PAN 2 vs Hy-Nomas: misma licencia, misma familia de arquitectura, dos definiciones de «acción»

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.

El desempate que sí funciona es una frase que ningún equipo incluye en su resumen: qué cuenta como acción. La señal de control de Hy-Nomas es adónde va la cámara. La señal de control de PAN 2 es lo que ocurre en la escena, registrado por un modelo de lenguaje como una secuencia de eventos vinculados a actores. Son lo bastante diferentes como para que un prompt que funciona bien en uno sea casi irrelevante en el otro, y si solo aprendes una cosa de esta comparación, que sea esa.

Dos interfaces de acondicionamiento, no dos niveles de calidad

Hy-Nomas se condiciona con texto y una trayectoria de cámara. La trayectoria es continua y geométrica: le indicas hacia dónde se mueve el punto de vista y el modelo genera un segmento condicionado por un historial en caché para que el mundo se mantenga coherente a medida que avanzas. Su mejorador de prompts, Nomas-PE, reescribe prosa libre en descripciones JSON estructuradas, la misma intuición que sigue el reescritor de prompts de PAN 2 desde la dirección opuesta: ambos equipos concluyeron que el texto libre es demasiado vago para condicionar un transformer de difusión.

Donde divergen es lo que describe la forma estructurada. La estructura de Hy-Nomas es espacial y centrada en el punto de vista; lo que se modela con precisión es el movimiento de la cámara a través de una escena. La estructura de PAN 2 es temporal y centrada en el actor: los eventos en orden, cada acción vinculada al actor que la realiza, además del movimiento de cámara como un campo entre varios. Si se lee el propio planteamiento de IFM, el énfasis es inequívoco: la leyenda describe lo que ocurre después de una acción, y la demostración que hizo famoso al modelo es una fresa que se deja caer en un cuenco donde cambiar la fruta o el líquido cambia la salpicadura.

• Condicionamiento: Hy-Nomas acepta texto libre junto con una trayectoria de cámara continua; PAN 2 acepta un primer fotograma opcional junto con una descripción de acción estructurada y anclada en el tiempo.

• Qué significa «acción» — Hy-Nomas: un movimiento de cámara, es decir, hacia dónde miras; PAN 2: un evento con un actor, es decir, qué ocurre.

• Estructura de segmentos — Hy-Nomas es autorregresivo por segmentos sobre un historial de KV en caché, por lo que el contexto se mantiene entre segmentos; PAN 2 simula cada clip a partir de como máximo un fotograma inicial más texto, sin estado arrastrado entre clips.

• Salida — Hy-Nomas: 720×1280 a 24 fps en ocho pasos destilados; PAN 2: 704×1248 a 24 fps a lo largo de cincuenta pasos del muestreador con guía 2.5.

Tamaño — Hy-Nomas: aproximadamente 8B repartidos en 54 bloques MMDiT de doble flujo con una dimensión oculta de 2.048, además de un decodificador PixelUMM ajustado sobre latentes DCAE-V; PAN 2: un MMDiT de 29B más un codificador de texto Qwen3.5-9B congelado y un VAE Wan 2.2.

• Hardware — Hy-Nomas: ocho GPU en el despliegue de referencia, con una ruta de una sola RTX 4090 que usa un DiT INT8, caché KV, decodificador FP8 y offload a CPU con aproximadamente 38 GB; PAN 2: ocho H200 en BF16 como valor predeterminado documentado, con una receta que procesa trece segundos de vídeo en unos 119 segundos en cuatro B300.

• Tamaño de los pesos — Hy-Nomas: alrededor de 196GB en Hugging Face como tencent/Hy-Nomas; PAN 2: 86.17GB repartidos entre sesenta archivos como IFM/PAN2.

Siete dimensiones y ninguna de ellas es una puntuación. Lo que describen es una divergencia de diseño: Hy-Nomas puso sus parámetros en mantener un mundo cohesionado mientras te mueves por él; PAN 2 puso sus parámetros en predecir qué hace una acción. Una trayectoria de cámara es barata de especificar y difícil de falsificar; una secuencia de eventos es expresiva y costosa de generar.

Dónde se nota la diferencia: tres tareas, ambos modelos

Los contrastes abstractos son baratos. Estos son concretos.

Guíame por un piso. Hy-Nomas gana de forma contundente. Quieres un trayecto continuo por un pasillo y hasta una cocina, con la habitación que queda a tu espalda permaneciendo como la habitación que queda a tu espalda. Eso es generación autorregresiva por segmentos sobre un historial en caché, que es precisamente para lo que está diseñada su arquitectura, y PAN 2 no puede hacerlo: renderiza un clip, y el siguiente clip parte de un fotograma que tú proporcionas, sin memoria de lo que vino antes. Encadenar clips de PAN 2 para crear un recorrido produce la deriva sobre la que advierte su propia ficha del modelo, en la que la apariencia cambia entre clips en interacciones largas porque cada uno se simula a partir de como mucho un fotograma inicial.

Abro el cajón y la taza cae. PAN 2 gana, y no hay punto de comparación. La solicitud es un evento con un actor y una consecuencia física. El acondicionamiento de Hy-Nomas no tiene un campo para «el cajón se abre» separado de la cámara; puedes ponerlo en el prompt de texto, y su potenciador de prompts lo estructurará, pero el presupuesto de precisión del modelo se gastó en el punto de vista en lugar de en el contacto y la consecuencia. El contrato de descripción de PAN 2 existe precisamente para vincular acciones con actores y ordenarlas en el tiempo, y por eso IFM lanzó un validador que comprueba las descripciones contra el presupuesto del codificador de texto de 1.480 tokens flexibles y 1.536 estrictos, en lugar de dejar pasar prosa.

Genera doscientas variantes de una escena de manipulación para un conjunto de datos. Ambos están mal, pero de formas distintas. Hy-Nomas te dará doscientos movimientos de cámara coherentes a través de doscientos escenarios y muy poco control sobre si el brazo realmente agarra algo. PAN 2 te dará doscientos clips condicionados por acciones y, según su propia ficha, aproximadamente dos de cada tres planes contendrán al menos un paso que no se lleva a cabo; por lo tanto, un tercio de tu conjunto de datos será inutilizable a menos que crees un verificador. Ninguno es un motor de datos listo para usar; la diferencia está en si el fallo es una deriva geométrica o un paso omitido, y cuál de esos puede tolerar tu tarea posterior.

Esa tercera tarea es también la que determina tu hardware. Doscientos clips de 720p en ocho pasos en una única 4090 cuantizada es cosa de una tarde. Doscientos clips en un nodo de cuatro B300 a 119 segundos por cada trece segundos de vídeo es cuestión de un par de días, y esa aritmética es la verdadera razón por la que los dos modelos no son intercambiables incluso allí donde sus capacidades se solapan.

El mismo fracaso con dos nombres diferentes

Ambas tarjetas admiten la misma debilidad y ninguna la corrige: un modelo del mundo de horizonte largo pierde su mundo. PAN 2 afirma que la apariencia se desvía entre clips y señala la memoria perceptual como la pieza que falta. Hy-Nomas lo aborda directamente con una caché KV transportada y un patrón de atención causal que mantiene vivo el contexto descriptivo a lo largo de los segmentos mientras confina las instrucciones de acción a la ventana en la que se emitieron — y luego informa en su propia evaluación que todavía va por detrás de Genie 3 en memoria espacial a largo plazo.

Esa última admisión es más interesante que una victoria. Dice que el mecanismo de memoria funciona lo bastante bien como para superar a Genie 3 y LingBot-World v2 en interacción y seguimiento de instrucciones —alrededor de un 65 % de tasa de victorias en seguimiento de instrucciones en un benchmark de 280 casos que abarca texto multiturno, navegación de cámara, texto y cámara intercalados y memoria espacial— y aun así pierde en la categoría que mide si el mundo se mantiene estable. Esas son las comparaciones de los autores contra las líneas base elegidas por los autores en el benchmark de los autores y, como todos los números de esta categoría, no han sido reproducidas. Lo que no son es vagas: un modelo que publica dónde pierde es un modelo con el que se puede planificar.

La lectura útil para cualquiera que construya sobre cualquiera de los dos: la persistencia no es una propiedad que se pueda dar por sentada y verificar después. Es lo primero que hay que medir en tus propias escenas, con tu propia tolerancia a la deriva, antes de comprometer un pipeline con un modelo. Ninguno de los dos proveedores publica una curva de tiempo hasta el fallo —la duración a la que una escena deja de ser fiable—, y ese número ausente importa más que cualquier posición en un benchmark.

El costo no es una diferencia de redondeo, es la decisión.

Deja de lado por un momento el argumento de la capacidad y mira lo que se necesita para hacer funcionar cada uno durante una semana.

La ruta de una sola 4090 de Hy-Nomas es el hecho más trascendente de esta comparación, y es fácil pasarlo por alto bajo el despliegue de referencia de ocho GPU. Un DiT INT8 con caché KV, un decodificador FP8 y offload a CPU cabe en unos 38 GB, lo que significa que un estudio con una tarjeta de clase estación de trabajo puede generar vídeo interactivo en 720p sin alquilar nada. La configuración de ocho GPU es lo que describe el benchmark; la configuración de 4090 es lo que un lector puede hacer realmente esta misma noche.

PAN 2 no tiene publicada una ruta comparable. Su valor predeterminado documentado es de ocho H200 en BF16 con paralelismo de parches VAE en cuatro mosaicos, y la receta de servicio que todo el mundo cita —trece segundos de 704×1248 en aproximadamente 119 segundos— da por supuestos cuatro B300. Peor aún, el muestreador es caro por diseño: cincuenta pasos con una guía de 2.5 aplicada en cada paso son cien pasadas hacia adelante por un transformer de 29B por clip, y por eso la guía sin clasificador tiene que dividirse entre rangos y el paralelismo de secuencia repartirse entre más. No hay ninguna propuesta cuantizada para una sola tarjeta en la versión, y pretender lo contrario sería inventarla.

Así que la frase honesta sobre el coste es esta: Hy-Nomas cuesta una GPU que probablemente ya tienes, PAN 2 cuesta un nodo de GPU que probablemente no tienes, y ninguna cantidad de diferencia de calidad en uno u otro sentido cambia eso para un equipo pequeño.

El ángulo de enrutamiento aquí es limitado y merece precisarse, porque ambos son modelos que alojas tú mismo y ninguno está en el catálogo de OrcaRouter. Lo que sí es enrutable es la parte que ambas arquitecturas añadieron porque el texto libre no bastaba: la etapa de mejora de prompts. Nomas-PE de Hy-Nomas reescribe prosa en leyendas JSON estructuradas; el prompt-rewriter de PAN 2 mantiene un prompt de sistema, un prompt negativo fijo y un validador frente al presupuesto de tokens del codificador. Esas son llamadas a modelos de lenguaje, y son la etapa donde un modelo distinto cambia de forma medible lo que recibe el renderizador. IFM clasificó cuatro razonadores para su etapa de leyendas — Claude Opus 5.5, GPT-6 Astra con esfuerzo medio, Kimi K3, Qwen3.8-Flash — y los cuatro están en el catálogo, así que la mitad de reescritura de cualquiera de los dos pipelines se puede intercambiar y comparar con una sola clave al precio de lista del proveedor con 0 % de margen, con conmutación por error cuando una llamada de reescritura agota el tiempo de espera a mitad de lote. Los renderizadores de 29B y 8B se quedan en tu hardware. Eso es toda la afirmación.

Qué contienen realmente las dos tarjetas de modelo

Ambos lanzamientos dejan una carta en público y las cartas difieren en lo que están dispuestas a admitir.

El informe de Hy-Nomas, arXiv 2610.36729 del 27 de octubre de 2026, describe el truco que hace funcionar la interacción multiturno: los subtítulos estructurados se alinean con un patrón de atención causal consciente de las acciones, de modo que el contexto descriptivo persiste entre segmentos mientras que las instrucciones de acción quedan confinadas a la ventana en la que se emitieron. La evaluación es un benchmark de 280 casos en cuatro pistas —texto multiturno, navegación por cámara, texto y cámara intercalados, y memoria espacial—, juzgado mediante comparación por pares realizada por humanos frente a Genie 3, LingBot-World v2 y Happy Oyster. Gana en interacción y seguimiento de instrucciones, con una tasa de victoria reportada de alrededor del 65% en seguimiento de instrucciones, y pierde frente a Genie 3 en memoria espacial a largo plazo. Los pesos ocupan alrededor de 196 GB como tencent/Hy-Nomas bajo Apache 2.0, con código en GitHub y una demo alojada.

La ficha de PAN 2 es más larga y menos favorecedora. La arquitectura es la predicción latente generativa de Critique of World Models (arXiv 2507.05169), y el mismo documento que la describe enumera los fallos: aproximadamente dos de cada tres planes simulados omiten al menos un paso, la apariencia varía entre clips porque no hay un estado que se conserve, la redacción de la observación y la acción cambia el resultado, el texto expresa bien «abrir un cajón» y mal «colocar cada dedo aquí», una simulación puede avanzar mientras viola las leyes de la física, y aún no se mide la simulación de planes que deberían fallar.

Lee los dos uno al lado del otro y la diferencia en el estilo de divulgación es obvia. Hy-Nomas reporta una tasa de acierto y una pérdida; PAN 2 reporta una tasa de fallo y una lista. Ninguno de los dos es una auditoría, y ambos fueron escritos por los equipos que construyeron los modelos. Pero una ficha que te dice dónde pierde el modelo es un documento con el que puedes planificar, y ambas cumplen — lo que es más de lo que ofrecen la mayoría de sus competidores cerrados.

¿Cuál, y qué cambiaría la respuesta?

Elige Hy-Nomas si tu problema es la exploración o el contenido: un mundo por el que alguien camina, un movimiento de cámara que alguien dirige, una escena coherente en 720p a partir de un prompt en una sola tarjeta. Su mecanismo de memoria, su condicionamiento de cámara y su ruta para 4090 apuntan al mismo usuario: alguien que necesita ver un lugar y recorrerlo, de forma económica, ya.

Elige {{1}}PAN 2{{/1}} si tu problema es una decisión: un agente que necesita previsualizar qué hace una acción, un planificador que clasifica planes candidatos, una pregunta de investigación sobre si una descripción estructurada de un evento basta para generar su consecuencia. Su contrato de descripción, su arnés de pruebas publicado y sus pesos Apache-2.0 apuntan todos a un usuario con el que hay que discutir honestamente y que tiene el hardware para pagarlo.

Dos cosas romperían el empate de una manera que ningún proveedor permite actualmente. Una memoria al estilo Hy-Nomas conservada entre segmentos en un modelo con el condicionamiento de acción de PAN 2 sería un producto significativamente mejor que cualquiera de los dos. Un estudio de fallos publicado —PAN 2 simulando planes que deberían fallar, Hy-Nomas midiendo la deriva durante diez minutos en lugar de uno— respondería la pregunta que ambas tarjetas dejan abierta. Hasta que una de esas cosas se concrete, la elección no se trata de qué modelo es mejor. Se trata de si tu mundo es algo por lo que te desplazas o algo que te sucede.