PAN 2 vs Hunyuan3D WorldClaw : un modèle en deux moitiés, ou cinquante modèles en trench-coat

Put these two side by side and the first thing you notice is that they are not the same kind of object. PAN 2 is a model: 29 billion parameters of multi-modal diffusion transformer from the Institute of Foundation Models, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, and it does one thing — given a starting frame and a described action it renders up to twenty seconds of 704×1248 video at 24 frames per second predicting the consequence. Hunyuan3D WorldClaw is a framework: T​encent Hunyuan's agentic pipeline for turning one open-ended text prompt into an explorable 3D scene made of explicit textured per-object meshes, described in arXiv 2608.05248 on 5 August 2026 and announced on 11 August, with a repository that holds a README and assets and no code. One is a downloadable checkpoint you run. The other is a published method you would have to rebuild.

La deuxième chose que l’on remarque est plus utile. L’article de WorldClaw lui-même nomme les modèles qu’il utilise, et cette liste est un inventaire de composants tiers : Claude Opus 4.8 pour la planification, GPT-Image-2 pour l’imagerie, SAM3 et SAM3D pour la segmentation, Hunyuan3D pour la reconstruction, Blender 5.1.1 piloté via MCP pour l’assemblage, le tout sur quatre NVIDIA H20. PAN 2 nomme un composant et le laisse interchangeable : n’importe quel modèle de langage capable de suivre des instructions rédige la légende structurée, et IFM en a classé quatre. C’est là la vraie comparaison — non pas des scènes contre de la vidéo, mais ce qui arrive à un système lorsque l’intelligence est répartie sur une chaîne de fournisseurs au lieu d’être concentrée dans un seul checkpoint.

Deux architectures, dessinées honnêtement

La conception de PAN 2 est la Generative Latent Prediction, d'après Critique des modèles du monde (arXiv 2507.05169). Un raisonneur conceptuel écrit l'état suivant du monde sous la forme d'une description structurée et ancrée dans le temps — les événements dans l'ordre, les actions liées aux acteurs, le mouvement de caméra — un encodeur de texte Qwen3.5-9B gelé la transforme en caractéristiques de conditionnement, un transformateur de diffusion de 29B complète les détails perceptifs, et un VAE Wan 2.2 décode les images. Deux moitiés, un dépôt, une licence.

La conception de WorldClaw est une boucle de raffinement en quatre étapes que ses auteurs décrivent comme allant du grossier au fin : des agents de modèle de langage lisent le prompt et produisent un plan de scène ; une passe globale génère la disposition sémantique, les champs de hauteur et les matériaux afin que le sol soit cohérent avant que quoi que ce soit n’y repose ; les régions sont rendues, segmentées et reconstruites en maillages individuels via Hunyuan3D ; et un agent de vision inspecte le rendu pour détecter les objets flottants, les interpénétrations, les échelles erronées et les poses incorrectes, puis renvoie des corrections. La promesse de géométrie explicite est tenue — vous obtenez des objets, pas une masse fusionnée ni un splat gaussien — et les agents font leur travail une fois, avant même que vous ne chargiez la scène.

Where the two converge is the part worth internalising: in both systems the pixels are the fast, cheap half and a language model decides what should exist. Where they diverge is who owns the language model. IFM treated the reasoner as a variable and published the harness that ranked the candidates. T​encent treated the reasoner as a dependency and named one.

Ce que le mot « agentic » apporte, et ce qu’il coûte

Le piège de cette comparaison, c'est que les deux annonces emploient le mot, mais qu'aucune ne lui donne le même sens.

• Les agents comme auteurs — les planificateurs de WorldClaw décomposent un prompt en un plan de scène et son agent de vision émet des corrections ; le raisonneur de PAN 2 rédige une légende décrivant ce qui se passe ensuite.

• Quand l'intelligence s'exécute — celle de WorldClaw s'exécute une fois, dans la boucle de création, et disparaît lorsque les maillages sont exportés ; celle de PAN 2 s'exécute une fois par clip, à chaque appel, pendant toute la durée de vie du système.

• Type de sortie — {{1}}WorldClaw{{/1}} renvoie un fichier de scène avec des maillages, des matériaux et des transformations individuels ; {{2}}PAN 2{{/2}} renvoie un MP4 qui ne contient aucune géométrie.

• Éditabilité — La sortie de WorldClaw s'ouvre dans un modeleur, y est retopologisée puis placée ; la seule surface éditable de PAN 2 étant le texte de description, toute révision implique un nouveau rendu.

• Surface de dépendance — WorldClaw nécessite six composants sous licence distincte et une installation de Blender ; PAN 2 nécessite les poids, un encodeur de texte et un VAE.

• Ce que signifie « bon » — WorldClaw est jugé sur la capacité de la scène à se composer sans objets flottants ; PAN 2 est jugé sur le point de savoir si la conséquence qu'il produit est bien celle que l'action produirait réellement.

Le coût de l’intelligence dispersée de WorldClaw n’est pas conceptuel, il est opérationnel : six composants signifient six jeux de conditions, six modes de défaillance et six endroits où un incrément de version peut modifier le résultat. Le coût de l’intelligence concentrée de PAN 2 est l’inverse — une seule licence, un seul arbre de dépendances, et un moteur de raisonnement que vous devez évaluer vous-même, parce que le classement qu’en fait le fournisseur est celui du fournisseur.

Aucun des deux coûts n’est un défaut. Mais cela explique pourquoi les deux sont rarement la bonne réponse à la même question : l’un est un pipeline de contenu, l’autre un moteur de conséquences, et une équipe qui a besoin de maillages ne trouvera rien dans PAN 2 pour l’aider.

Deux pipelines, écrits sous forme d’une séquence d’étapes

C’est dans la séquence que la différence entre un modèle et un framework apparaît le plus clairement.

• PAN 2, un seul appel — lisez l’observation et l’action demandée, écrivez l’état structuré du monde, encodez-le, exécutez cinquante étapes de diffusion avec un guidage de 2,5, décodez vingt secondes de 704×1248. Rien de cette séquence ne persiste après le clip.

• WorldClaw, quatre étapes — planifier la scène avec un modèle de langage, générer une disposition sémantique globale et des champs de hauteur, rendre et segmenter les régions puis reconstruire chacune en un maillage, enfin inspecter le rendu avec un agent de vision et renvoyer des corrections. Rien dans cette séquence n’est un modèle unique.

• Où réside l'état — le seul artefact durable de PAN 2 est la légende et le MP4 ; celui de WorldClaw est un fichier de scène avec des maillages, des matériaux et des transformations individuels qui survit au pipeline.

• Où cela peut échouer — PAN 2 échoue à l’intérieur du rendu : une étape omise, une dérive, un raccourci physique. WorldClaw échoue au niveau d’une jointure : un planificateur qui a mal interprété le prompt, un segmenteur qui a coupé un objet en deux, un reconstructeur qui a produit une mauvaise échelle, un assembleur qui a fait s’interpénétrer deux maillages.

• Ce que vous pouvez inspecter — PAN 2 vous fournit une vidéo et un budget de jetons ; WorldClaw vous fournit une géométrie que vous pouvez mesurer, et donc des erreurs que vous pouvez attribuer.

La dernière ligne est celle qui vaut la peine d’être conservée. Un échec que l’on peut attribuer est moins coûteux à corriger qu’un échec que l’on ne peut que constater, et un pipeline de maillage vous l’offre gratuitement, car les artefacts intermédiaires sont inspectables. Un pipeline vidéo vous donne une réponse finale et une légende, et lorsque la réponse est fausse, votre seul levier est la légende.

Cela explique aussi pourquoi l’étape de correction de l’agent de vision de WorldClaw existe tout simplement. L’interpénétration, les objets flottants, une pose incorrecte et une échelle incorrecte sont les modes de défaillance de l’assemblage d’une géométrie à partir de pièces générées séparément, et aucun d’eux n’est visible tant que l’on n’a pas rendu la scène et regardé. Un modèle unique n’a pas besoin de cette étape, car un modèle unique ne peut pas produire une scène dont les parties se contredisent — il ne peut produire qu’une scène fausse dans son ensemble.

L’écart d’évaluation n’est pas symétrique, et il pointe dans la direction opposée à celle des licences.

L’évaluation publiée de WorldClaw est qualitative. L’article compare sa sortie côte à côte à SynCity, WorldGen, MajutsuCity et Marble, et il n’y a ni FID, ni score CLIP, ni étude utilisateur avec un chiffre associé. Pour un article décrivant un cadre de génération de scènes, c’est une véritable lacune, et toute équipe qui le réimplémente devrait considérer « semble meilleur que SynCity » comme une hypothèse plutôt qu’un résultat.

PAN 2 a publié plus de résultats, et décrit ses conditions d'évaluation avec plus de précision que ne le font la plupart des sorties de modèles vidéo. Trois cents cas de test à action unique répartis en six catégories de capacités, dont 201 en image-vers-vidéo et 99 en texte-vers-vidéo ; cent tâches égocentriques du quotidien posées dans les deux modalités, 200 prompts et 456 étapes, évaluées sur l'achèvement des étapes et l'achèvement du plan complet sur trois graines ; Physics-IQ Verified en configuration image-vers-vidéo, normalisé de sorte que la variance entre deux prises réelles soit égale à 100 ; PhyGround sur une échelle en cinq points, jugée par Qwen3.8-27B ; RBench comme moyenne non pondérée sur cinq catégories de tâches et quatre catégories d'incarnation ; et une étude humaine en aveugle par comparaisons par paires sur 140 prompts, avec treize évaluateurs et 1 400 comparaisons, un score Elo ajusté par Bradley–Terry et centré sur 1500.

Treize évaluateurs, c’est un petit comité, et ils jugeaient le modèle des auteurs face aux références des auteurs, les modèles de comparaison fermés ayant été générés une seule fois via une API d’inférence tierce et plusieurs lignes étant signalées comme mono-graine. Rien de tout cela n’est indépendant. Tout cela est lisible, ce qui est la meilleure alternative — et c’est la différence entre une version publiée avec laquelle on peut débattre et une autre que l’on ne peut que contempler.

Les licences vont donc à l’inverse de ce que montrent les preuves. PAN 2 est sous Apache-2.0, sans restriction d’accès, 86,17 gigaoctets répartis sur soixante fichiers, aucune exigence d’attribution, aucun seuil d’utilisateurs. WorldClaw n’a aucune licence à lire, car il n’y a rien à licencier : le projet GitHub contient un README et des ressources, aucun code, aucun poids, aucun script d’inférence, aucune API et aucun prix. Un article de framework sans implémentation est une description d’une méthode, pas un outil, et l’exigence de quatre H20, ainsi que sa dépendance à une pile de modèles sous licences distinctes, signifie qu’une mise à disposition ne serait pas un téléchargement prêt à l’emploi même si elle avait lieu.

Là où un routeur est réellement porteur de charge, et ce n’est pas là où vous l’imaginez

C'est l'un de ces rares duos où le fait commercial intéressant se situe du côté du framework. Le volet planification de WorldClaw n'est pas un modèle mystère derrière une API — il est nommé dans l'article, et les composants qu'il nomme sont des modèles ordinaires du catalogue. Claude Opus 4.8 figure au catalogue d'OrcaRouter. GPT-Image-2 aussi. Tout comme les quatre raisonneurs classés par IFM pour l'étape de légendage de PAN 2 : Claude Opus 5.5, GPT-6 Astra, Kimi K3 et Qwen3.8-Flash.

Cela signifie qu'une équipe qui réimplémente la décomposition WorldClaw — plan, terrain, objets, affinage — peut assembler dès aujourd'hui les étapes de langage et d'image via une seule clé, au prix catalogue de chaque fournisseur, répercuté avec 0 % de marge, avec bascule automatique si un appel de planification expire en cours de construction. La même clé alimente l'emplacement du raisonneur de PAN 2 lorsque vous changez le générateur de légendes entre les expériences et gardez le moteur de rendu 29B fixe sur votre propre nœud. Ce qu'OrcaRouter ne fait pas, c'est héberger PAN 2 ou Hunyuan3D WorldClaw : l'un est un modèle de diffusion vidéo que vous exécutez sur votre matériel, l'autre n'existe nulle part sous forme de code exécutable. Rien dans cet article ne doit être interprété comme suggérant le contraire.

La formulation honnête, c’est que nous orchestrons les jonctions. Dans un pipeline de type WorldClaw, il y en a trois — du prompt au plan, du plan à l’image, du rendu au critique — et chacune est un appel facturé. Dans un pipeline PAN 2, il n’y en a qu’une, et c’est la seule partie qui n’a pas besoin de GPU. C’est une affirmation plus restreinte que « nous faisons tourner des modèles du monde », et c’est la vraie.

Ce que chaque design vous apprend, même si vous n’en exécutez aucun

L’idée la plus transférable de WorldClaw est la décomposition, pas la scène. Planifier, disposer le terrain, reconstruire les objets individuellement, puis inspecter et corriger — cette structure en quatre étapes constitue une architecture solide pour tout pipeline dont la sortie doit être modifiée par la suite, et le choix du maillage explicite est le bon pour tout ce qui sort du pipeline et aboutit dans un moteur de jeu. La boucle de correction avec un agent de vision qui vérifie la présence d’objets flottants et d’échelles incorrectes est la partie que la plupart des équipes sautent et que la plupart regrettent d’avoir sautée.

L'idée la plus transférable de PAN 2 est le contrat de description. L'interface n'est pas une zone de saisie de prompt ; c'est une description structurée et ancrée dans le temps, avec un budget de 1 480 tokens souples et de 1 536 tokens stricts, une compétence de réécriture de prompt livrée, un prompt négatif fixe et un validateur qui vérifie les descriptions par rapport à la limite de l'encodeur. Le texte libre est réécrit avant utilisation, et la fiche modèle indique clairement que les études de cas d'agents reposaient sur des prompts affinés à la main. Toute équipe qui construit un modèle du monde ou en utilise un devrait s'en inspirer : le contrat entre la moitié raisonnement et la moitié rendu est l'endroit où la qualité se gagne ou se perd, et il mérite un schéma plutôt qu'une intuition.

Les deux conceptions partagent aussi un échec que le domaine n’a pas résolu, et elles y échouent différemment. PAN 2 dérive en apparence d’un clip à l’autre, car chacun est simulé à partir d’au plus une image de départ et de texte, et sa fiche identifie la mémoire perceptive comme la pièce manquante ; sa propre section sur les limites commence par l’aveu qu’environ deux plans simulés sur trois contiennent au moins une étape qui n’est pas exécutée. La dérive de WorldClaw est géométrique et spatiale : interpénétration, échelle erronée, objets qui flottent, ce qui explique pourquoi il a besoin d’un agent de vision dans la boucle. L’un a besoin d’une mémoire, l’autre d’un inspecteur, et aucun n’a publié de courbe mesurée de la dégradation dans le temps.

La décision, en une seule passe

Si vous avez besoin d'un lieu — un niveau, un jeu de données d'intérieur synthétique, un plateau de production virtuelle — WorldClaw est la référence la plus pertinente, et vous ne pouvez pas l'exécuter. Reprenez la décomposition en quatre étapes et la sortie explicite en maillage dans votre propre implémentation, prévoyez au budget une machine de la classe des quatre H20 ainsi qu'une dépendance à Blender, et remplacez l'évaluation qualitative par quelque chose que vous pouvez mesurer, car l'article ne vous en fournit pas.

Si vous avez besoin d’une conséquence — de ce que fait un plan, avant de vous y engager — PAN 2 est téléchargeable cet après-midi, sous licence permissive, et honnête sur son échec dans deux plans sur trois. Lisez d’abord la page des limitations, gardez un vérificateur dans la boucle et attendez-vous à dépenser des heures de GPU plutôt que des dollars par token : treize secondes de vidéo prennent environ 119 secondes sur quatre B300, et l’échantillonneur effectue une centaine de passes avant par clip.

Si vous construisez le produit qu’aucun des deux laboratoires n’a livré — un monde que vous pouvez éditer sous forme de géométrie, puis dont vous pouvez observer le comportement —, vous l’assemblez vous-même à partir d’un refiner, d’un constructeur de scène, d’un moteur de rendu et d’un modèle de langage, à chaque jonction. C’est plus de travail que ne le suggère chacune des deux annonces, et c’est là que va se jouer la prochaine année de travail pratique dans cette catégorie.

Ce qui changerait cette page, c’est du code. Une publication de WorldClaw avec des poids et un script d’inférence transformerait une méthode en outil et rendrait la comparaison effective ; une variante de PAN 2 qui émettrait de la profondeur en même temps que le RGB ferait de même dans l’autre sens. Ni l’une ni l’autre n’existe aujourd’hui. D’ici là, le résumé exact est celui d’un moteur de conséquences téléchargeable et d’un cadre de scène impossible à construire, et la seule chose qu’ils partagent véritablement est l’ambition de prédire un monde plutôt que d’en produire une image.