PAN 2 vs Hy-Nomas : même licence, même famille d’architecture, deux définitions de « Action »

C’est la seule paire de la sélection actuelle de modèles du monde où la comparaison relève d’un véritable choix plutôt que d’une erreur de catégorie. PAN 2 est le modèle du monde de 29 milliards de paramètres de l’Institute of Foundation Models, sous Apache-2.0 sur Hugging Face depuis le 7 octobre 2026, avec le code publié le 5 novembre et une prise en charge Day-0 de vLLM-Omni le 10 novembre ; il transforme une image de départ et une action décrite en jusqu’à vingt secondes de vidéo 704×1248 à 24 images par seconde. Hy-Nomas est le modèle du monde vidéo interactif de T​encent Hunyuan, sous Apache 2.0, d’environ 8 milliards de paramètres, décrit dans arXiv 2610.36729 le 27 octobre 2026 ; il transforme une invite textuelle accompagnée d’une trajectoire de caméra continue en vidéo 720p à 24 images par seconde en huit étapes distillées. Les deux sont à poids ouverts. Les deux sont des transformeurs de diffusion qui génèrent de la vidéo à partir d’un signal de conditionnement. Les deux sont téléchargeables cet après-midi. Quiconque doit choisir entre eux ne peut s’appuyer sur la licence, la disponibilité ou la catégorie pour départager, ce qui est précisément ce qui rend l’exercice digne d’être mené avec soin.

Le point de départage qui fonctionne vraiment est une phrase qu’aucune des deux équipes ne met dans son résumé : ce qui compte comme une action. Le signal de contrôle de Hy-Nomas est la direction que prend la caméra. Le signal de contrôle de PAN 2 est ce qui se passe dans la scène, consigné par un modèle de langage sous forme d’une séquence d’événements liés à des acteurs. Ces signaux sont suffisamment différents pour qu’un prompt qui fonctionne bien sur l’un soit presque vide de sens sur l’autre, et si vous ne devez retenir qu’une seule chose de cette comparaison, c’est celle-là.

Deux interfaces de conditionnement, pas deux niveaux de qualité

Hy-Nomas se conditionne sur du texte ainsi qu’une trajectoire de caméra. La trajectoire est continue et géométrique : vous lui indiquez où le point de vue se déplace, et le modèle génère un segment conditionné par un historique mis en cache afin que le monde reste cohérent tout au long du parcours. Son enrichisseur de prompt, Nomas-PE, réécrit une prose libre en légendes JSON structurées, ce qui est la même intuition que suit le réécriveur de prompt de PAN 2, mais en sens inverse — les deux équipes ont conclu que le texte libre est trop vague pour servir de condition à un transformer de diffusion.

Là où elles divergent, c’est ce que décrit la forme structurée. La structure de Hy-Nomas est spatiale et centrée sur le point de vue ; ce qui est modélisé précisément, c’est le mouvement de la caméra à travers une scène. La structure de PAN 2 est temporelle et centrée sur l’acteur : les événements dans l’ordre, chaque action liée à l’acteur qui l’accomplit, plus le mouvement de caméra comme un champ parmi plusieurs. Si l’on lit la formulation de l’IFM elle-même, l’accent est indéniable — la légende décrit ce qui se passe après une action, et la démonstration qui a rendu le modèle célèbre est une fraise tombée dans un bol où le remplacement du fruit ou du liquide modifie l’éclaboussure.

• Conditionnement — Hy-Nomas prend un texte libre ainsi qu’une trajectoire de caméra continue ; PAN 2 prend une première image facultative ainsi qu’une légende d’action structurée et ancrée dans le temps.

• Ce que signifie « action » — {{1}}Hy-Nomas{{/1}} : un mouvement de caméra, c’est-à-dire où l’on regarde ; {{2}}PAN 2{{/2}} : un événement avec un acteur, c’est-à-dire ce qui se passe.

• Structure des segments — Hy-Nomas est autorégressif par segments sur un historique KV mis en cache, de sorte que le contexte se propage d’un segment à l’autre ; PAN 2 simule chaque clip à partir d’au plus une image de départ et de texte, sans état transmis entre les clips.

• Sortie — Hy-Nomas : 720×1280 à 24 fps en huit étapes distillées ; PAN 2 : 704×1248 à 24 fps sur cinquante étapes d’échantillonnage avec un guidage de 2,5.

• Taille — Hy-Nomas : environ 8B répartis sur 54 blocs MMDiT à double flux avec une taille cachée de 2 048, plus un décodeur PixelUMM affiné sur les latents DCAE-V ; PAN 2 : un MMDiT de 29B ainsi qu’un encodeur de texte Qwen3.5-9B gelé et un VAE Wan 2.2.

• Matériel — Hy-Nomas : huit GPU dans le déploiement de référence, avec une configuration à une seule RTX 4090 utilisant un DiT INT8, un cache KV, un décodeur FP8 et un offload CPU à environ 38 Go ; PAN 2 : huit H200 en BF16 comme configuration par défaut documentée, avec une recette traitant treize secondes de vidéo en environ 119 secondes sur quatre B300.

• Taille des poids — Hy-Nomas : {{1}}environ 196 Go sur Hugging Face sous tencent/Hy-Nomas{{/1}} ; {{2}}PAN 2 : 86,17 Go répartis sur soixante fichiers sous IFM/PAN2{{/2}}.

Sept dimensions, et aucune d’elles n’est un score. Ce qu’elles décrivent, c’est une divergence de conception : Hy-Nomas a investi ses paramètres dans le maintien de la cohérence d’un monde pendant qu’on le traverse, PAN 2 a investi ses paramètres dans la prédiction de l’effet d’une action. Un trajet de caméra est peu coûteux à spécifier et difficile à contrefaire ; une séquence d’événements est expressive et coûteuse à générer.

Là où la différence se fait sentir : trois tâches, les deux modèles

Les contrastes abstraits ne coûtent rien. Ceux-ci sont concrets.

Faites-moi faire le tour d’un appartement. Hy-Nomas l’emporte haut la main. Vous voulez un parcours continu à travers un couloir puis jusque dans une cuisine, la pièce derrière vous restant la pièce derrière vous. C’est de la génération autorégressive par segments sur un historique mis en cache, exactement ce à quoi son architecture est destinée, et PAN 2 ne peut pas le faire : il génère un clip, et le clip suivant démarre à partir d’une image que vous fournissez, sans mémoire de ce qui précède. Enchaîner des clips PAN 2 pour créer une visite produit la dérive que sa propre fiche de modèle signale, où l’apparence change d’un clip à l’autre lors d’interactions longues parce que chacun est simulé à partir d’au plus une image de départ.

J'ouvre le tiroir et la tasse tombe. PAN 2 l'emporte, et ce n'est pas serré. La requête est un événement avec un acteur et une conséquence physique. Le conditionnement de Hy-Nomas n'a pas de champ pour « le tiroir s'ouvre » séparé de la caméra — vous pouvez le mettre dans le prompt texte, et son amplificateur de prompt le structurera, mais le budget de précision du modèle a été dépensé sur le point de vue plutôt que sur le contact et la conséquence. Le contrat de légende de PAN 2 existe précisément pour lier les actions aux acteurs et les ordonner dans le temps, ce qui explique pourquoi IFM a livré un validateur qui vérifie les descriptions par rapport au budget de l'encodeur de texte, fixé à 1 480 tokens en souple et 1 536 en dur, plutôt que de laisser passer de la prose.

Générez deux cents variantes d’une scène de manipulation pour un jeu de données.Tous deux sont erronés, mais différemment. Hy-Nomas vous donnera deux cents mouvements de caméra cohérents à travers deux cents scènes et très peu de contrôle sur le fait que le bras saisisse réellement quelque chose. PAN 2 vous donnera deux cents clips conditionnés par l’action et, d’après sa propre fiche, environ deux plans sur trois contiendront au moins une étape qui n’est pas exécutée — ainsi, un tiers de votre jeu de données sera inutilisable, à moins que vous ne construisiez un vérificateur. Aucun des deux n’est un moteur de données prêt à l’emploi ; la différence tient à ce que l’échec soit une dérive géométrique ou une étape omise, et à lequel de ces deux défauts votre tâche en aval peut tolérer.

Cette troisième tâche est aussi celle qui détermine votre matériel. Deux cents clips de 720p en huit étapes sur une seule 4090 quantifiée, c’est l’affaire d’un après-midi. Deux cents clips sur un nœud de quatre B300 à 119 secondes pour treize secondes de vidéo, c’est l’affaire de deux jours environ, et ce calcul est la vraie raison pour laquelle les deux modèles ne sont pas interchangeables, même là où leurs capacités se chevauchent.

La même défaillance sous deux noms différents

Les deux fiches admettent la même faiblesse et aucune ne la corrige : un modèle du monde à long horizon finit par perdre son monde. PAN 2 indique que l'apparence dérive d'un clip à l'autre et désigne la mémoire perceptuelle comme la pièce manquante. Hy-Nomas y répond directement avec un cache KV porté et un schéma d'attention causal qui maintient le contexte descriptif vivant d'un segment à l'autre tout en confinant les instructions d'action à la fenêtre dans laquelle elles ont été émises — puis rapporte dans sa propre évaluation qu'il reste en retrait de Genie 3 sur la mémoire spatiale à long terme.

Cet aveu final est plus intéressant qu’une victoire. Il indique que le mécanisme de mémoire fonctionne suffisamment bien pour battre Genie 3 et LingBot-World v2 sur l’interaction et le suivi des prompts — environ 65 % de taux de victoire en suivi des prompts sur un benchmark de 280 cas couvrant le texte multi-tours, la navigation par caméra, l’alternance de texte et de caméra, et la mémoire spatiale — et qu’il perd néanmoins sur l’axe qui mesure si le monde reste en place. Ce sont les comparaisons des auteurs avec les baselines choisies par les auteurs sur le benchmark des auteurs, et, comme tous les chiffres de cette catégorie, elles ne sont pas reproduites. Elles ne sont pas vagues pour autant : un modèle qui publie ses points faibles est un modèle autour duquel on peut planifier.

La traduction utile pour quiconque construit sur l’une ou l’autre : la persistance n’est pas une propriété que l’on peut supposer acquise et vérifier plus tard. C’est la première chose à mesurer sur vos propres scènes, avec votre propre tolérance à la dérive, avant d’engager un pipeline sur un modèle. Aucun des deux fournisseurs ne publie de courbe de temps avant défaillance — la durée au bout de laquelle une scène cesse d’être fiable — et ce chiffre manquant compte plus que n’importe quelle position dans un benchmark.

Le coût n’est pas une différence d’arrondi, c’est la décision.

Mettons un instant de côté l’argument des capacités et regardons ce qu’il faut pour faire fonctionner chacun d’eux pendant une semaine.

La configuration mono-4090 de Hy-Nomas est le fait le plus lourd de conséquences de cette comparaison, et il est facile de la manquer sous le déploiement de référence à huit GPU. Un DiT en INT8 avec un cache KV, un décodeur FP8 et un déport vers le CPU tient dans environ 38 Go, ce qui signifie qu’un studio disposant d’une seule carte de classe station de travail peut générer de la vidéo interactive en 720p sans rien louer. La configuration à huit GPU est ce que décrit le benchmark ; la configuration 4090 est ce qu’un lecteur peut réellement faire ce soir.

PAN 2 n’a pas de chemin comparable publié. Son défaut documenté est de huit H200 en BF16 avec un parallélisme de patch VAE sur quatre tuiles, et la recette de serving que tout le monde cite — treize secondes de 704×1248 en environ 119 secondes — suppose quatre B300. Pire, l’échantillonneur est coûteux par conception : cinquante étapes avec un guidage de 2,5 appliqué à chaque étape représentent cent passes avant dans un transformeur de 29B par clip, ce qui explique pourquoi le guidage sans classifieur doit être réparti entre les rangs et le parallélisme de séquence étendu à davantage de rangs. Il n’y a pas de scénario mono-carte quantifié dans la publication, et prétendre le contraire serait l’inventer.

Donc, la phrase honnête sur le coût est celle-ci : Hy-Nomas coûte un GPU que vous avez probablement, PAN 2 coûte un nœud GPU que vous n’avez probablement pas, et aucun écart de qualité, dans un sens ou dans l’autre, ne change cela pour une petite équipe.

L’angle de routage ici est étroit et mérite d’être énoncé avec précision, car ce sont tous deux des modèles que vous hébergez vous-même et aucun ne figure au catalogue OrcaRouter. Ce qui est routable, c’est la partie que les deux architectures ont ajoutée parce que le texte libre ne suffisait pas : l’étape d’amélioration du prompt. Nomas-PE de Hy-Nomas réécrit la prose en légendes JSON structurées ; le réécriveur de prompt de PAN 2 comporte un prompt système, un prompt négatif fixe et un validateur par rapport au budget de tokens de l’encodeur. Ce sont des appels à des modèles de langage, et c’est l’étape où un modèle différent modifie de façon mesurable ce que reçoit le moteur de rendu. IFM a classé quatre raisonneurs pour son étape de légendage — Claude Opus 5.5, GPT-6 Astra en effort moyen, Kimi K3, Qwen3.8-Flash — et tous les quatre figurent au catalogue, de sorte que la moitié de réécriture de l’un ou l’autre pipeline peut être échangée et comparée via une seule clé au tarif catalogue du fournisseur avec 0 % de marge, avec basculement lorsqu’un appel de réécriture expire au milieu d’un lot. Les moteurs de rendu 29B et 8B restent sur votre matériel. C’est toute l’affirmation.

Ce que contiennent réellement les deux fiches de modèle

Les deux publications rendent une carte publique, et les cartes diffèrent quant à ce qu’elles sont prêtes à admettre.

Le rapport de Hy-Nomas, arXiv 2610.36729 du 27 octobre 2026, décrit l’astuce qui permet à l’interaction multi-tours de fonctionner : les légendes structurées sont alignées sur un schéma d’attention causale prenant en compte les actions, de sorte que le contexte descriptif persiste d’un segment à l’autre tandis que les instructions d’action restent confinées à la fenêtre dans laquelle elles ont été émises. L’évaluation est un benchmark de 280 cas réparti en quatre pistes — texte multi-tours, navigation par caméra, texte et caméra entrelacés, et mémoire spatiale — jugé par comparaison humaine par paires avec Genie 3, LingBot-World v2 et Happy Oyster. Il l’emporte sur l’interaction et le suivi des instructions, avec un taux de victoire rapporté d’environ 65 % sur le suivi des instructions, et il perd face à Genie 3 sur la mémoire spatiale à long terme. Les poids font environ 196 Go sous tencent/Hy-Nomas, sous licence Apache 2.0, avec le code sur GitHub et une démo hébergée.

La fiche du PAN 2 est plus longue et moins flatteuse. L'architecture repose sur la prédiction latente générative de Critique of World Models (arXiv 2507.05169), et le même document qui la décrit énumère les défaillances : environ deux plans simulés sur trois perdent au moins une étape, l'apparence dérive d'un clip à l'autre faute d'état conservé, la formulation de l'observation et de l'action change le résultat, le texte exprime bien « ouvrir un tiroir » et mal « placer chaque doigt ici », une simulation peut progresser tout en violant les lois de la physique, et la simulation de plans censés échouer n'est pas encore mesurée.

Lisez les deux côte à côte et la différence de style de divulgation saute aux yeux. Hy-Nomas rapporte un taux de réussite et une perte ; PAN 2 rapporte un taux d’échec et une liste. Aucune des deux n’est un audit, et les deux ont été rédigées par les équipes qui ont construit les modèles. Mais une fiche qui vous dit où le modèle échoue est un document sur lequel vous pouvez vous appuyer pour planifier, et ces deux fiches remplissent ce critère — ce qui est plus que ce qu’offrent la plupart de leurs concurrents fermés.

Lequel, et qu’est-ce qui changerait la réponse ?

Choisissez Hy-Nomas si votre problème est l'exploration ou le contenu : un monde dans lequel quelqu'un se déplace, un mouvement de caméra que quelqu'un dirige, une scène 720p cohérente générée à partir d'un prompt sur une seule carte. Son mécanisme de mémoire, son conditionnement caméra et son parcours 4090 pointent tous vers le même utilisateur — quelqu'un qui a besoin de voir un lieu et de le parcourir, à moindre coût, maintenant.

Choisissez PAN 2 si votre problème est une décision : un agent qui doit prévisualiser ce que fait une action, un planificateur qui classe des plans candidats, une question de recherche visant à savoir si une description structurée d’un événement suffit à générer sa conséquence. Son contrat de légende, son banc d’essai publié et ses poids Apache-2.0 désignent tous un utilisateur avec qui il faut débattre honnêtement et qui dispose du matériel pour en payer le prix.

Deux choses départageraient les deux, d’une manière qu’aucun des deux fournisseurs ne permet actuellement. Une mémoire de type Hy-Nomas transportée d’un segment à l’autre sur un modèle doté du conditionnement à l’action de PAN 2 serait un produit nettement supérieur à l’un comme à l’autre. Une étude d’échec publiée — PAN 2 simulant des plans qui devraient échouer, Hy-Nomas mesurant la dérive sur dix minutes plutôt qu’une seule — répondrait à la question que les deux fiches laissent en suspens. Tant que l’un de ces deux éléments n’aura pas abouti, le choix ne porte pas sur le modèle qui est le meilleur. Il porte sur la question de savoir si votre monde est un espace que vous traversez ou quelque chose qui vous arrive.