PAN 2 vs Hi3D v1.0: Dos modelos que se niegan a decirte el tamaño de cualquier cosa

Pídele a cualquiera de estos modelos un mundo y lo primero que pierdes es la regla. PAN 2 es el modelo del mundo de pesos abiertos de 29 mil millones de parámetros del Institute of Foundation Models, disponible en Hugging Face como checkpoint Apache-2.0 desde el 7 de octubre de 2026, con código el 5 de noviembre y soporte Day-0 de vLLM-Omni el 10 de noviembre: dale un fotograma inicial y una acción descrita y renderiza hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo que muestran la consecuencia. Hi3D v1.0, antes Sparc3D, es un refinador de geometría de pesos abiertos anunciado el 23 de octubre de 2026 que toma una imagen más una malla gruesa y devuelve una más densa, solo en geometría, con cada resultado recentrado y normalizado a radio unitario. Uno produce una imagen en movimiento sin ninguna pretensión métrica; el otro produce una forma estática con su escala absoluta deliberadamente eliminada. Ninguno te dirá si lo que tienes delante mide un metro de ancho, y ambos son más útiles cuando dejas de esperar que lo hagan.

Esa omisión compartida es la base honesta para una comparación. El planteamiento habitual —3D frente a vídeo, o geometría frente a dinámica— es cierto y poco útil, porque hace que la elección suene como una preferencia. El planteamiento que realmente decide algo es qué te entrega cada modelo, qué descarta para llegar ahí y qué se te permite hacer con el resultado después.

Lo que cada uno te entrega, artículo por artículo.

Nombra el objeto de salida antes de nombrar cualquier capacidad, porque los dos objetos no son el mismo tipo de cosa.

• Entrada — PAN 2 toma un primer fotograma opcional junto con una descripción de acción estructurada refinada por una habilidad de reescritura de prompts; Hi3D v1.0 toma una imagen y una malla gruesa del mismo objeto.

• Salida — PAN 2 devuelve un MP4 de hasta veinte segundos; Hi3D devuelve geometría de vértices y nada más, sin color, sin textura, sin material y sin color de vértices.

• Tiempo — PAN 2 existe para ejecutarse hacia adelante, y cada clip es una predicción de una consecuencia; Hi3D no tiene ningún eje temporal y devolvería la misma malla para las mismas dos entradas por siempre jamás.

• Escala — PAN 2 no hace ninguna afirmación métrica sobre nada de lo que representa; Hi3D normaliza cada resultado a radio unitario, descartando deliberadamente el tamaño absoluto.

• Forma del lote — PAN 2 renderiza un clip por llamada; Hi3D ejecuta con tamaño de lote uno.

• 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.

• Acceso — PAN 2 ocupa 86,17 gigabytes repartidos en sesenta archivos, sin restricciones, con licencia Apache-2.0; Hi3D se puede descargar bajo su propia Hi3D Open License, libre de regalías para uso comercial con la atribución «Powered by Hi3D 1.0».

• Hardware — el valor predeterminado documentado de PAN 2 es ocho H200 en BF16, con una receta que procesa trece segundos de vídeo en aproximadamente 119 segundos en cuatro B300; Hi3D se validó en una sola H20 de 96 GB sin ruta de inferencia en CPU.

• 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.

El número que ambos modelos eliminan, y por qué

La normalización de Hi3D está documentada y es fácil pasarla por alto: cada malla refinada se recentra y se normaliza a radio unitario. Es una práctica habitual en el aprendizaje geométrico, porque una red que tiene que predecir coordenadas absolutas desperdicia capacidad en una escala que podría recibir como dato, y porque los conjuntos de entrenamiento ensamblados a partir de escaneos y recursos rara vez coinciden en unidades. También significa que una malla que sale de Hi3D no se puede colocar directamente en una escena a tamaño real sin que vuelvas a aplicar un factor de escala que tienes que conocer de otro sitio. La geometría refinada carece de escala métrica por construcción.

La omisión de PAN 2 es más sutil y recibe menos atención de la que merece. El modelo genera una consecuencia físicamente coherente —la demostración de la fresa, en la que cambiar la fruta o el líquido altera la salpicadura, es la formulación más clara de la idea que alguien ha producido— y lo hace sin afirmar nunca una distancia. La señal de entrenamiento es vídeo, la salida es vídeo, y el vídeo no tiene escala intrínseca: un primer plano de un dedal y un plano general de un cubo son el mismo tensor. La propia lista de atajos de la tarjeta del modelo señala la misma brecha desde el otro lado, con la pasta apareciendo en el colador antes de que se escurra —una escena que avanzó sin la física que habría tenido que ocurrir.

Esta es la razón por la que no se puede construir un simulador de conducción a partir de PAN 2, por muy bueno que llegue a ser con las salpicaduras. Una red de carreteras necesita anchos de carril en metros y retornos de lidar en centímetros, y un modelo cuya representación completa del mundo es vídeo latente no tiene dónde poner ninguno de los dos. Es también la razón por la que Hi3D no puede proporcionar esos metros: refina la forma de un solo objeto, a una escala que normalizó hasta hacerla desaparecer, a partir de una imagen que no tenía profundidad.

Si tu pipeline necesita una salida métrica, la métrica tiene que entrar en algún punto antes de cualquiera de los dos modelos —desde un sensor de profundidad, un marcador de tamaño conocido en el encuadre, un archivo CAD— y ambos modelos quedan aguas abajo de esa decisión en lugar de tomarla. Merece la pena decirlo sin rodeos, porque la alternativa es que un equipo lo descubra tras una semana de integración.

La editabilidad es la diferencia que sobrevive al contacto con un proyecto.

El vídeo generado es un callejón sin salida para la revisión. Si PAN 2 genera un plano en el que se abre un cajón y se vuelca una taza, y quieres que el cajón se abra más despacio, no editas el clip; reescribes el texto descriptivo y pagas por otras cien pasadas hacia delante por un transformer de 29B. El texto descriptivo es la única superficie editable, y es genuinamente bueno —estructurado, anclado en el tiempo, con las acciones vinculadas a los actores y el movimiento de cámara explicitado—, pero opera al nivel de "qué ocurre", no de "adónde va este vértice".

Una malla refinada es el tipo opuesto de artefacto. La salida de Hi3D se abre en un modelador, se retopologiza, se texturiza en otro lugar y se coloca. El refinamiento es un paso irreversible en un pipeline que, por lo demás, está lleno de pasos reversibles, y eso es exactamente lo que quiere un equipo de contenido: una herramienta que mejora un blockout y luego se aparta del camino.

Aquí está la composición que sí existe, expresada sin exagerar. Un blockout tosco refinado por Hi3D se convierte en un objeto detallado; un constructor de escenas coloca el objeto; un modelo del mundo al estilo PAN 2 renderiza lo que sucede cuando algo actúa sobre él. Las dos son etapas adyacentes, no competidoras. Lo que no existe es un bucle: Hi3D no puede tomar un fotograma de PAN 2 y devolverte geometría, porque un solo fotograma de vídeo sin profundidad y con escala desconocida no es un problema de malla que Hi3D se haya construido para resolver.

El punto en el que una capa de enrutamiento se gana su lugar en ese pipeline es el trabajo lingüístico de conexión, más que cualquiera de los dos modelos. Poner una leyenda a un render para que un simulador pueda condicionarse a ella, escribir la descripción estructurada del estado del mundo que consume el codificador de texto de PAN 2 con un presupuesto de 1.480 tokens en modo flexible y 1.536 en modo estricto, juzgar si un fotograma generado cumple con el encargo —esas son llamadas normales a modelos facturadas por uso, y rodean a ambas herramientas. OrcaRouter lleva más de 200 modelos detrás de una única API con un 0 % de recargo sobre el precio de lista del proveedor, con conmutación automática por error entre proveedores, para que un redactor de leyendas y un crítico de renders puedan compartir una clave y una ruta de respaldo. Ni PAN 2 ni Hi3D v1.0 están en ese catálogo y nada aquí sugiere lo contrario: el renderizador es tu nodo, el refinador es tu GPU, y lo que enrutamos es el pegamento.

Dos licencias que indican quién se supone que debe ser el cliente

Ambos modelos son lo bastante abiertos como para descargarlos, y los términos divergen de una manera que resulta más informativa que los pesos.

PAN 2 es Apache-2.0: ningún requisito de atribución más allá del texto de la licencia, ningún umbral de usuarios, ninguna cláusula de ingresos, ninguna restricción de campo de uso. Puedes ajustarlo, cuantizarlo, distribuirlo dentro de un producto y no decir nada al respecto. Para un transformer de difusión de 29 mil millones de parámetros entrenado desde cero con cientos de millones de videos por un laboratorio afiliado a una universidad, se trata de una elección inusualmente permisiva, y es la mayor diferencia práctica entre PAN 2 y los modelos cerrados con los que se le suele comparar.

Hi3D v1.0 no tiene regalías para uso comercial con una atribución "Powered by Hi3D 1.0", y se aplica un acuerdo aparte por encima de 200.000 usuarios activos mensuales o 1 millón de dólares en ingresos mensuales. Ese umbral es una huella: indica que el cliente previsto es un estudio, una plataforma o un proveedor de herramientas, y que los autores esperan que el modelo se integre en lugar de estudiarse. Por debajo de esa línea no cuesta nada; por encima, se negocia.

Ninguna de las dos licencias es una trampa. Son apuestas distintas sobre para qué sirve la apertura: la de PAN 2 es una apuesta por la adopción como infraestructura; la de Hi3D es una apuesta por la adopción con una conversación comercial asociada una vez que eres lo bastante grande como para tenerla.

La factura del hardware, que no está cerca

Los requisitos de Hi3D son estrictos y baratos de cumplir si ya tienes la máquina: Linux, Python 3.10, una GPU NVIDIA con capacidad de cómputo 8.0 o superior, CUDA entre 12.0 y 12.5, flash-attn sin ruta de respaldo, sin inferencia en CPU, validado en una única H20 de 96 GB. Una estación de trabajo de estudio cumple con eso. El modo de fallo es la versión fija de CUDA y la falta de respaldo, no la memoria.

Los requisitos de PAN 2 son de otra categoría. Ocho H200 en BF16 es el valor predeterminado documentado, con paralelismo de parches de VAE en cuatro tiles además, porque decodificar un clip de veinte segundos de 704×1248 es un problema de memoria aparte. La cifra de 119 segundos para trece segundos en cuatro B300 procede de la receta de vLLM, y es la cifra que convierte cada pregunta de diseño en una cuestión aritmética: cincuenta pasos del muestreador con un flow shift de 9 y un guidance de 2.5 en cada paso son cien pasadas hacia adelante por el transformer de 29B por clip, y un planificador que evalúa cinco acciones candidatas por paso de una tarea de diez pasos quiere cincuenta clips.

Así que la comparación de costos no es "cuál es más barato". Es que uno de estos es una herramienta de estación de trabajo y el otro es una carga de trabajo de clúster, y un equipo que puede permitirse el primero puede que no pueda ejecutar el segundo en absoluto. Esa asimetría no hace que PAN 2 sea peor. Hace que la decisión sea fácil para cualquiera cuyo presupuesto de GPU sea una sola tarjeta.

¿Qué pregunta estás haciendo realmente?

Si tu problema es que un blockout es demasiado tosco, o que un prop escaneado no tiene detalle fino, Hi3D v1.0 es la herramienta y PAN 2 es irrelevante: no hay nada en un generador de vídeo que te vaya a dar vértices. Presupuesta el stack de CUDA, comprueba la dependencia de flash-attn antes de prometer una fecha de entrega, y recuerda que la malla llega con radio unitario.

Si tu problema es que necesitas ver qué hace una acción antes de comprometerte con ella —evaluación de planes, datos contrafactuales, un robot o un agente que previsualiza sus opciones—, PAN 2 es el único de los dos que responde, y responde en píxeles con un paso omitido en aproximadamente dos de cada tres planes según su propia ficha. Incorpora un verificador al bucle, mantén tus prompts dentro del presupuesto de tokens y trata cada clip como una hipótesis en lugar de una medición.

Si necesitas ambos, construye la canalización en el orden en que los artefactos fluyen realmente: primero la entrada métrica, después la geometría, luego la consecuencia, y un modelo de lenguaje en cada punto de unión donde una representación tenga que convertirse en otra. Eso es más ingeniería de la que insinúa el anuncio de cualquiera de los dos modelos, y es la forma que ha acabado teniendo toda pila seria de modelos del mundo para 2026.

Lo que cambiaría esta página es un modelo que emita geometría con escala métrica y un eje temporal — una salida 4D con unidades. Nada en ninguna de las dos versiones apunta a ello. Hasta que algo lo haga, el resumen preciso es que PAN 2 te muestra lo que ocurre e Hi3D afina lo que ya está ahí, que ninguno de los dos dirá cuán grande es, y que la segunda limitación es la que decide en silencio cuál de tus proyectos puede usar cualquiera de los dos.