PAN 2 vs. Hunyuan3D WorldClaw: Ein Modell mit zwei Hälften oder fünfzig Modelle in einem Trenchcoat

Stellt man diese beiden nebeneinander, fällt zuerst auf, dass sie nicht dieselbe Art von Objekt sind. PAN 2 ist ein Modell: 29 Milliarden Parameter eines multimodalen Diffusionstransformers vom Institute of Foundation Models, seit 7. Oktober 2026 unter Apache-2.0 auf Hugging Face, Code am 5. November, Day-0-Unterstützung für vLLM-Omni am 10. November, und es tut eine Sache – ausgehend von einem Startbild und einer beschriebenen Aktion rendert es bis zu zwanzig Sekunden Video mit 704×1248 bei 24 Bildern pro Sekunde und sagt dabei die Konsequenz voraus. Hunyuan3D WorldClaw ist ein Framework: die agentische Pipeline von Tencent Hunyuan, die einen frei formulierten Text-Prompt in eine erkundbare 3D-Szene aus expliziten, texturierten Meshes pro Objekt verwandelt, beschrieben in arXiv 2608.05248 am 5. August 2026 und angekündigt am 11. August, mit einem Repository, das eine README und Assets und keinen Code enthält. Das eine ist ein herunterladbarer Checkpoint, den man ausführt. Das andere ist eine veröffentlichte Methode, die man nachbauen müsste.

Das Zweite, was einem auffällt, ist nützlicher. WorldClaws eigener Artikel nennt die Modelle, auf denen es läuft, und diese Liste ist eine Einkaufsliste der Komponenten anderer: Claude Opus 4.8 für die Planung, GPT-Image-2 für Bildmaterial, SAM3 und SAM3D für die Segmentierung, Hunyuan3D für die Rekonstruktion, Blender 5.1.1, über MCP angesteuert, für die Assemblierung – alles auf vier NVIDIA H20. PAN 2 nennt eine Komponente und lässt sie austauschbar: Jedes instruktionsfolgende Sprachmodell schreibt die strukturierte Bildbeschreibung, und IFM hat vier davon in eine Rangfolge gebracht. Das ist der eigentliche Vergleich – nicht Szenen gegen Video, sondern was mit einem System passiert, wenn Intelligenz über eine Kette von Anbietern verteilt ist, statt in einem einzigen Checkpoint konzentriert zu sein.

Zwei Architekturen, ehrlich gezeichnet

Das Design von PAN 2 ist Generative Latent Prediction aus Critique of World Models (arXiv 2507.05169). Ein konzeptioneller Reasoner schreibt den nächsten Weltzustand als strukturierte, zeitlich verankerte Beschreibung – Ereignisse in ihrer Reihenfolge, Aktionen an Akteure gebunden, Kamerabewegung –, ein eingefrorener Qwen3.5-9B-Textencoder bildet sie auf Konditionierungsmerkmale ab, ein 29B-Diffusionstransformer ergänzt perzeptive Details, und ein Wan-2.2-VAE dekodiert die Frames. Zwei Hälften, ein Repository, eine Lizenz.

WorldClaw's Design ist eine vierstufige Verfeinerungsschleife, die seine Autoren als Grob-zu-fein beschreiben: Sprachmodell-Agenten lesen den Prompt und erstellen einen Szenenplan; ein globaler Durchlauf erzeugt semantisches Layout, Höhenfelder und Materialien, damit der Boden stimmig ist, bevor irgendetwas darauf steht; Regionen werden gerendert, segmentiert und über Hunyuan3D in einzelne Meshes rekonstruiert; und ein Vision-Agent prüft das Rendering auf schwebende Objekte, Durchdringungen, falschen Maßstab und falsche Pose und schickt dann Korrekturen zurück. Das Versprechen expliziter Geometrie wird gehalten – man erhält Objekte, keinen verschmolzenen Klumpen und kein Gaussian Splat – und die Agenten erledigen ihre Arbeit einmal, bevor Sie die Szene überhaupt laden.

Wo die beiden zusammenlaufen, ist der Teil, den es sich zu verinnerlichen lohnt: In beiden Systemen sind die Pixel die schnelle, billige Hälfte, und ein Sprachmodell entscheidet, was existieren soll. Wo sie auseinandergehen, ist die Frage, wem das Sprachmodell gehört. IFM behandelte den Reasoner als Variable und veröffentlichte die Testumgebung, die die Kandidaten in eine Rangfolge brachte. Tencent behandelte den Reasoner als Abhängigkeit und benannte einen.

Was das Wort „agentic“ bringt – und was es kostet

Die Falle bei diesem Vergleich besteht darin, dass beide Ankündigungen das Wort verwenden, aber keine von ihnen damit dasselbe meint.

• Agenten als Autoren — die Planer von WorldClaw zerlegen einen Prompt in einen Szenenplan, und ihr Vision-Agent gibt Korrekturen aus; der Reasoner von PAN 2 schreibt eine Bildunterschrift, die beschreibt, was als Nächstes passiert.

• Wenn die Intelligenz läuft – die von WorldClaw läuft einmal, in der Authoring-Schleife, und ist verschwunden, wenn die Meshes exportiert werden; die von PAN 2 läuft einmal pro Clip, bei jedem Aufruf, für die Lebensdauer des Systems.

• Ausgabetyp — WorldClaw liefert eine Szenendatei mit einzelnen Meshes, Materialien und Transformationen; PAN 2 liefert eine MP4-Datei, die überhaupt keine Geometrie enthält.

• Bearbeitbarkeit — WorldClaws Ausgabe lässt sich in einem Modellierer öffnen, retopologisieren und platzieren; bei PAN 2 ist die Bildunterschrift die einzige bearbeitbare Oberfläche, sodass eine Überarbeitung ein erneutes Rendern bedeutet.

• Abhängigkeitsumfang — WorldClaw benötigt sechs separat lizenzierte Komponenten und eine Blender-Installation; PAN 2 benötigt die Gewichte, einen Text-Encoder und einen VAE.

• Was „gut“ bedeutet — WorldClaw wird daran gemessen, ob die Szene ohne schwebende Objekte zusammengesetzt wird; PAN 2 wird daran gemessen, ob die von ihm dargestellte Konsequenz diejenige ist, die die Handlung tatsächlich hervorrufen würde.

Die Kosten von WorldClaws verteilter Intelligenz sind nicht konzeptioneller, sondern operativer Natur: sechs Komponenten bedeuten sechs Bedingungswerke, sechs Fehlermodi und sechs Stellen, an denen ein Versionssprung die Ausgabe verändern kann. Die Kosten der konzentrierten Intelligenz von PAN 2 sind genau umgekehrt – eine Lizenz, ein Abhängigkeitsbaum und ein Reasoner, den man selbst bewerten muss, weil die Einstufung durch den Anbieter allein dessen Sache ist.

Keiner der beiden Nachteile ist ein Mangel. Aber es erklärt, warum die beiden selten die richtige Antwort auf dieselbe Frage sind: Das eine ist eine Content-Pipeline, das andere eine Konsequenz-Engine, und ein Team, das Meshes braucht, wird in PAN 2 nichts finden, was ihm weiterhilft.

Zwei Pipelines, als Abfolge von Stufen geschrieben

An der Sequenz zeigt sich der Unterschied zwischen einem Modell und einem Framework am deutlichsten.

• PAN 2, ein einziger Aufruf — liest die Beobachtung und die angeforderte Aktion, schreibt den strukturierten Weltzustand, kodiert ihn, führt fünfzig Diffusionsschritte bei Guidance 2,5 aus, dekodiert zwanzig Sekunden von 704×1248. Nichts in dieser Sequenz bleibt nach dem Clip erhalten.

• WorldClaw, vier Stufen – die Szene mit einem Sprachmodell planen, globales semantisches Layout und Höhenfelder erzeugen, Regionen rendern und segmentieren und jede zu einem Mesh rekonstruieren, dann das Rendering mit einem Vision-Agenten prüfen und Korrekturen zurücksenden. Nichts in dieser Abfolge ist ein einzelnes Modell.

• Wo der Zustand liegt — das einzige dauerhafte Artefakt von PAN 2 sind die Caption und das MP4; bei WorldClaw ist es eine Szenendatei mit einzelnen Meshes, Materialien und Transformationen, die die Pipeline überdauert.

• Wo es fehlschlagen kann — PAN 2 scheitert innerhalb des Renderings: ein ausgelassener Schritt, Drift, eine Abkürzung bei der Physik. WorldClaw scheitert an einer Nahtstelle: ein Planer, der den Prompt falsch deutete, ein Segmentierer, der ein Objekt in zwei Hälften schnitt, ein Rekonstruktor, der den falschen Maßstab erzeugte, ein Assembler, der zwei Meshes ineinander eindringen ließ.

• Was Sie untersuchen können – PAN 2 liefert Ihnen ein Video und ein Token-Budget; WorldClaw liefert Ihnen Geometrie, die Sie messen können, und damit Fehler, die Sie zuordnen können.

Die letzte Zeile ist die, die man behalten sollte. Ein Fehler, den man zuordnen kann, ist billiger zu beheben als ein Fehler, den man nur sehen kann, und eine Mesh-Pipeline bietet das gratis, weil die Zwischenartefakte inspizierbar sind. Eine Video-Pipeline liefert eine endgültige Antwort und eine Caption, und wenn die Antwort falsch ist, ist die Caption dein einziger Hebel.

Das erklärt auch, warum es die Korrekturphase des Vision-Agenten von WorldClaw überhaupt gibt. Durchdringungen, schwebende Objekte, falsche Pose und falscher Maßstab sind die Fehlermodi beim Zusammensetzen von Geometrie aus separat erzeugten Teilen, und keiner davon ist sichtbar, bis man rendert und hinschaut. Ein einzelnes Modell benötigt diese Phase nicht, weil ein einzelnes Modell keine Szene erzeugen kann, deren Teile nicht zusammenpassen – es kann nur eine Szene erzeugen, die als Ganzes falsch ist.

Die Bewertungslücke ist nicht symmetrisch, und sie weist in die entgegengesetzte Richtung der Lizenzen.

Die von WorldClaw veröffentlichte Evaluierung ist qualitativ. Das Paper vergleicht seine Ausgabe Seite an Seite mit SynCity, WorldGen, MajutsuCity und Marble, und es gibt keine FID, keinen CLIP-Score und keine Nutzerstudie mit einer angehängten Zahl. Für ein Paper, das ein Framework zur Szenengenerierung beschreibt, ist das eine echte Lücke, und jedes Team, das es reimplementiert, sollte „sieht besser aus als SynCity“ als Hypothese und nicht als Ergebnis behandeln.

PAN 2 hat mehr veröffentlicht und seine Bedingungen präziser gekennzeichnet als die meisten Veröffentlichungen von Videomodellen. Dreihundert Testfälle für Einzelaktionen in sechs Fähigkeitskategorien, 201 Bild-zu-Video- und 99 Text-zu-Video-Testfälle; einhundert egozentrische Alltagsaufgaben, in beiden Varianten gestellt, 200 Prompts und 456 Schritte, bewertet anhand von Schrittvollendung und Vollendung des Gesamtplans über drei Seeds hinweg; Physics-IQ Verified für die Bild-zu-Video-Einstellung, normalisiert, sodass die Varianz zwischen zwei realen Aufnahmen 100 ergibt; PhyGround auf einer Fünf-Punkte-Skala, bewertet von Qwen3.8-27B; RBench als ungewichteter Mittelwert über fünf Aufgaben- und vier Embodiment-Kategorien; und eine blinde paarweise Humanstudie mit 140 Prompts, dreizehn Bewertenden und 1.400 Vergleichen, Elo mittels Bradley–Terry geschätzt und bei 1500 zentriert.

Dreizehn Gutachter sind ein kleines Gremium, und sie bewerteten das Modell der Autoren gegen die Baselines der Autoren, wobei die geschlossenen Vergleichsmodelle einmalig über eine Inferenz-API eines Drittanbieters erzeugt wurden und mehrere Zeilen als Single-Seed gekennzeichnet waren. Nichts davon ist unabhängig. Alles davon ist nachvollziehbar, was das Nächstbeste ist — und es ist der Unterschied zwischen einer Veröffentlichung, mit der man sich auseinandersetzen kann, und einer, die man nur anschauen kann.

Die Lizenzen stehen dann in genauem Gegensatz zur Beleglage. PAN 2 ist Apache-2.0, ohne Zugangsbeschränkung, 86,17 Gigabyte über sechzig Dateien, keine Namensnennungspflicht, keine Nutzerschwelle. WorldClaw hat keine Lizenz zum Lesen, weil es nichts zu lizenzieren gibt: Das GitHub-Projekt enthält ein README und Assets, keinen Code, keine Modellgewichte, kein Inferenzskript, keine API und keinen Preis. Ein Framework-Papier ohne Implementierung ist eine Beschreibung einer Methode, kein Werkzeug, und die Vier-H20-Anforderung plus ihre Abhängigkeit von einem Stack separat lizenzierter Modelle bedeutet, dass eine Veröffentlichung selbst dann kein Drop-in-Download wäre, wenn sie stattfände.

Wo ein Router tatsächlich tragend wirkt – und zwar nicht dort, wo man es erwartet.

Dies ist das seltene Paar, bei dem die interessante kommerzielle Tatsache auf der Framework-Seite liegt. WorldClaws Planungshälfte ist kein rätselhaftes Modell hinter einer API – sie wird im Paper benannt, und bei den Komponenten, die dort genannt werden, handelt es sich um ganz gewöhnliche Katalogmodelle. Claude Opus 4.8 steht im Katalog von OrcaRouter. GPT-Image-2 ebenfalls. Ebenso die vier Reasoner, die IFM für die Caption-Phase von PAN 2 eingestuft hat: Claude Opus 5.5, GPT-6 Astra, Kimi K3 und Qwen3.8-Flash.

Das bedeutet, dass ein Team, das die WorldClaw-Zerlegung – Plan, Gelände, Objekte, Verfeinerung – neu implementiert, die Sprach- und Bildstufen heute über einen einzigen Schlüssel zusammenstellen kann, zu den Listenpreisen der jeweiligen Anbieter, durchgereicht mit 0 % Aufschlag, mit automatischem Failover, wenn ein Planungsaufruf mitten im Build eine Zeitüberschreitung hat. Derselbe Schlüssel treibt den Reasoner-Slot von PAN 2 an, wenn Sie den Caption-Writer zwischen Experimenten austauschen und den 29B-Renderer auf Ihrem eigenen Node festhalten. Was OrcaRouter nicht tut, ist, entweder PAN 2 oder Hunyuan3D WorldClaw zu hosten: Das eine ist ein Video-Diffusionsmodell, das Sie auf Ihrer Hardware ausführen, das andere existiert nirgendwo als ausführbarer Code. Nichts in diesem Artikel sollte so gelesen werden, als würde etwas anderes nahegelegt.

Die ehrliche Einordnung ist, dass wir die Nahtstellen routen. In einer Pipeline im WorldClaw-Stil gibt es drei davon – Prompt zu Plan, Plan zu Bild, Render zu Kritiker – und jeder davon ist ein abgerechneter Aufruf. In einer PAN-2-Pipeline gibt es eine, und sie ist der einzige Teil, der keine GPU benötigt. Das ist eine engere Aussage als „wir betreiben Weltmodelle“, und sie ist die zutreffende.

Was dir jedes Design beibringt, selbst wenn du keines davon durchführst

WorldClaws am ehesten übertragbare Idee ist die Zerlegung, nicht die Szene. Planen, Gelände anlegen, Objekte einzeln rekonstruieren, dann prüfen und korrigieren – diese vierstufige Struktur ist eine solide Architektur für jede Pipeline, deren Ausgabe später bearbeitet werden muss, und die Entscheidung für explizite Meshes ist die richtige für alles, was die Pipeline verlässt und in einer Game-Engine landet. Die Korrekturschleife mit einem Vision-Agenten, der auf schwebende Objekte und falschen Maßstab prüft, ist der Teil, den die meisten Teams auslassen und dessen Auslassen die meisten Teams bereuen.

Die am besten übertragbare Idee von PAN 2 ist der Caption-Vertrag. Die Schnittstelle ist keine Prompt-Box, sondern eine strukturierte, zeitlich verankerte Beschreibung mit einem Token-Budget von 1.480 Soft- und 1.536 Hard-Tokens, einer ausgelieferten Prompt-Rewriter-Fähigkeit, einem festen Negative-Prompt und einem Validator, der Captions gegen das Limit des Encoders prüft. Freitext wird vor der Verwendung umgeschrieben, und die Model Card sagt klar, dass sich die Agent-Fallstudien auf handverfeinerte Prompts stützten. Jedes Team, das ein Weltmodell baut oder eines nutzt, sollte sich das abschauen: Der Vertrag zwischen der Denk-Hälfte und der Rendering-Hälfte ist der Ort, an dem Qualität gewonnen oder verloren wird, und er verdient ein Schema statt eines Bauchgefühls.

Beide Designs teilen außerdem einen Fehler, den das Feld noch nicht gelöst hat, und sie scheitern daran auf unterschiedliche Weise. PAN 2 driftet im Aussehen über Clips hinweg, weil jeder aus höchstens einem Startframe plus Text simuliert wird, und seine Karte nennt perzeptuelles Gedächtnis als das fehlende Puzzleteil; sein eigener Abschnitt zu Einschränkungen beginnt mit dem Eingeständnis, dass etwa zwei von drei simulierten Plänen mindestens einen Schritt enthalten, der nicht ausgeführt wird. WorldClaws Drift ist geometrisch und räumlich: Durchdringungen, falscher Maßstab, schwebende Objekte – weshalb es überhaupt einen Vision-Agenten in der Schleife braucht. Das eine braucht ein Gedächtnis, das andere einen Inspektor, und keines hat eine gemessene Kurve veröffentlicht, wie schlimm es mit der Zeit wird.

Die Entscheidung, in einem Durchgang

Wenn Sie einen Ort brauchen – ein Level, einen synthetischen Innenraum-Datensatz, ein Virtual-Production-Set –, ist WorldClaw die relevantere Referenz, und Sie können es nicht ausführen. Übernehmen Sie die vierstufige Zerlegung und die explizite Mesh-Ausgabe in Ihren eigenen Build, planen Sie die Maschinenklasse mit vier H20 plus eine Blender-Abhängigkeit ein und ersetzen Sie die qualitative Bewertung durch etwas, das Sie messen können, denn das Paper liefert Ihnen keine.

Wenn du eine Konsequenz brauchst – was ein Plan bewirkt, bevor du dich dafür entscheidest –, ist PAN 2 heute Nachmittag herunterladbar, permissiv lizenziert und ehrlich darüber, dass es bei zwei von drei Plänen versagt. Lies zuerst die Seite mit den Einschränkungen, binde einen Checker ein und erwarte, GPU-Stunden statt Dollar pro Token auszugeben: Dreizehn Sekunden Video dauern auf vier B300s etwa 119 Sekunden, und der Sampler führt hundert Forward-Passes pro Clip aus.

Wenn Sie das Ding bauen, das keines der beiden Labore ausgeliefert hat – eine Welt, die Sie als Geometrie bearbeiten und dann beobachten können, wie sie sich verhält –, dann setzen Sie es selbst aus einem Refiner, einem Szenenbuilder, einem Renderer und einem Sprachmodell an jeder Nahtstelle zusammen. Das ist mehr Arbeit, als beide Ankündigungen vermuten lassen, und hier wird die praktische Arbeit des kommenden Jahres in dieser Kategorie stattfinden.

Was diese Seite verändern würde, ist Code. Eine WorldClaw-Veröffentlichung mit Gewichten und einem Inferenzskript würde eine Methode in ein Werkzeug verwandeln und den Vergleich lebendig machen; eine PAN 2-Variante, die neben RGB auch Tiefe ausgäbe, würde dasselbe aus der anderen Richtung tun. Beides gibt es heute nicht. Bis eines davon existiert, ist die zutreffende Zusammenfassung eine herunterladbare Konsequenz-Engine und ein nicht baubares Szenen-Framework, und das Einzige, was sie wirklich gemeinsam haben, ist der Anspruch, eine Welt vorherzusagen, statt ein Bild von ihr zu rendern.