PAN 2 vs. Hy-Nomas: Gleiche Lizenz, gleiche Architekturfamilie, zwei Definitionen von „Action“

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.

Das entscheidende Kriterium, das tatsächlich funktioniert, ist ein Satz, den keines der Teams in sein Abstract schreibt: was als Aktion zählt. Das Steuersignal von Hy-Nomas ist, wohin die Kamera geht. Das Steuersignal von PAN 2 ist, was in der Szene passiert, von einem Sprachmodell als eine Abfolge von an Akteure gebundenen Ereignissen niedergeschrieben. Diese sind so verschieden, dass ein Prompt, der bei dem einen gut funktioniert, bei dem anderen nahezu bedeutungslos ist, und wenn Sie aus diesem Vergleich nur eine Sache mitnehmen, dann diese.

Zwei Konditionierungsschnittstellen, keine zwei Qualitätsstufen.

Hy-Nomas konditioniert auf Text plus einen Kamerapfad. Der Pfad ist kontinuierlich und geometrisch: Man gibt an, wohin sich der Blickpunkt bewegt, und das Modell erzeugt ein Segment, das auf einer zwischengespeicherten Historie konditioniert ist, sodass die Welt während der Fahrt kohärent bleibt. Sein Prompt-Enhancer Nomas-PE schreibt lockere Prosa in strukturierte JSON-Captions um – derselbe Instinkt, dem der Prompt-Rewriter von PAN 2 aus der entgegengesetzten Richtung folgt: Beide Teams kamen zu dem Schluss, dass freier Text zu vage ist, um einen Diffusions-Transformer darauf zu konditionieren.

Worin sie sich unterscheiden, ist das, was die strukturierte Form beschreibt. Die Struktur von Hy-Nomas ist räumlich und auf den Blickpunkt zentriert; präzise modelliert wird die Bewegung der Kamera durch eine Szene. Die Struktur von PAN 2 ist temporal und akteurszentriert: Ereignisse in ihrer Reihenfolge, jede Aktion an den Akteur gebunden, der sie ausführt, plus Kamerabewegung als eines von mehreren Feldern. Liest man IFMs eigene Rahmung, ist die Betonung unmissverständlich — die Bildunterschrift beschreibt, was nach einer Aktion geschieht, und die Demonstration, die das Modell berühmt machte, ist eine in eine Schüssel fallengelassene Erdbeere, bei der ein Wechsel der Frucht oder der Flüssigkeit den Spritzer verändert.

• Konditionierung — Hy-Nomas benötigt Freitext plus eine kontinuierliche Kameratrajektorie; PAN 2 benötigt ein optionales erstes Frame plus eine strukturierte, zeitlich verankerte Aktionsbeschriftung.

• Was „Action“ bedeutet — Hy-Nomas: eine Kamerabewegung, d. h. wohin man blickt; PAN 2: ein Ereignis mit einem Akteur, d. h. was passiert.

• Segmentstruktur – Hy-Nomas ist segment-autoregressiv über einen zwischengespeicherten KV-Verlauf, sodass der Kontext über Segmente hinweg weitergetragen wird; PAN 2 simuliert jeden Clip aus höchstens einem Startframe plus Text, ohne zwischen Clips mitgeführten Zustand.

• Ausgabe — Hy-Nomas: 720×1280 bei 24 fps in acht destillierten Schritten; PAN 2: 704×1248 bei 24 fps über fünfzig Sampler-Schritte bei einem Guidance-Wert von 2,5.

• Größe — Hy-Nomas: etwa 8B über 54 Dual-Stream-MMDiT-Blöcke bei Hidden Size 2.048, plus einen feinabgestimmten PixelUMM-Decoder über DCAE-V-Latents; PAN 2: ein 29B-MMDiT plus ein eingefrorener Qwen3.5-9B-Textencoder und ein Wan-2.2-VAE.

• Hardware — Hy-Nomas: acht GPUs in der Referenzbereitstellung, mit einem einzigen RTX-4090-Pfad, der ein INT8-DiT, einen KV-Cache, einen FP8-Decoder und CPU-Offload bei ungefähr 38 GB verwendet; PAN 2: acht H200 in BF16 als dokumentierter Standard, mit einem Rezept, das dreizehn Sekunden Video auf vier B300 in etwa 119 Sekunden bringt.

• Gewichtsgröße — Hy-Nomas: etwa 196 GB auf Hugging Face als tencent/Hy-Nomas; PAN 2: 86,17 GB verteilt auf sechzig Dateien als IFM/PAN2.

Sieben Dimensionen, und keine davon ist eine Punktzahl. Was sie beschreiben, ist eine Design-Divergenz: Hy-Nomas steckte seine Parameter in das Zusammenhalten einer Welt, während man sich durch sie bewegt, PAN 2 steckte seine Parameter in die Vorhersage, was eine Aktion bewirkt. Ein Kamerapfad ist billig zu spezifizieren und schwer zu fälschen; eine Ereignissequenz ist ausdrucksstark und teuer zu erzeugen.

Wo der Unterschied spürbar wird: drei Aufgaben, beide Modelle

Abstrakte Kontraste sind billig. Diese hier sind konkret.

Führe mich durch eine Wohnung. Hy-Nomas gewinnt eindeutig. Du möchtest einen durchgehenden Weg durch einen Flur und in eine Küche, wobei der Raum hinter dir der Raum hinter dir bleibt. Das ist segment-autoregressive Generierung über einen zwischengespeicherten Verlauf, wofür seine Architektur genau ausgelegt ist, und PAN 2 kann das nicht: es rendert einen Clip, und der nächste Clip beginnt mit einem von dir bereitgestellten Frame, ohne Erinnerung daran, was zuvor war. Das Aneinanderreihen von Clips von PAN 2 zu einem Rundgang erzeugt die Drift, vor der seine eigene Model Card warnt, wobei sich das Erscheinungsbild über Clips hinweg in langen Interaktionen ändert, weil jeder aus höchstens einem Startframe simuliert wird.

Ich öffne die Schublade und die Tasse fällt. PAN 2 gewinnt, und das ist nicht knapp. Die Anfrage ist ein Ereignis mit einem Akteur und einer physischen Konsequenz. Die Konditionierung von Hy-Nomas hat kein Feld für „Schublade öffnet“ getrennt von der Kamera – man kann es in den Text-Prompt schreiben, und sein Prompt-Enhancer wird es strukturieren, aber das Präzisionsbudget des Modells wurde für den Blickwinkel statt für Kontakt und Konsequenz ausgegeben. Der Caption-Vertrag von PAN 2 existiert genau dazu, Aktionen an Akteure zu binden und sie zeitlich zu ordnen, weshalb IFM einen Validator ausgeliefert hat, der Beschreibungen gegen das Budget des Text-Encoders von 1,480 Token soft und 1,536 hart prüft, statt Prosa durchzulassen.

Generiere zweihundert Varianten einer Manipulationsszene für einen Datensatz.Beide sind falsch, auf unterschiedliche Weise. Hy-Nomas liefert dir zweihundert kohärente Kamerabewegungen durch zweihundert Szenen und sehr wenig Kontrolle darüber, ob der Arm tatsächlich etwas greift. PAN 2 liefert dir zweihundert aktionskonditionierte Clips, und laut seiner eigenen Karte enthalten etwa zwei von drei Plänen mindestens einen Schritt, der nicht ausgeführt wird — ein Drittel deines Datensatzes ist also unbrauchbar, es sei denn, du baust einen Prüfer. Keines von beiden ist von Haus aus eine Daten-Engine; der Unterschied liegt darin, ob der Fehler geometrische Drift oder ein ausgelassener Schritt ist, und welches davon deine nachgelagerte Aufgabe tolerieren kann.

Diese dritte Aufgabe ist auch diejenige, die deine Hardware bestimmt. Zweihundert Clips mit acht Schritten in 720p auf einer einzelnen quantisierten 4090 sind ein Nachmittag. Zweihundert Clips auf einem Vier-B300-Knoten bei 119 Sekunden pro dreizehn Sekunden Video sind ein paar Tage, und diese Rechnung ist der eigentliche Grund, warum die beiden Modelle nicht austauschbar sind, selbst dort, wo sich ihre Fähigkeiten überschneiden.

Derselbe Fehler mit zwei verschiedenen Namen

Beide Karten räumen dieselbe Schwäche ein, und keine von beiden behebt sie: Ein Weltmodell mit langem Horizont verliert seine Welt. PAN 2 sagt, dass die Erscheinung über Clips hinweg driftet, und nennt das perzeptuelle Gedächtnis als fehlendes Puzzlestück. Hy-Nomas geht das direkt mit einem mitgeführten KV-Cache und einem kausalen Attention-Muster an, das beschreibenden Kontext über Segmente hinweg am Leben hält, während es Aktionsanweisungen auf das Fenster beschränkt, in dem sie ausgegeben wurden – und berichtet dann in seiner eigenen Evaluierung, dass es bei langfristigem räumlichem Gedächtnis immer noch hinter Genie 3 zurückliegt.

Dieses letzte Eingeständnis ist interessanter als ein Sieg. Es besagt, dass der Speichermechanismus gut genug funktioniert, um Genie 3 und LingBot-World v2 bei Interaktion und Prompt-Befolgung zu schlagen – etwa 65 % Siegquote bei der Prompt-Befolgung über einen Benchmark mit 280 Fällen, der Mehrrunden-Text, Kameranavigation, verschachtelten Text und Kamera sowie räumliches Gedächtnis abdeckt – und dennoch auf der Strecke verliert, die misst, ob die Welt an Ort und Stelle bleibt. Das sind die Vergleiche der Autoren gegen die von den Autoren gewählten Baselines auf dem Benchmark der Autoren, und wie jede Zahl in dieser Kategorie sind sie nicht reproduziert. Was sie nicht sind, ist vage: Ein Modell, das veröffentlicht, wo es verliert, ist ein Modell, mit dem man planen kann.

Die nützliche Übersetzung für alle, die auf einem der beiden aufbauen: Persistenz ist keine Eigenschaft, die man voraussetzen und später prüfen kann. Sie ist das Erste, was man an den eigenen Szenen messen sollte, mit der eigenen Toleranz für Drift, bevor man eine Pipeline auf ein Modell festlegt. Keiner der beiden Anbieter veröffentlicht eine Zeit-bis-Ausfall-Kurve – die Dauer, nach der eine Szene nicht mehr vertrauenswürdig ist –, und diese fehlende Zahl ist wichtiger als jede Benchmark-Position.

Kosten sind keine Rundungsdifferenz, sondern die Entscheidung.

Stellen Sie das Argument zur Leistungsfähigkeit für einen Moment beiseite und schauen Sie, was es braucht, um jedes einzelne eine Woche lang zu betreiben.

Hy-Nomas' Single-4090-Pfad ist die folgenreichste Tatsache in diesem Vergleich, und sie ist angesichts der Referenzbereitstellung mit acht GPUs leicht zu übersehen. Ein INT8-DiT mit KV-Cache, ein FP8-Decoder und CPU-Offload passen in etwa 38 GB, was bedeutet, dass ein Studio mit einer Workstation-Grafikkarte 720p interaktives Video generieren kann, ohne irgendetwas mieten zu müssen. Die Acht-GPU-Konfiguration ist das, was der Benchmark beschreibt; die 4090-Konfiguration ist das, was ein Leser heute Abend tatsächlich tun kann.

Für PAN 2 ist kein vergleichbarer Pfad veröffentlicht. Der dokumentierte Standard sind acht H200 in BF16 mit VAE-Patch-Parallelität über vier Kacheln, und das Serving-Rezept, das alle zitieren – dreizehn Sekunden 704×1248 in rund 119 Sekunden – setzt vier B300 voraus. Schlimmer noch, der Sampler ist konstruktionsbedingt teuer: fünfzig Schritte mit einer Guidance von 2,5, die bei jedem Schritt angewendet wird, sind hundert Forward-Passes durch einen 29B-Transformer pro Clip, weshalb Classifier-Free-Guidance über Ranks aufgeteilt und Sequenzparallelität auf mehr verteilt werden muss. Es gibt in der Veröffentlichung keine quantisierte Single-Card-Geschichte, und so zu tun, als gäbe es sie, hieße, eine zu erfinden.

Der ehrliche Kostensatz lautet also: Hy-Nomas kostet eine GPU, die Sie wahrscheinlich haben, PAN 2 kostet einen GPU-Knoten, den Sie wahrscheinlich nicht haben, und kein Qualitätsunterschied in die eine oder andere Richtung ändert das für ein kleines Team.

Der Routing-Aspekt ist hier eng gefasst und es lohnt sich, ihn präzise zu benennen, denn bei beiden handelt es sich um Modelle, die Sie selbst hosten, und keines davon steht im OrcaRouter-Katalog. Routbar ist der Teil, den beide Architekturen ergänzt haben, weil Freitext nicht ausreichte: die Prompt-Enhancer-Stufe. Das Nomas-PE von Hy-Nomas schreibt Prosa in strukturierte JSON-Captions um; der Prompt-Rewriter von PAN 2 enthält einen System-Prompt, einen festen Negative-Prompt und einen Validator gegen das Token-Budget des Encoders. Das sind Sprachmodell-Aufrufe, und das ist die Stufe, auf der ein anderes Modell messbar verändert, was der Renderer erhält. IFM hat für seine Caption-Stufe vier Reasoner bewertet — Claude Opus 5.5, GPT-6 Astra mit mittlerem Effort, Kimi K3, Qwen3.8-Flash — und alle vier sind im Katalog, sodass die Rewriting-Hälfte beider Pipelines über einen einzigen Schlüssel ausgetauscht und verglichen werden kann zum Listenpreis des Anbieters mit 0 % Aufschlag, mit Failover, wenn ein Rewrite-Aufruf mitten im Batch ein Timeout hat. Die 29B- und die 8B-Renderer bleiben auf Ihrer Hardware. Das ist die gesamte Aussage.

Was die beiden Modellkarten tatsächlich enthalten

Beide Veröffentlichungen legen eine Karte offen, und die Karten unterscheiden sich darin, was sie zuzugeben bereit sind.

Hy-Nomas' Bericht, arXiv 2610.36729 vom 27. Oktober 2026, beschreibt den Trick, der Multi-Turn-Interaktion funktionieren lässt: Strukturierte Captions werden mit einem aktionsbewussten kausalen Attention-Muster ausgerichtet, sodass beschreibender Kontext über Segmente hinweg erhalten bleibt, während Aktionsanweisungen auf das Fenster beschränkt sind, in dem sie ausgegeben wurden. Die Evaluierung ist ein Benchmark mit 280 Fällen über vier Tracks – Multi-Turn-Text, Kameranavigation, verschränkter Text und Kamera sowie räumliches Gedächtnis – bewertet durch menschliche Paarvergleiche gegen Genie 3, LingBot-World v2 und Happy Oyster. Es gewinnt bei Interaktion und Prompt-Befolgung, mit einer berichteten Gewinnrate von etwa 65 % bei Prompt-Befolgung, und verliert gegen Genie 3 beim langfristigen räumlichen Gedächtnis. Die Gewichte umfassen etwa 196 GB als tencent/Hy-Nomas unter Apache 2.0, mit Code auf GitHub und einer gehosteten Demo.

Die Karte von PAN 2 ist länger und weniger schmeichelhaft. Die Architektur ist generative latente Vorhersage aus Critique of World Models (arXiv 2507.05169), und dasselbe Dokument, das sie beschreibt, listet auch die Fehler auf: Etwa zwei von drei simulierten Plänen lassen mindestens einen Schritt aus, das Aussehen driftet über die Clips hinweg, weil kein mitgeführter Zustand existiert, die Formulierung der Beobachtung und der Aktion verändert das Ergebnis, Text gibt „eine Schublade öffnen" gut und „jeden Finger hier platzieren" schlecht wieder, eine Simulation kann fortschreiten, während sie die Physik verletzt, und die Simulation von Plänen, die scheitern sollten, wird noch nicht gemessen.

Liest man die beiden nebeneinander, ist der Unterschied im Offenlegungsstil offensichtlich. Hy-Nomas berichtet eine Gewinnrate und einen Verlust; PAN 2 berichtet eine Ausfallrate und eine Liste. Keines von beiden ist ein Audit, und beide wurden von den Teams geschrieben, die die Modelle entwickelt haben. Aber eine Karte, die zeigt, wo das Modell verliert, ist ein Dokument, auf dessen Grundlage man planen kann, und beide erfüllen dieses Kriterium – was mehr ist, als die meisten ihrer Closed-Source-Wettbewerber bieten.

Welche(r/s), und was würde die Antwort ändern?

Wählen Sie Hy-Nomas, wenn es bei Ihrem Problem um Exploration oder Content geht: eine Welt, durch die jemand geht, eine Kamerafahrt, die jemand inszeniert, eine stimmige 720p-Szene aus einem Prompt auf einer einzigen Karte. Sein Speichermechanismus, seine Kamera-Konditionierung und sein 4090-Pfad deuten alle auf denselben Nutzer hin – jemanden, der einen Ort sehen und ihn günstig und jetzt durchqueren muss.

Wählen Sie PAN 2, wenn Ihr Problem eine Entscheidung ist: ein Agent, der vorab sehen muss, was eine Aktion bewirkt, ein Planer, der Kandidatenpläne bewertet, eine Forschungsfrage dazu, ob eine strukturierte Beschreibung eines Ereignisses ausreicht, um seine Folge zu erzeugen. Sein Caption-Vertrag, seine veröffentlichte Harness und seine Apache-2.0-Gewichte deuten alle auf einen Nutzer hin, mit dem man ehrlich argumentieren muss und der die Hardware hat, um dafür zu zahlen.

Zwei Dinge würden die Entscheidung auf eine Weise kippen, die derzeit kein Anbieter zulässt. Ein Hy-Nomas-artiges Gedächtnis, das über Segmente hinweg in einem Modell mit der Handlungskonditionierung von PAN 2 mitgeführt wird, wäre ein deutlich besseres Produkt als jedes der beiden. Eine veröffentlichte Fehlerstudie – bei der PAN 2 Pläne simuliert, die scheitern sollten, und Hy-Nomas die Drift über zehn Minuten statt über eine misst – würde die Frage beantworten, die beide Karten offenlassen. Bis eines davon vorliegt, geht es bei der Wahl nicht darum, welches Modell besser ist. Sondern darum, ob Ihre Welt etwas ist, durch das Sie sich bewegen, oder etwas, das Ihnen widerfährt.