PAN 2 לעומת Hunyuan3D WorldClaw: מודל אחד עם שני חצאים, או חמישים מודלים במעיל גשם

אם תעמידו את השניים אלה זה לצד זה, הדבר הראשון שתבחינו בו הוא שהם אינם אותו סוג של אובייקט. PAN 2 הוא מודל: 29 מיליארד פרמטרים של שנאי דיפוזיה מולטי-מודלי ממכון Institute of Foundation Models, ברישיון Apache-2.0 ב-Hugging Face מאז 7 באוקטובר 2026, הקוד פורסם ב-5 בנובמבר, תמיכת Day-0 ב-vLLM-Omni ב-10 בנובמבר, והוא עושה דבר אחד — בהינתן פריים התחלתי ופעולה מתוארת, הוא מרנדר עד עשרים שניות של וידאו ב-704×1248 בקצב של 24 פריימים לשנייה תוך חיזוי התוצאה. Hunyuan3D WorldClaw הוא מסגרת עבודה: הצינור האייג'נטי של Tencent Hunyuan להפיכת הנחיית טקסט פתוחה אחת לסצנת תלת-ממד חקירה, העשויה מרשתות מפורשות עם טקסטורה לכל אובייקט, המתוארת ב-arXiv 2608.05248 ב-5 באוגוסט 2026 והוכרזה ב-11 באוגוסט, עם מאגר שמכיל README ונכסים ולא קוד. האחד הוא נקודת ביקורת להורדה שמריצים. האחר הוא שיטה שפורסמה שתצטרכו לבנות מחדש.

הדבר השני שמבחינים בו שימושי יותר. המאמר של WorldClaw עצמה מפרט את המודלים שעליהם היא פועלת, והרשימה הזאת היא רשימת קניות של רכיבים של אחרים: Claude Opus 4.8 לתכנון, GPT-Image-2 ליצירת תמונות, SAM3 ו-SAM3D לסגמנטציה, Hunyuan3D לשחזור, Blender 5.1.1 המופעל דרך MCP להרכבה, הכול על ארבעה כרטיסי NVIDIA H20. PAN 2 מציין רכיב אחד ומשאיר אותו ניתן להחלפה: כל מודל שפה שמציית להוראות כותב את הכיתוב המובנה, ו-IFM דירג ארבעה מהם. זו ההשוואה האמיתית — לא סצנות מול וידאו, אלא מה קורה למערכת כשהאינטליגנציה מפוזרת על פני שרשרת של ספקים במקום מרוכזת בצ'קפוינט אחד.

שתי ארכיטקטורות, משורטטות בכנות

העיצוב של PAN 2 הוא Generative Latent Prediction מתוך ביקורת על מודלי עולם (arXiv 2507.05169). מנמק מושגי כותב את מצב העולם הבא כתיאור מובנה ומעוגן בזמן — אירועים לפי הסדר, פעולות המשויכות לשחקנים, תנועת מצלמה — מקודד טקסט קפוא Qwen3.5-9B ממפה אותו לתכונות התניה, שנאי דיפוזיה בגודל 29B משלים פרטים תפיסתיים, ו-VAE מסוג Wan 2.2 מפענח את הפריימים. שני חצאים, מאגר אחד, רישיון אחד.

העיצוב של WorldClaw הוא לולאת עידון בת ארבעה שלבים שאותה מתארים מחבריו כמעבר מגס לדק: סוכני מודלי שפה קוראים את הפרומפט ומפיקים תוכנית סצנה; מעבר גלובלי מייצר פריסה סמנטית, שדות גובה וחומרים כך שהקרקע קוהרנטית לפני שמשהו מונח עליה; אזורים מרונדרים, מפולחים ומשוחזרים לרשתות בודדות באמצעות Hunyuan3D; וסוכן ראייה בודק את הרינדור לאיתור עצמים מרחפים, חדירה הדדית, קנה מידה שגוי ותנוחה שגויה, ואז שולח תיקונים בחזרה. ההבטחה לגאומטריה מפורשת נשמרת — מקבלים עצמים, לא גוש ממוזג או Gaussian splat — והסוכנים מבצעים את עבודתם פעם אחת, לפני שטוענים את הסצנה.

המקום שבו השניים מתכנסים הוא החלק שראוי להפנים: בשתי המערכות הפיקסלים הם החצי המהיר והזול, ומודל שפה מחליט מה צריך להתקיים. המקום שבו הם נפרדים הוא מי שמחזיק בבעלות על מודל השפה. IFM התייחסה למודל ההסקה כמשתנה ופרסמה את מערך הבדיקות שדירג את המועמדים. Tencent התייחסה למודל ההסקה כתלות וציינה אחד כזה.

מה שהמילה ״agentic״ מעניקה, ומה שהיא עולה

המלכודת בהשוואה הזו היא ששתי ההודעות משתמשות במילה, ואף אחת מהן לא מתכוונת לאותו דבר בה.

• סוכנים כמחברים — המתכננים של WorldClaw מפרקים פרומפט לתוכנית סצנה, וסוכן הראייה שלה מוציא תיקונים; המנמק של PAN 2 כותב כיתוב המתאר מה קורה בהמשך.

• כאשר הבינה פועלת — זו של WorldClaw פועלת פעם אחת, בלולאת ההפקה, ונעלמת כשהמשים מיוצאים; זו של PAN 2 פועלת פעם אחת לכל קליפ, בכל קריאה, למשך כל חיי המערכת.

• סוג פלט — WorldClaw מחזיר קובץ סצנה עם רשתות, חומרים וטרנספורמציות נפרדים; PAN 2 מחזיר MP4 ללא גיאומטריה כלל.

• יכולת עריכה — הפלט של WorldClaw נפתח בתוכנת מידול, עובר ריטופולוגיה ומוצב; המשטח הניתן לעריכה היחיד של PAN 2 הוא הכיתוב, כך שכל תיקון מחייב רינדור מחדש.

• היקף התלויות — WorldClaw דורש שישה רכיבים ברישוי נפרד והתקנת Blender; PAN 2 דורש את המשקלים, מקודד טקסט ו-VAE.

• מה משמעות "טוב" — את WorldClaw שופטים לפי האם הסצנה נבנית בלי עצמים מרחפים; את PAN 2 שופטים לפי האם התוצאה שהוא מציג היא זו שהפעולה הייתה מייצרת בפועל.

העלות של האינטליגנציה המפוזרת של WorldClaw אינה מושגית אלא תפעולית: שישה רכיבים פירושם שישה סטים של תנאים, שישה אופני כשל, ושישה מקומות שבהם עדכון גרסה יכול לשנות את הפלט. העלות של האינטליגנציה המרוכזת של PAN 2 היא ההפך — רישיון אחד, עץ תלות אחד, ומנוע הסקה שעליך להעריך בעצמך, משום שהדירוג שלו מצד הספק הוא של הספק.

אף אחד משני המחירים אינו פגם. אבל זה מסביר מדוע לעיתים נדירות השניים הם התשובה הנכונה לאותה שאלה: האחד הוא צינור תוכן, האחר הוא מנוע השלכות, וצוות שזקוק למשים לא ימצא דבר ב-PAN 2 שיעזור לו.

שני פייפליינים, כתובים כרצף של שלבים

הרצפים הם המקום שבו ההבדל בין מודל לפריימוורק מתגלה בצורה הברורה ביותר.

• PAN 2, קריאה אחת — קרא את התצפית ואת הפעולה המבוקשת, כתוב את מצב העולם המובנה, קודד אותו, הרץ חמישים צעדי דיפוזיה בהנחיה 2.5, פענח עשרים שניות של 704×1248. שום דבר ברצף הזה אינו נשמר לאחר הקטע.

• WorldClaw, ארבעה שלבים — תכנון הסצנה עם מודל שפה, יצירת פריסה סמנטית גלובלית ושדות גובה, רינדור ופילוח אזורים ושחזור כל אחד מהם לרשת, ואז בחינת הרינדור עם סוכן ראייה ושליחת תיקונים חזרה. שום דבר ברצף הזה אינו מודל יחיד.

• היכן שהמצב נשמר — התוצר העמיד היחיד של PAN 2 הוא הכיתוב וה-MP4; זה של WorldClaw הוא קובץ סצנה עם רשתות, חומרים וטרנספורמציות בודדים שמאריך ימים מעבר לצינור.

• היכן זה יכול להיכשל — PAN 2 נכשל בתוך הרינדור: שלב שנשמט, סחיפה, קיצור דרך פיזיקלי. WorldClaw נכשל בתפר: מתכנן שקרא לא נכון את הפרומפט, מקטע שחתך אובייקט לשניים, משחזר שהפיק קנה מידה שגוי, מרכיב שגרם לחדירה הדדית בין שני משים.

• מה ניתן לבדוק — PAN 2 נותן לך וידאו ותקציב טוקנים; WorldClaw נותן לך גאומטריה שאפשר למדוד, ולכן שגיאות שאפשר לייחס.

השורה האחרונה היא זו ששווה לשמור. כשל שאפשר לייחס למקור זול יותר לתיקון מכשל שאפשר רק לראות, ופייפליין mesh נותן לך את זה בחינם מפני שתוצרי הביניים ניתנים לבדיקה. פייפליין וידאו נותן לך תשובה סופית וכתובית, וכשהתשובה שגויה המנוף היחיד שלך הוא הכתובית.

זה גם מסביר מדוע שלב התיקון של סוכן הראייה של WorldClaw קיים מלכתחילה. חדירה הדדית, עצמים מרחפים, תנוחה שגויה וקנה מידה שגוי הם אופני הכשל של הרכבת גאומטריה מחלקים שנוצרו בנפרד, ואף אחד מהם אינו נראה עד שמבצעים רינדור ומסתכלים. מודל יחיד אינו זקוק לשלב הזה, מפני שמודל יחיד אינו יכול להפיק סצנה שחלקיה סותרים זה את זה — הוא יכול להפיק רק סצנה שגויה כמכלול.

פער ההערכה אינו סימטרי, והוא מצביע בכיוון ההפוך מהרישיונות.

ההערכה שפורסמה של WorldClaw היא איכותנית. המאמר משווה את הפלט שלה זה לצד זה מול SynCity, WorldGen, MajutsuCity ו-Marble, ואין FID, אין ציון CLIP, ואין מחקר משתמשים עם נתון מספרי. עבור מאמר המתאר מסגרת ליצירת סצנות, זהו פער ממשי, וכל צוות שמממש אותה מחדש צריך להתייחס ל"נראה טוב יותר מ-SynCity" כהשערה ולא כתוצאה.

PAN 2 פרסם יותר, ותייג את תנאיו ביתר דיוק מרוב פרסומי מודלי הווידאו. שלוש מאות מקרי מבחן של פעולה בודדת על פני שש קטגוריות יכולות, 201 וידאו מתמונה ו-99 וידאו מטקסט; מאה משימות יומיומיות אגוצנטריות שהוצגו בשני האופנים, 200 פרומפטים ו-456 צעדים, שנוקדו לפי השלמת צעד והשלמת תוכנית מלאה על פני שלושה זרעים; Physics-IQ Verified בהגדרת תמונה-ללווידאו, מנורמל כך שהשונות בין שני צילומים אמיתיים שווה ל-100; PhyGround בסולם של חמש נקודות, שהוערך על ידי Qwen3.8-27B; RBench כממוצע לא משוקלל על פני חמש קטגוריות משימות וארבע קטגוריות אימבודימנט; ומחקר אנושי עיוור בזוגות על 140 פרומפטים עם שלושה עשר סוקרים ו-1,400 השוואות, Elo הותאם באמצעות Bradley–Terry וממורכז ב-1500.

שלושה-עשר סוקרים הם פאנל קטן, והם שפטו את המודל של המחברים מול קווי הבסיס של המחברים, כאשר מודלי ההשוואה הסגורים נוצרו פעם אחת דרך API הסקה של צד שלישי ומספר שורות סומנו כ-single-seed. שום דבר מכל זה אינו עצמאי. כל זה קריא, וזו האפשרות השנייה בטיבה — וזה ההבדל בין גרסה שאפשר להתווכח איתה לבין כזו שרק אפשר להסתכל עליה.

הרישיונות, אם כן, מצביעים לכיוון ההפוך מן הראיות. PAN 2 הוא Apache-2.0, ללא גייטינג, 86.17 ג'יגה־בייט על פני שישים קבצים, ללא דרישת ייחוס וללא סף משתמשים. ל-WorldClaw אין רישיון לקרוא, מפני שאין מה לתת ברישיון: פרויקט ה-GitHub מכיל README ונכסים, בלי קוד, בלי משקלים, בלי סקריפט הסקה, בלי API ובלי מחיר. מאמר מסגרת ללא מימוש הוא תיאור של שיטה, לא כלי, ודרישת ארבעת ה-H20 יחד עם התלות שלו בערימה של מודלים ברישיון נפרד פירושן ששחרור לא היה הורדה מוכנה לשימוש גם אילו התרחש.

איפה נתב באמת נושא עומס, וזה לא במקום שבו אתם מצפים

זהו הצמד הנדיר שבו העובדה המסחרית המעניינת נמצאת דווקא בצד של הפריימוורק. החצי המתכנן של WorldClaw אינו מודל מסתורי מאחורי API — הוא מצוין במאמר, והרכיבים שהוא מציין הם מודלים רגילים מהקטלוג. Claude Opus 4.8 נמצא בקטלוג של OrcaRouter. כך גם GPT-Image-2. כך גם ארבעת מודלי ההסקה ש-IFM דירגה עבור שלב הכיתוב של PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 ו-Qwen3.8-Flash.

פירוש הדבר שצוות שמממש מחדש את פירוק WorldClaw — תכנון, פני שטח, אובייקטים, עידון — יכול להרכיב היום את שלבי השפה והתמונה באמצעות מפתח אחד, לפי מחיר המחירון של כל ספק, כשהוא מועבר הלאה עם 0% תוספת, עם מעבר אוטומטי לגיבוי כאשר קריאת תכנון מגיעה לפסק זמן באמצע הבנייה. אותו מפתח מפעיל את משבצת המנמק של PAN 2 כאשר מחליפים את כותב הכיתוב בין ניסויים ומשאירים את רנדרר ה-29B קבוע על הצומת שלכם. מה ש-OrcaRouter לא עושה הוא לארח לא את PAN 2 ולא את Hunyuan3D WorldClaw: האחד הוא מודל דיפוזיה לווידאו שמריצים על החומרה שלכם, והשני אינו קיים כקוד שניתן להריץ בשום מקום. אין לקרוא דבר במאמר זה כאילו הוא מרמז אחרת.

הניסוח הכנה הוא שאנחנו מנתבים את התפרים. בצינור בסגנון WorldClaw יש שלושה מהם — מפרומפט לתוכנית, מתוכנית לתמונה, ומרינדור למבקר — וכל אחד מהם הוא קריאה נמדדת. בצינור PAN 2 יש אחד, והוא החלק היחיד שאינו זקוק ל-GPU. זו טענה צרה יותר מ"אנחנו מריצים מודלי עולם", והיא הטענה הנכונה.

מה כל עיצוב מלמד אותך גם אם לא תריץ אף אחד מהם

הרעיון הכי בר-העברה של WorldClaw הוא הפירוק, לא הסצנה. תכנון, פריסת תוואי השטח, שחזור עצמים בנפרד, ואז בדיקה ותיקון — המבנה בן ארבעת השלבים הזה הוא ארכיטקטורה מוצקה לכל צינור עיבוד שפלטו אמור להיערך מאוחר יותר, והבחירה ברשת מפורשת היא הנכונה לכל דבר שיוצא מצינור העיבוד ונוחת במנוע משחקים. לולאת התיקון עם סוכן ראייה שבודק עצמים מרחפים וקנה מידה שגוי היא החלק שרוב הצוותים מדלגים עליו ורוב הצוותים מתחרטים שדילגו עליו.

הרעיון הכי ניתן להעברה של PAN 2 הוא חוזה הכיתוב. הממשק אינו תיבת פרומפט; הוא תיאור מובנה ומעוגן בזמן, עם תקציב טוקנים של 1,480 רכים ו־1,536 קשיחים, מיומנות משכתבת פרומפטים שסופקה, פרומפט שלילי קבוע ומאמת שבודק כיתובים מול מגבלת המקודד. טקסט חופשי נכתב מחדש לפני השימוש, וכרטיס המודל אומר בפשטות שמחקרי המקרה של הסוכנים נשענו על פרומפטים ששוכללו ביד. כל צוות שבונה מודל עולם או צורך אחד כזה צריך לגנוב את זה: החוזה בין החצי המנמק לחצי המרנדר הוא המקום שבו איכות נרכשת או אובדת, ומגיע לו סכימה ולא תחושת בטן.

שני העיצובים גם חולקים כשל שהתחום טרם פתר, והם נכשלים בו בדרכים שונות. PAN 2 סוטה במראה בין קליפים משום שכל אחד מהם מדומה מלכל היותר פריים התחלתי אחד בתוספת טקסט, והכרטיס שלה מכנה זיכרון תפיסתי כחלק החסר; פרק המגבלות שלה נפתח בהודאה שכשני שלישים מהתוכניות המדומות מכילות לפחות שלב אחד שאינו מבוצע. הסחיפה של WorldClaw היא גיאומטרית ומרחבית: חדירה הדדית, קנה מידה שגוי, עצמים שמרחפים, ולכן היא זקוקה בכלל לסוכן ראייה בלופ. האחד זקוק לזיכרון, האחר למפקח, ואף אחד מהם לא פרסם עקומה מדודה של כמה זה נעשה גרוע עם הזמן.

ההחלטה, במעבר אחד

אם אתה צריך מקום — רמה, מערך נתונים סינתטי של חללי פנים, סט להפקה וירטואלית — WorldClaw הוא ההתייחסות הרלוונטית יותר, ואינך יכול להריץ אותו. קח את הפירוק לארבעה שלבים ואת פלט ה-mesh המפורש אל תוך הבנייה שלך, הקצה תקציב לארבע מכונות בדרגת H20 בתוספת תלות ב-Blender, והחלף את ההערכה האיכותנית במשהו שאתה יכול למדוד, כי המאמר לא נותן לך אחד.

אם אתם צריכים תוצאה — מה תוכנית עושה, לפני שאתם מתחייבים לה — PAN 2 ניתן להורדה אחר הצהריים, ברישיון מתירני, וכנה לגבי כישלון בשניים מתוך שלושה תוכניות. קראו קודם את עמוד המגבלות, השאירו בודק בתמונה, וצפו לבזבז שעות GPU ולא דולרים לכל טוקן: שלוש עשרה שניות של וידאו לוקחות בערך 119 שניות על ארבעה B300s, והדוגם מריץ מאה מעברים קדימה לכל קליפ.

אם אתם בונים את הדבר שאף אחת משתי המעבדות לא השיקה — עולם שאפשר לערוך כגאומטריה ואז לראות איך הוא מתנהג — אתם מרכיבים אותו בעצמכם ממזקק, מבונה סצנות, ממרנדר וממודל שפה בכל תפר. זו עבודה רבה יותר ממה שכל אחת מההכרזות מרמזת, ושם תתרחש השנה הבאה של העבודה המעשית בקטגוריה הזו.

מה שישנה את העמוד הזה הוא קוד. שחרור של WorldClaw עם משקלים וסקריפט הסקה יהפוך שיטה לכלי ויגרום להשוואה להיות חיה; וריאנט של PAN 2 שמפיק עומק לצד RGB יעשה את אותו הדבר מהכיוון האחר. אף אחד מהם לא קיים היום. עד שאחד מהם יהיה קיים, הסיכום המדויק הוא מנוע תוצאות להורדה ומסגרת סצנות שאי אפשר לבנות, והדבר היחיד שבאמת משותף להם הוא השאיפה לחזות עולם במקום לרנדר תמונה שלו.