eine andere Kategorie. Acht H200s in BF16 sind der dokumentierte Standard, ergänzt durch VAE-Patch-Parallelität über vier Kacheln, denn das Dekodieren eines 20-sekündigen 704×1248-Clips ist ein eigenes Speicherproblem. Die Angabe von 119 Sekunden für dreizehn Sekunden auf vier B300s stammt aus dem vLLM-Rezept, und sie ist die Zahl, die jede Designfrage in eine Rechenaufgabe verwandelt: fünfzig Sampler-Schritte bei einer Flow-Shift von 9 mit Guidance von 2,5 bei jedem Schritt sind hundert Forward-Passes durch den 29B-Transformer pro Clip, und ein Planer, der fünf Kandidatenaktionen pro Schritt einer zehnschrittigen Aufgabe evaluiert, möchte fünfzig Clips.

Der Kostenvergleich lautet also nicht „Was ist günstiger?“. Er lautet, dass eines davon ein Workstation-Tool und das andere eine Cluster-Workload ist, und ein Team, das sich das erste leisten kann, das zweite möglicherweise überhaupt nicht betreiben kann. Diese Asymmetrie macht PAN 2 nicht schlechter. Sie macht die Entscheidung für jeden einfach, dessen GPU-Budget eine einzige Karte ist.

Welche Frage stellst du eigentlich?

Wenn Ihr Problem darin besteht, dass ein Blockout zu grob ist oder ein gescanntes Requisit keine feinen Details hat, dann ist Hi3D v1.0 das Werkzeug und PAN 2 irrelevant – nichts in einem Videogenerator liefert Ihnen Vertices. Planen Sie den CUDA-Stack ein, prüfen Sie die flash-attn-Abhängigkeit, bevor Sie einen Liefertermin versprechen, und denken Sie daran, dass das Mesh mit Einheitsradius ankommt.

Wenn dein Problem darin besteht, dass du sehen musst, was eine Aktion bewirkt, bevor du dich darauf festlegst – Planbewertung, kontrafaktische Daten, ein Roboter oder ein Agent, der seine Entscheidungen vorab anzeigt –, dann ist PAN 2 der einzige der beiden, der antwortet, und er antwortet in Pixeln mit einem ausgelassenen Schritt in etwa zwei von drei Plänen laut seiner eigenen Modellkarte. Baue eine Prüfkomponente in die Schleife ein, halte deine Prompts im Token-Budget und behandle jeden Clip als Hypothese statt als Messung.

Wenn Sie beides brauchen, bauen Sie die Pipeline in der Reihenfolge auf, in der die Artefakte tatsächlich fließen: metrische Eingabe zuerst, Geometrie zweitens, Konsequenz drittens, und ein Sprachmodell an jeder Nahtstelle, an der eine Repräsentation zu einer anderen werden muss. Das ist mehr Engineering, als die Ankündigung des jeweiligen Modells impliziert, und es ist die Gestalt, die jeder ernsthafte Weltmodell-Stack im Jahr 2026 letztlich angenommen hat.

Was diese Seite verändern würde, ist ein Modell, das Geometrie mit metrischem Maßstab ausgibt und eine Zeitachse – eine 4D-Ausgabe mit Einheiten. Nichts in einer der beiden Veröffentlichungen deutet darauf hin. Bis etwas das tut, lautet die zutreffende Zusammenfassung, dass PAN 2 zeigt, was passiert, und Hi3D schärft, was vorhanden ist, dass keines von beiden sagen wird, wie groß es ist, und dass die zweite Einschränkung diejenige ist, die still entscheidet, welche Ihrer Projekte eines von beiden nutzen können.