Hi3D V1.0 vs Hunyuan3D WorldClaw: ¿Un activo bien hecho, o un mundo a grandes rasgos?

Una escena de Hunyuan3D WorldClaw no es un solo modelo 3D. Es terreno, edificios, vegetación, vehículos y personajes, cada uno reconstruido como una malla separada, colocados sobre un paisaje generado y luego inspeccionados por un agente de visión que envía las regiones defectuosas de vuelta para su reparación. Hi3D V1.0 no construye mundos. Toma una malla tosca y una imagen de referencia y emplea una GPU de 96 GB en hacer más nítida la geometría de ese único objeto. Por lo tanto, la comparación no es escena contra escena. Es rendimiento frente a fidelidad, y los dos sistemas se sitúan en lados opuestos de la misma línea de producción.

Lo que WorldClaw necesita antes de poder construir un mundo

WorldClaw es el marco agéntico de Tencent Hunyuan que convierte un único prompt de texto en un mundo 3D grande, explorable y editable. El artículo, «WorldClaw: Agentic 3D Open-World Generation at Scale», apareció en arXiv como 2608.05248 el 7 de agosto de 2026, y la página del proyecto y el repositorio de GitHub llegaron esa misma semana. La arquitectura funciona en cuatro etapas:

• Análisis de intención y planificación de la escena — dos agentes de modelos de lenguaje analizan el prompt. Uno extrae únicamente las restricciones que el usuario indicó; el otro completa los detalles que el prompt omitió. El artículo menciona Claude Opus 4.8 para esta etapa.

• Generación global del terreno — un mapa de disposición semántica y campos de altura sensibles a la región producen un esqueleto de terreno continuo con materiales, rocas y vegetación asignados por región.

• Generación de objetos regionales: las regiones detalladas se renderizan en composites 2D condicionados por el terreno, se segmentan en instancias con GPT-Image-2 y SAM3D, se reconstruyen como mallas 3D individuales mediante Hunyuan3D y se vuelven a colocar sobre el terreno.

• Refinamiento basado en renderizado — un agente de visión renderiza la escena desde múltiples puntos de vista, busca objetos flotantes, interpenetración, escala incorrecta y pose incorrecta, corrige la región problemática y vuelve a renderizar hasta que pase. El ensamblaje se realiza en Blender mediante MCP.

Esa tercera etapa es la que importa aquí. Cada objeto de una escena de WorldClaw es una reconstrucción independiente de imagen a 3D. Una escena con doscientos objetos distintos son doscientas generaciones de mallas, cada una condicionada por un compuesto 2D segmentado y cada una con la fidelidad que pueda producir el modelo de reconstrucción subyacente. El techo visual de la escena lo marca el peor activo que contiene, y la propia evaluación del framework no mide eso. El artículo presenta comparaciones cualitativas lado a lado con SynCity, WorldGen de Meta, MajutsuCity y Marble de World Labs —sin FID, sin puntuación CLIP, sin estudio de usuarios y sin métrica de fidelidad por objeto.

Lo que Hi3D aportaría y lo que no.

Hi3D V1.0, lanzado el 23 de octubre de 2026, es un modelo de refinamiento construido sobre Sparc3D. Proporciónele una imagen de referencia de un objeto y una malla gruesa del mismo objeto, y muestrea progresivamente latentes dispersos, los decodifica mediante un VAE disperso con autopoda y extrae una superficie de mayor resolución. Las tres pasadas llevan la cuadrícula estructural a 64³, 128³ y 192³, y la cuadrícula de extracción dispersa a 512³, 1024³ y 1536³, con 25 actualizaciones del planificador por pasada. Procesa un objeto a la vez.

El encaje con la tercera etapa de WorldClaw es evidente sobre el papel. WorldClaw ya dispone de un compuesto 2D segmentado para cada objeto y ya genera una malla mediante Hunyuan3D. Esas son exactamente las dos entradas que Hi3D necesita: una imagen de referencia y una malla gruesa. Refinar cada objeto antes de colocarlo elevaría el detalle geométrico de los activos que determinan la calidad en primeros planos de la escena.

Tres limitaciones impiden que sea una actualización directa.

En primer lugar, Hi3D es solo geometría. No produce textura, material ni color de vértices, y la salida de WorldClaw son mallas texturizadas explícitamente y editables individualmente, pensadas para un motor de juego. Hi3D mejoraría la silueta y el detalle local de la superficie y luego pasaría el recurso a un paso de texturizado que ninguno de los dos repositorios proporciona. Un mundo construido a partir de mallas refinadas pero sin texturizar no es el entregable que promete WorldClaw.

En segundo lugar, la imagen de referencia tiene que mostrar el mismo objeto. La segmentación de WorldClaw proporciona un recorte de imagen del objeto dentro de un compuesto regional, que se acerca pero no es idéntico a una referencia de producto limpia. Que eso sea suficientemente bueno es una cuestión empírica que nadie ha respondido.

Tercero, el rendimiento. Hi3D refina una malla a la vez, y la configuración medida es una H20 de 96 GB sin ruta de CPU y sin modo por lotes. Según el artículo, WorldClaw ya se ejecuta en 4× H20. Añadir una etapa de refinamiento por objeto delante de la colocación multiplica la parte más costosa del pipeline por el número de objetos de la escena.

El número que ninguna de las dos páginas te da

No se puede calcular el costo de esta composición a partir del material publicado, y ese es el hallazgo práctico más importante de esta comparación.

Hi3D no publica ninguna latencia de reloj de pared. El README proporciona actualizaciones del planificador, recuentos de pasadas y una GPU medida, pero no los segundos por objeto en 512³, 1024³ o 1536³. WorldClaw tampoco publica el tiempo de reconstrucción por objeto. La declaración de cómputo del artículo se refiere al sistema completo en 4× H20, no al coste marginal de un accesorio más. Sin ambas cifras, la aritmética que decide si el refinamiento es asequible —objetos por escena multiplicado por segundos por objeto multiplicado por horas de GPU— no se puede hacer a partir de las fuentes.

Lo que sí puede decirse es la forma del coste. El ajuste de 512³ de Hi3D ejecuta una pasada; el de 1024³ ejecuta dos; el de 1536³ ejecuta las tres. Cada pasada son 25 actualizaciones del planificador. Una mayor resolución compra detalle y cuesta pasadas. El tamaño de lote es uno, de modo que el coste escala linealmente con el número de objetos y no puede amortizarse en un lote. Si una escena de WorldClaw contiene docenas de objetos protagonistas y cientos de accesorios de fondo, una canalización sensata refinaría a los protagonistas y dejaría el fondo en la etapa gruesa — una decisión que exige exactamente la medición de tiempos por objeto que ninguno de los dos proyectos ha publicado.

Cinco dimensiones que realmente los separan

• Unidad de trabajo — Hi3D V1.0 un objeto frente a Hunyuan3D WorldClaw una escena de mundo abierto que contiene muchos objetos

• Salida — Hi3D V1.0, una malla solo de geometría, frente a las mallas editables y texturizadas de Hunyuan3D WorldClaw ensambladas en Blender

• Entrada — Hi3D V1.0: una imagen de referencia más una malla gruesa frente a Hunyuan3D WorldClaw: un prompt de texto abierto

• Código y pesos — Hi3D V1.0 descargable hoy bajo la Hi3D Open License 1.0 frente a Hunyuan3D WorldClaw: un README y un artículo, sin código, sin pesos, sin API, sin precio

• Evidencia — Hi3D V1.0 sin benchmark numérico frente a Hunyuan3D WorldClaw, solo comparaciones cualitativas, sin FID, sin CLIP, sin estudio de usuarios

La disponibilidad decide el trimestre.

Uno de estos es una herramienta y el otro es un documento de diseño.

Hi3D V1.0 se puede clonar, instalar y ejecutar hoy mismo. Requiere Linux, Python 3.10, CUDA 12.0 a 12.5, una GPU con capacidad de cómputo 8.0 y una compilación desde el código fuente de flash-attn, y la escalera completa de 1536³ solo se ha validado en una H20 de 96 GB. La licencia permite el uso comercial, con un requisito de notificación y de licencia por separado una vez que un producto supere los 200.000 usuarios activos mensuales o USD 1.000.000 de ingresos mensuales, y un requisito de atribución para integraciones comerciales. Los pesos son ocho archivos en Hugging Face. No hay un endpoint alojado —la tarjeta del modelo indica que no lo despliega ningún proveedor de inferencia— y la versión comercial v3.0 de la empresa, con vóxeles de 2048³ y texturas 8K, es un producto aparte que se vende a través de su propia plataforma.

Nadie fuera de Tencent puede ejecutar WorldClaw hoy. El repositorio de GitHub contiene una carpeta de assets, un .gitignore y un README. No hay implementación, ni checkpoint, ni API, ni precios, y una issue solicitando el código no ha recibido respuesta. El artículo es lo suficientemente detallado como para reimplementar la arquitectura y la página del proyecto es una buena demostración, pero ninguna de las dos es una dependencia que puedas planificar. Si estás creando un generador de mundos, WorldClaw es un plano que vale la pena leer; no es un componente al que puedas llamar.

Esa asimetría es la respuesta práctica al enfrentamiento. Un equipo que necesite mejor geometría de objetos este mes puede usar Hi3D. Un equipo que necesite la capacidad de nivel de escena de WorldClaw este mes tiene que construirla, y el artículo es lo único que Tencent ha publicado que ayuda.

Dónde recae la factura de los LLM

La arquitectura de WorldClaw es inusualmente honesta sobre dónde se encuentran las llamadas costosas. Planificar la escena, extraer las restricciones del usuario, completar los detalles que el prompt omitió y ejecutar la crítica visual que decide qué volver a renderizar son todas llamadas de lenguaje o de visión-lenguaje. El framework las dirige a modelos de frontera en lugar de entrenar los suyos propios. Es una apuesta deliberada: orquestación por encima del entrenamiento, con la calidad limitada por componentes que no controlas.

También es la capa que cubre OrcaRouter. La reconstrucción 3D se queda en tus GPUs y no es algo que sirvamos: el catálogo son modelos de texto, visión, vídeo, embeddings y voz, no geometría. El planificador y el crítico son otra historia. Poner más de 200 modelos detrás de una sola API significa que el planificador y el crítico no necesitan contratos separados, claves separadas ni dominios de fallo separados; el precio de lista del proveedor se traslada con un 0% de margen, por lo que un cambio de precio de un proveedor llega al endpoint el mismo día; la conmutación automática por fallo evita que un proveedor degradado bloquee un mundo a mitad de generación; y el DSL de enrutamiento compone varios modelos en una sola llamada, que es lo que realmente es un bucle de planificar y criticar. Para una canalización cuyo coste por escena está dominado por llamadas repetidas a agentes, esa superficie de control importa más que cualquier elección de modelo individual.

¿Quién debería actuar y sobre qué?

Si tu cuello de botella es la calidad de un activo individual —una pieza imprimible, un modelo de producto, un prop protagonista—, Hi3D V1.0 ya está disponible y el experimento es barato de empezar, siempre que tengas una GPU de 96 GB y ya dispongas de una malla gruesa. Lee la sección de limitaciones antes de la nota de prensa: el modelo refina la estructura, no corrige una silueta incorrecta y no devuelve textura.

Si tu cuello de botella es el ensamblaje de escenas, WorldClaw es el sistema más ambicioso y el menos disponible. Su contribución es arquitectónica: un bucle de agente de grueso a fino con un crítico basado en renderizado, y una declaración clara de que la etapa de reconstrucción de objetos es donde se gana o se pierde la fidelidad de cada activo. El siguiente experimento obvio es colocar un refinador como Hi3D detrás de esa etapa y medir si la calidad de los primeros planos de la escena mejora lo suficiente como para justificar las pasadas adicionales. Nadie ha publicado esa medición y, hasta que alguien lo haga, la comparación sigue siendo una hipótesis sobre una línea de producción más que un resultado.