Hi3D V1.0 לעומת CARI4D: אותו עמוד שדרה, שתי שאלות שונות
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 14 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 152 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1068 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 157 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1885 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 49 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 104 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
העובדה המבהירה ביותר לגבי Hi3D V1.0 ו־CARI4D היא ששניהם יכולים לקרוא ל־Hunyuan3D-2 של Tencent. Hi3D V1.0, שיצא ב־23 באוקטובר 2026 כיורש בקוד פתוח של Sparc3D, משתמש במתאם Hunyuan3D-2 mini בהדגמה שלו כדי להפיק את המש הגס שהוא לאחר מכן מעדן. CARI4D, שחזור 4D שאינו תלוי בקטגוריה של אינטראקציית אדם–אובייקט מבית NVIDIA, משתמש ב־Hunyuan3D-2 כדי לשחזר את המש של האובייקט מהפריים הראשון של סרטון לפני שהוא עוקב אחרי תנועת האובייקט. אותו מודל גיאומטריה במעלה הזרם, שתי משימות שונות לחלוטין: Hi3D שואל איך אמורה להיראות פני השטח של האובייקט ברזולוציה גבוהה, ו־CARI4D שואל מה האדם והאובייקט עשו לאורך זמן.
היכן Hunyuan3D-2 באמת ממוקם
כדאי להיות מדויקים, כי "שניהם משתמשים ב-Hunyuan3D" יכול לרמוז על קשר הדוק יותר ממה שקיים בפועל.
ספריית הליבה של Hi3D אינה דורשת את Hunyuan כלל. צינור העידון מקבל תמונת ייחוס ורשת גסה, ו־demo/refine_mesh.py אינו מייבא דבר מ-Tencent. מתאם ה-mini של Hunyuan3D-2 נמצא ב־demo/coarse_stage.py, הוא אופציונלי, וקיים כדי שמישהו שיש לו רק תמונה יוכל להפיק את הרשת הגסה שהמעדן זקוק לה. הקוד, המשקלים והפלטים של Tencent נשמרים תחת הרישיון שלהם וחייבים להתקבל בנפרד. בצינור ייצור, Hunyuan הוא אחד ממקורות ה-upstream האפשריים מבין רבים.
התלות של CARI4D היא מבנית. שלב שחזור האובייקט שלה לוקח את הפריים הראשון, מבצע סגמנטציה לאובייקט שעבר מניפולציה, ומשחזר את הגאומטריה שלו באמצעות Hunyuan3D-2. הרשת הזו מוצבת לאחר מכן בקנה מידה מטרי באמצעות UniDepth וחיפוש מגס לעדין דרך FoundationPose. יתר הצינור — NLF עבור האדם, שלב בחירת השערת תנוחה, CoCoNet לתיקון רנדור-והשוואה, ואופטימיזציה משותפת מודעת מגע — תלוי בכך שרשת האובייקט הזו תהיה טובה מספיק כדי לבצע מעקב מולה.
התוצאה היא המסגרת השימושית להשוואה הזו. כל מטרתו של Hi3D היא לתקן את סוג הגאומטריה ש-Hunyuan3D-2 מייצר. מטרתו של CARI4D היא לשחזר תנועה, והוא מתייחס לרשת כאל קלט שהוא יורש. מודל אחד מכוון לנקודת החולשה של האחר בלי שאף אחד מהפרויקטים מצהיר על כך.
![A screenshot of the NVlabs/CARI4D GitHub repository, captured 23 October 2026, showing the repository name and public label, 2 branches, 0 tags, 17 commits, 216 stars and 24 forks, the About text '[CVPR 2026] CARI4D: Category Agnostic 4D Reconstruction of Human-Object Interaction', the file listing including behave_data, docker, docs, learning, lib_smpl, prep, scripts, splits, tools, LICENSE, README.md, Utils.py, estimator.py, requirements.txt and run_horefine.py, a Releases panel reading 'No releases published', and the README heading with the paper title and the author list.](https://cms.orcarouter.ai/api/media/file/2-2575.png)
למה מיועד כל מודל נלמד
הרכיב הנלמד של Hi3D הוא flow דליל המותנה במאפייני תמונה, המוגדר על קואורדינטות שנלקחות מהרשת הגסה. הוא דוגם לטנטים דלילים, מפענח אותם עם VAE דליל עם גיזום עצמי, מחלץ משטח, מבצע רה־ווקסליזציה וחוזר על התהליך. שלושה מעברים מובילים את רשת המבנה מ־64³ ל־128³ ול־192³ ואת רשת החילוץ הדלילה מ־512³ ל־1024³ ול־1536³, עם 25 עדכוני מתזמן בכל מעבר. המודל לומד פרטים גאומטריים מקומיים: קצוות, מבנים דקים, רציפות משטח — החלקים שמחולל גס מעלים בהחלקה.
הרכיב הנלמד של CARI4D הוא CoCoNet, רשת render-and-compare. היא מרנדרת את האומדן הנוכחי של האובייקט והאדם ל-RGB, עומק ומסכות, מקודדת את הרינדור הזה עם DINOv2 ViT-B/14 ומקודד XYZ-and-mask בעל שישה ערוצים מסוג ViT-S/14, מריצה קשב מרחבי-זמני, ומבצעת רגרסיה לתיקוני תנוחה לכל פריים וכן לשני לוגיטים של מגע יד. הצ'קפוינט המחקרי הוא 194M פרמטרים; גרסת MHR ברישוי מסחרי ששוחררה ב-30 באוגוסט 2026 היא 231M. מה שהיא לומדת אינו פרטי צורה אלא היחס בין השערה מרונדרת לפריים נצפה.
אלה אותות אימון שונים ואופני כשל שונים. Hi3D יכול להפוך צללית שגויה לחדה יותר. CARI4D יכול לעקוב אחרי עצם בעל צורה לקויה בצורה מדויקת לאורך סרטון ועדיין להחזיר מש גרוע, מכיוון שהמדדים שלו עוסקים בתנוחה ובמגע, ולא בנאמנות פני השטח.
מה יוצא, שורה אחר שורה
• קלט — Hi3D V1.0 תמונת ייחוס בתוספת רשת גסה לעומת CARI4D וידאו RGB מונוקולרי
• פלט — Hi3D V1.0 רשתtrimesh גיאומטרית בלבד לעומת CARI4D: תנוחת אדם וצורתו לכל פריים, סיבוב והזזה של אובייקט, ושני לוגיטים של מגע ידיים
• קנה מידה — Hi3D V1.0 ממורכז מחדש ומנורמל לרדיוס מקסימלי של יחידה אחת לעומת קנה המידה המטרי של CARI4D שנשחזר באמצעות UniDepth ו-FoundationPose
• מרקם — Hi3D V1.0 ללא לעומת CARI4D ללא; הוא מחזיר תנוחות ומגע, ולא נכס עם טקסטורה
• חישוב — Hi3D V1.0 נמדד על NVIDIA H20 עם 96 GB, ללא מסלול CPU, גודל אצווה אחד לעומת CARI4D PyTorch על NVIDIA Ampere, מאומת על A100, עם תמונת Docker
• רישיון — Hi3D V1.0, רישיון Hi3D Open License 1.0, שימוש מסחרי עם טריגר של 200,000-MAU או הכנסה חודשית של USD 1M, לעומת CARI4D, הסכם NVIDIA Open Model Agreement עבור הצ'קפוינט המסחרי של 231M, ולמחקר בלבד עבור גרסת 194M
• ראיות — Hi3D V1.0 לא פורסם עבורו בנצ'מרק מספרי לעומת CARI4D, מאמר CVPR 2026 עם אבלציות ותוצאות BEHAVE, המדווח על ידי הספק ולא שוחזר באופן עצמאי
הניסוי שאיש לא פרסם
הנה ההרכב שהעמוד השדרה המשותף מבהיר, מנוסח כניסוי ולא כתכונה.
CARI4D משחזרת את רשת האובייקט שלה מפריים ראשון בודד באמצעות Hunyuan3D-2. Hi3D מעדנת בדיוק רשת גסה מסוג זה, תוך התניה על תמונת ייחוס של אותו אובייקט — ול-CARI4D יש תמונה כזו, מפני שהפריים הראשון הוא תמונת הייחוס. באופן עקרוני, צינור עיבוד יכול לקחת את תמונת הפריים הראשון ואת רשת Hunyuan של CARI4D, להריץ את Hi3D ברזולוציית 1024³ או 1536³, ולהחזיר את המשטח המעודן לשלב שממקם ועוקב אחריו.
בפועל יש ארבעה מכשולים, ואף אחד מהם אינו קטן.
• קנה מידה. Hi3D ממרכזת את הפלט שלה ומנרמלת אותו לרדיוס מקסימלי של יחידה אחת. CARI4D זקוקה לרשת בקנה מידה מטרי כדי לאתחל את FoundationPose. הטרנספורמציה חזרה אינה מפורסמת, וטעות בה משנה את הגודל הנראה של האובייקט בכל פריים.
• מבנה. Hi3D משפר את המבנה הגס שהוא מקבל; הוא אינו מתקן אותו. אם Hunyuan3D-2 פירש לא נכון את הטופולוגיה של האובייקט מפריים אחד, Hi3D הופך את הפירוש השגוי למפורט יותר. בחירת השערות התנוחה של CARI4D יכולה לספוג חלק משגיאת האובייקט — המאמר מדווח על קיצור מרחק ה-Chamfer של האובייקט מכ-1,565 ס"מ ל-16.85 ס"מ באתחול — אך זה אינו שלב תיקון צורה.
• זמן ריצה. Hi3D מריץ אובייקט אחד בכל פעם, עד שלושה מעברים, 25 צעדים בכל אחד, בלי השהיה מפורסמת. ה-pipeline של CARI4D כבר משרשר את Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet ואופטימיזציה משותפת. הוספת שלב עידון של 96 GB לפני לולאה פר-קליפ עשויה להיות מוצדקת במצב לא מקוון ובלתי אפשרית במצב אינטראקטיבי.
• {{1}}אימות{{/1}}. אף אחד לא פרסם את האינטגרציה הזו. המספרים במאמר של {{2}}CARI4D{{/2}} מודדים דיוק תנוחה ומגע, לא את ההשפעה של מש אובייקט טוב יותר על המספרים האלה. בהחלט ייתכן שהעידון משפר את המש ובקושי מזיז את מדדי השחזור, משום שהמעקב עמיד לפרטי פני השטח. ייתכן גם שמש חד יותר משפר את ההתאמות של {{3}}FoundationPose{{/3}}. עד שמישהו יריץ את האבלציה, שתי האפשרויות הן ניחושים.
הערך האמיתי של ההבחנה הזו אינו „להשתמש בהם יחד”. הוא בכך ששתי המהדורות משלימות זו את זו בתפר מסוים, ואל התפר הזה מחוברת שאלה מדידה שאף אחד משני הספקים לא השיב עליה.
שני סוגי ראיות, שאף אחד מהם אינו עצמאי
CARI4D נראה מגובה בראיות טוב יותר מ-Hi3D, וזה אכן כך, אך ההבדל קטן מכפי שהוא נראה בתחילה. ל-CARI4D יש מאמר CVPR 2026 שעבר ביקורת עמיתים, בנצ'מרק בשם מוגדר, אבלציות, ושגיאת שחזור מדווחת נמוכה ב-38% בתוך ההתפלגות וב-36% בנתונים שלא נראו. אלה המספרים של NVIDIA מההערכה של NVIDIA. אף מעבדה ניטרלית לא שחזרה אותם. הקוד וסקריפטי ההערכה פומביים, מה שהופך את השחזור לאפשרי, לא לבוצע.
ל-Hi3D אין כלל בנצ'מרק מספרי. המאגר מפרסם השוואות חזותיות בין תשע שיטות לגיאומטריה מקומית, טענה להיקף אימון של כשני מיליון נכסים מסוננים, וטענה לרזולוציה של 1536³ במיצוי דליל. ההודעה לעיתונות מוסיפה שיעור הצלחה של 90% בחיתוך וטענה לציוני הנאמנות והפירוט הרב-מבטיים הגבוהים ביותר בהערכה המדווחת, ללא ציונים, ללא בסיס השוואה וללא שם של כלי חיתוך. קוד האימון והמערכת להערכת ביצועים חסרים, ולכן לא ניתן לשחזר את טבלאות המאמר מתוך ההודעה.
שניהם, במילים אחרות, מדווחים על ידי הספק. לאחד מצורף מאמר ולשני הודעה לעיתונות. קונה צריך להתייחס לתג CVPR כסיבה להתייחס למתודולוגיה ברצינות, ולא כתחליף לבדיקה עצמאית.
איזו שאלה באמת יש לך?
אם יש לך סרטון של אדם שמטפל בחפץ ואתה צריך לדעת איך היד, החפץ והגוף נעו — תנוחות בקנה מידה מטרי, נקודות מגע, פריים אחר פריים — CARI4D היא המערכת שנבנתה בדיוק לזה, וה-checkpoint המסחרי הופך אותה לניתנת לפריסה. Hi3D לא יכולה לענות על השאלה הזו בכלל. אין לה מודל טמפורלי, אין פלט תנוחה ואין הסקת מגע.
אם יש לך תמונת ייחוס ומש גס ואם דרוש לך נכס סטטי חד יותר, {{1}}Hi3D{{/1}} הוא הכלי הישיר. {{2}}CARI4D{{/2}} גם לא יכול לענות על השאלה הזו: מש האובייקט שלו הוא תוצר לוואי של צינור מעקב, שנוצר ברמת הנאמנות ש{{3}}Hunyuan3D-2{{/3}} מספק מפריים אחד, והוא חושף תנוחות ולא משטח מעודן.
אם אתם בונים את השילוב — צינור שחזור שבו הגיאומטריה של האובייקט היא החוליה החלשה — המהלך המעניין הוא לבדוק אם העידון של Hi3D משפר את מדדי ההמשך של CARI4D. זוהי שאלת מחקר עם ניסוי ברור ואין לה תשובה שפורסמה. תקצבו את טרנספורמציית קנה המידה ואת ה־GPU לפני שתקצבו את המאמר.
השכבה שמקיפה את שניהם
אף אחד מהמודלים אינו מוגש על ידי OrcaRouter, ואף אחד מהם אינו מודל שפה. הקטלוג כולל טקסט, ראייה, וידאו, אמבדינג ודיבור; שחזור תלת־ממד מתבצע על החומרה שלך. עם זאת, הקריאות סביב השחזור הן קריאות למודל: הוספת כיתוב לפריים הראשון, תיאור האובייקט עבור רשומת נכס, או קביעה אם רנדור מעודן עדיין תואם את הייחוס משלוש זוויות.
האחרון הזה מתאים היטב למיזוג מודלים. במקום לסמוך על דעתו של מודל ראייה בודד שמש מעודן נאמן, שלחו את אותה השוואה מרובת מבטים לפאנל של מודלים ותנו לתשובותיהם להצטבר. OrcaRouter חושף מיזוג ויותר מ-200 מודלים בודדים מאחורי API אחד, כאשר מחיר המחירון של הספק מועבר הלאה עם תוספת של 0% ומעבר אוטומטי לגיבוי אם ספק אחד נחלש. הגאומטריה נשארת ב-GPU שלך; השיפוט שסביבה יכול להיות כפול בלי שיהיה יקר לחבר אותו.
מה יפתור את זה?
אבלציה אחת תעשה יותר מכל כמות של השוואת מפרטים: קחו רצף BEHAVE אחד, עדנו את רשת האובייקט עם Hi3D ברזולוציית 1024³, בטלו את הנרמול, ודווחו על מדדי התנוחה והמגע מול קו הבסיס הלא-מעודן. אם המספרים זזים, עמוד השדרה המשותף הופך לצינור עיבוד. אם לא, ערכו של Hi3D נשאר במקום שבו הוא החזק ביותר — ככלי גיאומטריה עצמאי לאנשים שכבר מחזיקים ברשת הגסה.
עד שהניסוי הזה יתקיים, ההבחנה המוצדקת פשוטה. Hi3D V1.0 הוא מחדד גאומטריה עם משקלים פתוחים וללא בנצ'מרק. CARI4D הוא משחזר תנועה עם מאמר ונקודת ביקורת מסחרית. הם נפגשים ב-Hunyuan3D-2, ואף אחד מהם אינו תחליף לשני.
