PAN 2 vs Hunyuan3D WorldClaw: ¿Un modelo con dos mitades, o cincuenta modelos con gabardina?

Si se colocan uno al lado del otro, lo primero que se nota es que no son el mismo tipo de objeto. PAN 2 es un modelo: 29 mil millones de parámetros de un transformer de difusión multimodal del Institute of Foundation Models, Apache-2.0 en Hugging Face desde el 7 de octubre de 2026, código el 5 de noviembre, soporte Day-0 de vLLM-Omni el 10 de noviembre, y hace una sola cosa: dado un fotograma inicial y una acción descrita, renderiza hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo prediciendo la consecuencia. Hunyuan3D WorldClaw es un framework: el pipeline agéntico de Tencent Hunyuan para convertir un único prompt de texto abierto en una escena 3D explorable compuesta por mallas explícitas texturizadas por objeto, descrito en arXiv 2608.05248 el 5 de agosto de 2026 y anunciado el 11 de agosto, con un repositorio que contiene un README y recursos, y ningún código. Uno es un checkpoint descargable que se ejecuta. El otro es un método publicado que habría que reconstruir.

Lo segundo que uno nota es más útil. El propio artículo de WorldClaw nombra los modelos sobre los que se ejecuta, y esa lista es una lista de la compra de componentes ajenos: Claude Opus 4.8 para la planificación, GPT-Image-2 para las imágenes, SAM3 y SAM3D para la segmentación, Hunyuan3D para la reconstrucción, Blender 5.1.1 controlado mediante MCP para el ensamblaje, todo ello en cuatro NVIDIA H20. PAN 2 nombra un solo componente y lo deja intercambiable: cualquier modelo de lenguaje que siga instrucciones escribe la descripción estructurada, e IFM clasificó cuatro de ellos. Esa es la comparación real: no escenas frente a vídeo, sino qué ocurre con un sistema cuando la inteligencia se reparte entre una cadena de proveedores en lugar de concentrarse en un único checkpoint.

Dos arquitecturas, dibujadas con honestidad

El diseño de PAN 2 es Predicción Latente Generativa de Crítica de los modelos del mundo (arXiv 2507.05169). Un razonador conceptual escribe el siguiente estado del mundo como una descripción estructurada y anclada en el tiempo —eventos en orden, acciones vinculadas a actores, movimiento de cámara—, un codificador de texto Qwen3.5-9B congelado lo mapea a características de condicionamiento, un transformador de difusión de 29B completa el detalle perceptual y un VAE Wan 2.2 decodifica los fotogramas. Dos mitades, un repositorio, una licencia.

El diseño de WorldClaw es un bucle de refinamiento de cuatro etapas que sus autores describen como de lo general a lo detallado: los agentes basados en modelos de lenguaje leen el prompt y producen un plan de escena; una pasada global genera la disposición semántica, los campos de altura y los materiales para que el suelo sea coherente antes de que se coloque nada sobre él; las regiones se renderizan, se segmentan y se reconstruyen en mallas individuales mediante Hunyuan3D; y un agente de visión inspecciona el render en busca de objetos flotantes, interpenetración, escala incorrecta y pose incorrecta, y luego devuelve correcciones. Se cumple la promesa de geometría explícita —obtienes objetos, no una masa fusionada ni un splat gaussiano—, y los agentes hacen su trabajo una sola vez, antes de que cargues la escena.

Donde ambos convergen es la parte que vale la pena interiorizar: en ambos sistemas los píxeles son la mitad rápida y barata, y un modelo de lenguaje decide qué debería existir. Donde divergen es en quién posee el modelo de lenguaje. IFM trató al razonador como una variable y publicó el arnés que clasificó a los candidatos. Tencent trató al razonador como una dependencia y nombró uno.

Lo que la palabra «agentic» aporta y lo que cuesta

La trampa de esta comparación es que ambos comunicados usan esa palabra, y ninguno de los dos se refiere a lo mismo con ella.

• Agentes como autores — los planificadores de WorldClaw descomponen un prompt en un plan de escena y su agente de visión emite correcciones; el razonador de PAN 2 escribe un pie de foto que describe lo que ocurre a continuación.

• Cuando la inteligencia se ejecuta —la de WorldClaw se ejecuta una vez, en el bucle de autoría, y desaparece cuando se exportan las mallas; la de PAN 2 se ejecuta una vez por clip, en cada llamada, durante toda la vida del sistema.

• Tipo de salida — WorldClaw devuelve un archivo de escena con mallas, materiales y transformaciones individuales; PAN 2 devuelve un MP4 que no contiene geometría en absoluto.

• Editabilidad — La salida de WorldClaw se abre en un modelador, se retopologiza y se coloca; la única superficie editable de PAN 2 es el pie de foto, así que revisar significa volver a renderizar.

• Superficie de dependencias — WorldClaw requiere seis componentes con licencia independiente y una instalación de Blender; PAN 2 requiere los pesos, un codificador de texto y un VAE.

• Qué significa "bueno": a WorldClaw se le juzga por si la escena se compone sin objetos flotantes; a PAN 2 se le juzga por si la consecuencia que representa es la que la acción produciría en realidad.

El coste de la inteligencia distribuida de WorldClaw no es conceptual, sino operativo: seis componentes significan seis conjuntos de condiciones, seis modos de fallo y seis lugares donde una actualización de versión puede cambiar la salida. El coste de la inteligencia concentrada de PAN 2 es el inverso: una sola licencia, un solo árbol de dependencias y un motor de razonamiento que uno mismo tiene que evaluar porque la valoración que hace el proveedor es la suya propia.

Ninguno de los dos costes es un defecto. Pero explica por qué rara vez son la respuesta correcta a la misma pregunta: uno es una canalización de contenido, el otro es un motor de consecuencias, y un equipo que necesita mallas no encontrará nada en PAN 2 que le ayude.

Dos pipelines, escritos como una secuencia de etapas

Sequence es donde la diferencia entre un modelo y un framework se hace más evidente.

• PAN 2, una sola llamada: lee la observación y la acción solicitada, escribe el estado del mundo estructurado, codifícalo, ejecuta cincuenta pasos de difusión con guía 2.5 y decodifica veinte segundos de 704×1248. Nada de esa secuencia persiste después del clip.

• WorldClaw, cuatro etapas: planificar la escena con un modelo de lenguaje, generar la disposición semántica global y los campos de altura, renderizar y segmentar regiones y reconstruir cada una en una malla; luego inspeccionar el renderizado con un agente de visión y devolver correcciones. Nada en esa secuencia es un único modelo.

• Dónde reside el estado — el único artefacto duradero de PAN 2 es la leyenda y el MP4; el de WorldClaw es un archivo de escena con mallas, materiales y transformaciones individuales que sobrevive al pipeline.

• Dónde puede fallar — PAN 2 falla dentro del render: un paso omitido, deriva, un atajo en la física. WorldClaw falla en una costura: un planificador que malinterpretó el prompt, un segmentador que cortó un objeto por la mitad, un reconstructor que produjo la escala equivocada, un ensamblador que hizo que dos mallas se interpenetraran.

• Qué puedes inspeccionar — PAN 2 te da un video y un presupuesto de tokens; WorldClaw te da geometría que puedes medir y, por lo tanto, errores que puedes atribuir.

La última fila es la que merece la pena conservar. Un fallo al que puedes atribuir una causa es más barato de corregir que un fallo que solo puedes ver, y una canalización de malla te lo da gratis porque los artefactos intermedios son inspeccionables. Una canalización de vídeo te da una respuesta final y una leyenda, y cuando la respuesta es incorrecta tu única palanca es la leyenda.

También explica por qué existe en absoluto la etapa de corrección mediante agente de visión de WorldClaw. La interpenetración, los objetos flotantes, la pose incorrecta y la escala incorrecta son los modos de fallo de ensamblar geometría a partir de piezas generadas por separado, y ninguno de ellos es visible hasta que se renderiza y se mira. Un modelo único no necesita esa etapa porque un modelo único no puede producir una escena cuyas partes no concuerden: solo puede producir una escena que está mal en su conjunto.

La brecha de evaluación no es simétrica y apunta en sentido contrario al de las licencias.

La evaluación publicada de WorldClaw es cualitativa. El artículo compara su resultado en paralelo con SynCity, WorldGen, MajutsuCity y Marble, y no hay FID, ni puntuación CLIP, ni un estudio de usuarios con una cifra asociada. Para un artículo que describe un marco de generación de escenas, eso es una carencia real, y cualquier equipo que lo reimplemente debería tratar «se ve mejor que SynCity» como una hipótesis y no como un resultado.

PAN 2 publicó más y etiquetó sus condiciones con mayor precisión que la mayoría de los lanzamientos de modelos de vídeo. Trescientos casos de prueba de acción única repartidos en seis categorías de capacidades, 201 de imagen a vídeo y 99 de texto a vídeo; cien tareas cotidianas egocéntricas planteadas de ambas maneras, 200 prompts y 456 pasos, puntuadas según la finalización de pasos y la finalización del plan completo en tres semillas; Physics-IQ Verified en la configuración de imagen a vídeo, normalizado de modo que la varianza entre dos tomas reales sea igual a 100; PhyGround en una escala de cinco puntos evaluado por Qwen3.8-27B; RBench como una media no ponderada sobre cinco categorías de tareas y cuatro de encarnación; y un estudio humano por pares a ciegas sobre 140 prompts con trece revisores y 1.400 comparaciones, con Elo ajustado mediante Bradley–Terry y centrado en 1500.

Trece revisores es un panel pequeño, y estaban juzgando el modelo de los autores contra las líneas base de los propios autores, con los modelos de comparación cerrados generados una sola vez mediante una API de inferencia de terceros y varias filas marcadas como de semilla única. Nada de ello es independiente. Todo ello es legible, que es lo segundo mejor — y es la diferencia entre una publicación con la que se puede discutir y una que solo se puede mirar.

Las licencias, entonces, apuntan en sentido contrario a la evidencia. PAN 2 es Apache-2.0, sin restricciones de acceso, con 86,17 gigabytes repartidos en sesenta archivos, sin requisito de atribución y sin umbral de usuarios. WorldClaw no tiene licencia que leer, porque no hay nada que licenciar: el proyecto de GitHub contiene un README y recursos; ningún código, ningún peso, ningún script de inferencia, ninguna API y ningún precio. Un artículo sobre un marco de trabajo sin implementación es la descripción de un método, no una herramienta, y el requisito de cuatro H20, junto con su dependencia de un conjunto de modelos con licencias separadas, implica que un lanzamiento no sería una descarga lista para usar incluso si se produjera.

Dónde un router realmente soporta carga, y no es donde cabría esperar

Esta es la rara pareja en la que el dato comercial interesante está del lado del framework. La mitad de planificación de WorldClaw no es un modelo misterioso detrás de una API: se nombra en el artículo, y los componentes que nombra son modelos de catálogo comunes. Claude Opus 4.8 está en el catálogo de OrcaRouter. También GPT-Image-2. Y también los cuatro razonadores que IFM clasificó para la etapa de descripción de PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 y Qwen3.8-Flash.

Eso significa que un equipo que reimplemente la descomposición WorldClaw —planificación, terreno, objetos, refinamiento— puede ensamblar hoy las etapas de lenguaje e imagen con una sola clave, a el precio de lista de cada proveedor trasladado con un 0 % de recargo, con conmutación por error automática cuando una llamada de planificación agota el tiempo de espera a mitad de la construcción. La misma clave impulsa la ranura de razonador de PAN 2 cuando intercambias el redactor de subtítulos entre experimentos y mantienes el renderizador de 29B fijo en tu propio nodo. Lo que OrcaRouter no hace es alojar ni PAN 2 ni Hunyuan3D WorldClaw: uno es un modelo de difusión de vídeo que ejecutas en tu hardware; el otro no existe como código ejecutable en ningún sitio. Nada en este artículo debe interpretarse como que sugiere lo contrario.

La formulación honesta es que enrutamos las costuras. En una pipeline al estilo WorldClaw hay tres —de la indicación al plan, del plan a la imagen, del render al crítico— y cada una es una llamada tarificada. En una pipeline PAN 2 hay una, y es la única parte que no necesita una GPU. Es una afirmación más limitada que «ejecutamos modelos del mundo», y es la verdadera.

Lo que te enseña cada diseño incluso si no ejecutas ninguno

La idea más transferible de WorldClaw es la descomposición, no la escena. Planificar, distribuir el terreno, reconstruir los objetos individualmente y después inspeccionar y corregir: esa estructura de cuatro etapas es una arquitectura sólida para cualquier pipeline cuya salida tenga que editarse más adelante, y la elección de malla explícita es la correcta para cualquier cosa que salga del pipeline y acabe en un motor de juego. El bucle de corrección con un agente de visión que inspecciona en busca de objetos flotantes y escalas incorrectas es la parte que la mayoría de los equipos se salta y de la que la mayoría se arrepiente de haberse saltado.

La idea más transferible de PAN 2 es el contrato de descripciones. La interfaz no es una caja de prompt; es una descripción estructurada y anclada en el tiempo con un presupuesto de tokens de 1.480 flexibles y 1.536 estrictos, una habilidad de reescritura de prompts ya incluida, un prompt negativo fijo y un validador que comprueba las descripciones frente al límite del codificador. El texto libre se reescribe antes de usarse, y la ficha del modelo dice claramente que los estudios de caso de agentes se basaron en prompts refinados a mano. Cualquier equipo que construya un modelo del mundo o que consuma uno debería copiar eso: el contrato entre la mitad de razonamiento y la mitad de renderizado es donde se gana o se pierde la calidad, y merece un esquema en lugar de una corazonada.

Ambos diseños también comparten un fallo que el campo no ha resuelto, y fallan en él de manera distinta. PAN 2 deriva en apariencia entre clips porque cada uno se simula a partir de como máximo un fotograma inicial más texto, y su tarjeta señala la memoria perceptiva como la pieza que falta; su propia sección de limitaciones encabeza con la admisión de que aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. La deriva de WorldClaw es geométrica y espacial: interpenetración, escala incorrecta, objetos que flotan, y por eso necesita un agente de visión en el bucle. Uno necesita una memoria, el otro necesita un inspector, y ninguno ha publicado una curva medida de cuánto empeora con el tiempo.

La decisión, en una sola pasada

Si necesitas un lugar —un nivel, un conjunto de datos sintéticos de interiores, un set de producción virtual—, WorldClaw es la referencia más relevante y no puedes ejecutarlo. Lleva la descomposición en cuatro etapas y la salida de malla explícita a tu propia compilación, presupuesta la clase de máquina de cuatro H20 más una dependencia de Blender, y sustituye la evaluación cualitativa por algo que puedas medir, porque el artículo no te proporciona ninguna.

Si necesitas una consecuencia —qué hace un plan antes de que te comprometas con él—, PAN 2 se puede descargar esta tarde, tiene una licencia permisiva y reconoce con honestidad que falla en dos de cada tres planes. Lee primero la página de limitaciones, mantén un verificador en el proceso y espera gastar horas de GPU en lugar de dólares por token: trece segundos de vídeo tardan aproximadamente 119 segundos en cuatro B300s, y el muestreador ejecuta cien pasadas hacia delante por clip.

Si estás construyendo eso que ninguno de los dos laboratorios lanzó —un mundo que puedes editar como geometría y luego ver comportarse—, lo estás ensamblando tú mismo a partir de un refinador, un generador de escenas, un renderizador y un modelo de lenguaje en cada costura. Eso es más trabajo del que sugiere cualquiera de los dos anuncios, y es donde va a ocurrir el próximo año de trabajo práctico en esta categoría.

Lo que cambiaría esta página es el código. Un lanzamiento de WorldClaw con pesos y un script de inferencia convertiría un método en una herramienta y haría que la comparación fuera real; una variante de PAN 2 que emitiera profundidad junto con RGB haría lo mismo desde la dirección opuesta. Ninguno existe hoy. Hasta que exista uno, el resumen preciso es un motor de consecuencias descargable y un framework de escenas que no se puede construir, y lo único que realmente comparten es la ambición de predecir un mundo en lugar de renderizar una imagen de él.