Hi3D V1.0 vs CARI4D: La misma base, dos preguntas diferentes

El hecho más esclarecedor sobre Hi3D V1.0 y CARI4D es que ambos pueden invocar a Hunyuan3D-2 de Tencent. Hi3D V1.0, lanzado el 23 de octubre de 2026 como el sucesor de código abierto de Sparc3D, utiliza un adaptador mini de Hunyuan3D-2 en su demostración para producir la malla gruesa que luego refina. CARI4D, la reconstrucción 4D de interacción humano-objeto independiente de la categoría de NVIDIA, utiliza Hunyuan3D-2 para reconstruir la malla del objeto a partir del primer fotograma de un vídeo antes de rastrear cómo se mueve ese objeto. El mismo modelo geométrico de origen, dos tareas completamente diferentes: Hi3D se pregunta cómo debería verse la superficie del objeto en alta resolución, y CARI4D se pregunta qué hicieron la persona y el objeto a lo largo del tiempo.

Dónde se ubica realmente Hunyuan3D-2

Vale la pena ser preciso, porque «ambos usan Hunyuan3D» puede dar a entender una relación más estrecha de la que realmente existe.

La biblioteca central de Hi3D no requiere Hunyuan en absoluto. El pipeline de refinado toma una imagen de referencia y una malla gruesa, y demo/refine_mesh.py no importa nada de Tencent. El adaptador mini de Hunyuan3D-2 se encuentra en demo/coarse_stage.py, es opcional y existe para que alguien que solo tenga una imagen pueda producir la malla gruesa que necesita el refinador. El código, los pesos y las salidas de Tencent conservan su propia licencia y deben obtenerse por separado. En un pipeline de producción, Hunyuan es una posible etapa upstream entre muchas.

La dependencia de CARI4D es estructural. Su etapa de reconstrucción de objetos toma el primer fotograma, segmenta el objeto manipulado y reconstruye su geometría con Hunyuan3D-2. A continuación, esa malla se sitúa a escala métrica mediante UniDepth y una búsqueda de grueso a fino a través de FoundationPose. El resto del pipeline —NLF para la persona, un paso de selección de hipótesis de pose, CoCoNet para la corrección de renderizar y comparar, y una optimización conjunta sensible al contacto— depende de que esa malla del objeto sea lo bastante buena como para rastrearla.

La consecuencia es el marco útil para esta comparación. El propósito entero de Hi3D es corregir el tipo de geometría que produce Hunyuan3D-2. El propósito de CARI4D es recuperar el movimiento, y trata la malla como una entrada que hereda. Un modelo apunta al punto débil del otro sin que ninguno de los dos proyectos lo diga.

Para qué sirve cada modelo aprendido

El componente aprendido de Hi3D es un flujo disperso condicionado a características de imagen, definido sobre coordenadas tomadas de la malla gruesa. Muestrea latentes dispersos, los decodifica con un VAE disperso con autopoda, extrae una superficie, revoxeliza y repite. Tres pasadas llevan la cuadrícula estructural de 64³ a 128³ a 192³ y la cuadrícula de extracción dispersa de 512³ a 1024³ a 1536³, con 25 actualizaciones del planificador por pasada. El modelo está aprendiendo detalle geométrico local: bordes, estructuras finas, continuidad de superficie, las partes que un generador grueso suaviza.

El componente aprendido de CARI4D es CoCoNet, una red de renderizado y comparación. Renderiza la estimación actual del objeto y de la persona en RGB, profundidad y máscaras, codifica ese render con un DINOv2 ViT-B/14 y un codificador ViT-S/14 de seis canales para XYZ y máscara, ejecuta atención espaciotemporal y aplica regresión para obtener correcciones de pose por fotograma y dos logits de contacto de manos. El checkpoint de investigación tiene 194 M de parámetros; la variante MHR con licencia comercial publicada el 30 de agosto de 2026 tiene 231 M. Lo que aprende no es el detalle de la forma, sino la relación entre una hipótesis renderizada y un fotograma observado.

Esas son señales de entrenamiento distintas y modos de fallo distintos. Hi3D puede hacer más nítida una silueta errónea. CARI4D puede rastrear con precisión a lo largo de un vídeo un objeto con una forma mal definida y aun así darte una malla deficiente, porque sus métricas se refieren a la pose y al contacto, no a la fidelidad de la superficie.

¿Qué sale, línea por línea?

• Entrada — Hi3D V1.0 una imagen de referencia más una malla gruesa frente a CARI4D un vídeo RGB monocular

• Salida — Hi3D V1.0 una malla trimesh de solo geometría frente a CARI4D: pose y forma humana por fotograma, rotación y traslación del objeto, y dos logits de contacto de manos

• Escala — Hi3D V1.0 recentrado y normalizado a un radio máximo unitario frente a la escala métrica de CARI4D recuperada mediante UniDepth y FoundationPose

• Textura — Hi3D V1.0 ninguno vs CARI4D ninguno; devuelve poses y contacto, no un activo texturizado

• Cómputo — Hi3D V1.0 medido en una NVIDIA H20 de 96 GB, sin ruta de CPU, tamaño de lote uno frente a CARI4D PyTorch en NVIDIA Ampere, validado en A100, con una imagen de Docker

• Licencia — Hi3D V1.0, la Hi3D Open License 1.0, uso comercial con un umbral de 200.000 MAU o USD 1 M de ingresos mensuales, frente a CARI4D, el NVIDIA Open Model Agreement para el checkpoint comercial de 231M, solo para investigación para la versión de 194M

• Evidencia — Hi3D V1.0 no ha publicado ningún benchmark numérico, frente a CARI4D, un artículo de CVPR 2026 con ablaciones y resultados en BEHAVE, reportado por el proveedor y no reproducido de forma independiente

El experimento que nadie ha publicado

Aquí está la composición que el backbone compartido hace obvia, planteada como un experimento en lugar de una funcionalidad.

CARI4D reconstruye su malla de objeto a partir de un único primer fotograma mediante Hunyuan3D-2. Hi3D refina exactamente ese tipo de malla tosca, condicionada por una imagen de referencia del mismo objeto, y CARI4D tiene una, porque el primer fotograma es la referencia. En principio, un pipeline podría tomar la imagen del primer fotograma y la malla de Hunyuan de CARI4D, ejecutar Hi3D a 1024³ o 1536³ y devolver la superficie refinada a la etapa que la coloca y la rastrea.

En la práctica hay cuatro obstáculos, y ninguno de ellos es pequeño.

• Escala. Hi3D recentra su salida y la normaliza a un radio máximo unitario. CARI4D necesita una malla a escala métrica para inicializar FoundationPose. La transformación inversa no se publica, y equivocarse cambia el tamaño aparente del objeto en cada fotograma.

• Estructura. Hi3D refina la estructura gruesa que recibe; no la corrige. Si Hunyuan3D-2 interpretó mal la topología del objeto a partir de un fotograma, Hi3D hace que esa mala interpretación sea más detallada. La selección de hipótesis de pose de CARI4D puede absorber parte del error del objeto —el artículo informa que reduce la distancia Chamfer del objeto de aproximadamente 1565 cm a 16,85 cm en la inicialización—, pero no es una etapa de reparación de la forma.

• Tiempo de ejecución. Hi3D procesa un objeto a la vez, hasta tres pasadas, 25 pasos cada una, sin latencia publicada. La pipeline de CARI4D ya encadena Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet y una optimización conjunta. Añadir una etapa de refinamiento de 96 GB delante de un bucle por clip puede ser defendible en modo offline e imposible de forma interactiva.

• Validación. Nadie ha publicado esta integración. Las cifras del artículo de CARI4D miden la precisión de pose y de contacto, no el efecto de una mejor malla del objeto sobre esas cifras. Es totalmente posible que el refinamiento mejore la malla y apenas altere las métricas de reconstrucción, porque el seguimiento es robusto al detalle de la superficie. También es posible que una malla más nítida mejore las correspondencias de FoundationPose. Hasta que alguien ejecute la ablación, ambas son conjeturas.

El valor real de esta observación no es «usarlos juntos». Es que los dos lanzamientos son complementarios en una costura concreta, y esa costura lleva asociada una pregunta medible que ninguno de los proveedores ha respondido.

Dos tipos de pruebas, ninguno de ellos independiente

CARI4D parece mejor respaldado que Hi3D, y lo está, pero la diferencia es menor de lo que parece a primera vista. CARI4D tiene un artículo revisado por pares en CVPR 2026, un benchmark con nombre propio, ablaciones y un error de reconstrucción reportado un 38% menor en distribución y un 36% en datos no vistos. Esos son los números de NVIDIA de la evaluación de NVIDIA. Ningún laboratorio neutral los ha reproducido. El código y los scripts de evaluación son públicos, lo que hace posible la reproducción, no que se haya hecho.

Hi3D no tiene ningún benchmark numérico. El repositorio publica comparaciones visuales entre nueve métodos para geometría local, una afirmación de escala de entrenamiento de aproximadamente dos millones de activos curados y una afirmación de resolución de extracción dispersa de 1536³. El comunicado de prensa añade una tasa de éxito de corte por capas del 90 % y la afirmación de las puntuaciones más altas de fidelidad multivista y detalle en la evaluación reportada, sin puntuaciones, sin línea base y sin nombrar el programa de corte por capas. Faltan el código de entrenamiento y el marco de evaluación, por lo que las tablas del artículo no pueden reconstruirse a partir del comunicado.

Ambos, en otras palabras, son reportados por el proveedor. Uno tiene un artículo adjunto y el otro tiene un comunicado de prensa. Un comprador debería considerar la insignia de CVPR como una razón para tomarse en serio la metodología, y no como un sustituto de una prueba independiente.

¿Qué pregunta tienes realmente?

Si tienes un video de una persona manipulando un objeto y necesitas saber cómo se movieron la mano, el objeto y el cuerpo —poses a escala métrica, puntos de contacto, fotograma a fotograma—, CARI4D es el sistema creado para eso, y el checkpoint comercial lo hace desplegable. Hi3D no puede responder esa pregunta en absoluto. No tiene modelo temporal, ni salida de poses, ni razonamiento de contacto.

Si tienes una imagen de referencia y una malla aproximada, y necesitas un activo estático más nítido, Hi3D es la herramienta directa. CARI4D tampoco puede responder a esa pregunta: su malla de objeto es un subproducto de una canalización de seguimiento, producida con la fidelidad que Hunyuan3D-2 ofrece a partir de un solo fotograma, y expone poses en lugar de una superficie refinada.

Si estás construyendo el compuesto —un pipeline de reconstrucción en el que la geometría de los objetos es el eslabón débil—, lo interesante es probar si el refinamiento de Hi3D mejora las métricas posteriores de CARI4D. Esa es una pregunta de investigación con un experimento claro y ninguna respuesta publicada. Presupuesta la transformación de escala y la GPU antes de presupuestar el artículo.

La capa que rodea a ambos

Ninguno de los dos modelos se sirve mediante OrcaRouter, y ninguno es un modelo de lenguaje. El catálogo abarca texto, visión, vídeo, embeddings y voz; la reconstrucción 3D se realiza en tu propio hardware. Sin embargo, las llamadas en torno a la reconstrucción sí son llamadas a modelos: generar una descripción del primer fotograma, describir el objeto para un registro de recurso o determinar si un render refinado sigue coincidiendo con la referencia desde tres ángulos.

Esa última opción encaja bien con la fusión de modelos. En lugar de confiar en la opinión de un único modelo de visión sobre si una malla refinada es fiel, envía la misma comparación multivista a un panel de modelos y deja que sus respuestas se agreguen. OrcaRouter expone la fusión y más de 200 modelos individuales detrás de una sola API, con el precio de lista del proveedor transferido sin margen (0 %) y conmutación por error automática si un proveedor se degrada. La geometría permanece en tu GPU; el juicio en torno a ella puede ser redundante sin que su integración resulte costosa.

¿Qué lo resolvería?

Una sola ablación haría más que cualquier cantidad de comparaciones de especificaciones: tome una secuencia BEHAVE, refine la malla del objeto con Hi3D a 1024³, deshaga la normalización y reporte las métricas de pose y contacto frente a la línea base sin refinar. Si los números cambian, el backbone compartido se convierte en un pipeline. Si no lo hacen, el valor de Hi3D se queda donde es más fuerte: como herramienta de geometría independiente para quienes ya tienen la malla gruesa.

Hasta que exista ese experimento, la distinción defendible es simple. Hi3D V1.0 es un refinador de geometría con pesos abiertos y sin benchmark. CARI4D es un reconstructor de movimiento con un artículo y un checkpoint comercial. Coinciden en Hunyuan3D-2, y ninguno de los dos es sustituto del otro.