PAN 2 מול Hy-Nomas: אותו רישיון, אותה משפחת ארכיטקטורה, שתי הגדרות שונות ל"פעולה"

זהו הצמד היחיד בדור הנוכחי של מודלי עולם שבו ההשוואה היא בחירה אמיתית ולא טעות קטגורית. PAN 2 הוא מודל העולם בעל 29 מיליארד פרמטרים של Institute of Foundation Models, תחת Apache-2.0 ב-Hugging Face מאז 7 באוקטובר 2026, הקוד ב-5 בנובמבר, תמיכת Day-0 ב-vLLM-Omni ב-10 בנובמבר, שהופך פריים התחלתי ופעולה מתוארת לעד עשרים שניות של וידאו ב-704×1248 ב-24 פריימים לשנייה. Hy-Nomas הוא מודל העולם הווידאו האינטראקטיבי של T​encent Hunyuan, תחת Apache 2.0, בערך 8 מיליארד פרמטרים, המתואר ב-arXiv 2610.36729 ב-27 באוקטובר 2026, שהופך פרומפט טקסט יחד עם מסלול מצלמה רציף לווידאו ב-720p ב-24 פריימים לשנייה בשמונה צעדים מזוקקים. שניהם במשקלים פתוחים. שניהם שנאי דיפוזיה שמייצרים וידאו מאות התניה. שניהם ניתנים להורדה אחר הצהריים הזה. כל מי שבוחר ביניהם לא יכול להשתמש ברישיון, בזמינות או בקטגוריה כשובר שוויון, וזה בדיוק מה שהופך את הבחירה למשהו שכדאי לעשות בקפידה.

שובר השוויון שכן עובד הוא משפט שאף אחת מהקבוצות לא שמה בתקציר שלה: מה נחשב לפעולה. אות הבקרה של Hy-Nomas הוא לאן המצלמה הולכת. אות הבקרה של PAN 2 הוא מה שקורה בסצנה, כפי שמודל שפה כותב אותו כרצף אירועים המשויכים לשחקנים. הם שונים מספיק כך שפרומפט שעובד היטב על אחד מהם כמעט חסר משמעות על האחר, ואם תלמדו רק דבר אחד מההשוואה הזאת, זהו הדבר האחד.

שני ממשקי התניה, לא שתי רמות איכות

Hy-Nomas מקבל תנאי של טקסט ושל נתיב מצלמה. הנתיב רציף וגיאומטרי: אתה אומר לו היכן נקודת המבט נעה, והמודל מייצר מקטע המותנה בהיסטוריה שמורה במטמון, כך שהעולם נשאר קוהרנטי תוך כדי תנועה. משפר הפרומפטים שלו, Nomas-PE, משכתב פרוזה חופשית לכיתובי JSON מובנים, וזהו אותו אינסטינקט שמשכתב-הפרומפטים של PAN 2 הולך אחריו מהכיוון ההפוך — שתי הקבוצות הגיעו למסקנה שטקסט חופשי מעורפל מדי מכדי להתנות עליו טרנספורמר דיפוזיה.

הנקודה שבה הם נבדלים היא מה שהצורה המובנית מתארת. המבנה של Hy-Nomas הוא מרחבי וממוקד נקודת מבט; הדבר שממודל באופן מדויק הוא תנועת המצלמה דרך סצנה. המבנה של PAN 2 הוא זמני וממוקד שחקן: אירועים לפי הסדר, כל פעולה כרוכה בשחקן שמבצע אותה, בתוספת תנועת מצלמה כשדה אחד מבין כמה. קראו את הניסוח של IFM עצמו וההדגשה בלתי ניתנת לטעות — הכיתוב מתאר מה קורה לאחר פעולה, וההדגמה שהפכה את המודל למפורסם היא תות שנפל לקערה שבה החלפת הפרי או הנוזל משנה את ההתזה.

• התניה — Hy-Nomas מקבל טקסט חופשי יחד עם מסלול מצלמה רציף; PAN 2 מקבל פריים ראשון אופציונלי יחד עם כיתוב פעולה מובנה ומעוגן בזמן.

• מה המשמעות של "action" — Hy-Nomas: תנועת מצלמה, כלומר לאן אתה מסתכל; PAN 2: אירוע עם שחקן, כלומר מה קורה.

• מבנה הסגמנט — Hy-Nomas הוא אוטורגרסיבי לפי סגמנטים מעל היסטוריית KV במטמון, כך שההקשר ממשיך בין סגמנטים; PAN 2 מדמה כל קליפ מתוך לכל היותר פריים התחלתי אחד בתוספת טקסט, ללא מצב מועבר בין קליפים.

• פלט — Hy-Nomas: 720×1280 ב־24 fps בשמונה צעדים מזוקקים; PAN 2: 704×1248 ב־24 fps לאורך חמישים צעדי דגימה בהנחיה 2.5.

• גודל — Hy-Nomas: כ-8B ב-54 בלוקי MMDiT דו-זרמיים בגודל מוסתר 2,048, בתוספת מפענח PixelUMM שעבר כוונון עדין מעל לטנטים של DCAE-V; PAN 2: MMDiT של 29B בתוספת מקודד טקסט Qwen3.5-9B קפוא ו-VAE של Wan 2.2.

• חומרה — Hy-Nomas: שמונה כרטיסי GPU בפריסת הייחוס, כאשר מסלול בודד של RTX 4090 משתמש ב-INT8 DiT, ב-KV cache, ב-FP8 decoder וב-offload ל-CPU בכ-38GB; PAN 2: שמונה H200s ב-BF16 כברירת מחדל מתועדת, עם מתכון שמציב שלוש-עשרה שניות של וידאו בכ-119 שניות על ארבעה B300s.

• גודל המשקלים — Hy-Nomas: כ־196GB ב-Hugging Face בתור tencent/Hy-Nomas; PAN 2: 86.17GB על פני שישים קבצים בתור IFM/PAN2.

שבעה ממדים ואף אחד מהם אינו ציון. מה שהם מתארים הוא פער עיצובי: Hy-Nomas השקיעה את הפרמטרים שלה בשמירה על עולם לכיד ככל שמתקדמים דרכו, בעוד PAN 2 השקיעה את הפרמטרים שלה בחיזוי מה שפעולה עושה. קל להגדיר מסלול מצלמה וקשה לזייף אותו; רצף אירועים הוא בעל ביטוי עשיר ויקר ליצירה.

איפה שההבדל מורגש: שלוש משימות, שני המודלים

ניגודים מופשטים הם זולים. אלה קונקרטיים.

קחו אותי לסיור בדירה.Hy-Nomas מנצחת באופן מוחלט. אתם רוצים נתיב רציף דרך מסדרון ולתוך מטבח, כשהחדר שמאחוריכם נשאר אותו חדר שמאחוריכם. זו יצירה אוטורגרסיבית לפי סגמנטים על גבי היסטוריה שמורה במטמון, ולשם כך בדיוק נועדה הארכיטקטורה שלה, ו-PAN 2 לא מסוגלת לעשות זאת: היא מרנדרת קליפ, והקליפ הבא מתחיל מפריים שאתם מספקים, בלי זיכרון של מה שהיה קודם. שרשור קליפים של PAN 2 כדי ליצור סיור מפיק את הסחיפה שכרטיס הדגם שלה עצמו מזהיר מפניה, שבה המראה משתנה בין קליפים באינטראקציות ארוכות משום שכל אחד מהם מדומה מתוך פריים התחלתי אחד לכל היותר.

אני פותח את המגירה והכוס נופלת. PAN 2 מנצח, וזה לא צמוד. הבקשה היא אירוע עם גורם פועל ותוצאה פיזית. להתניה של Hy-Nomas אין שדה ל„מגירה נפתחת” בנפרד מהמצלמה — אפשר לשים את זה בפרומפט הטקסט, ומשפר הפרומפט שלה יבנה את זה, אבל תקציב הדיוק של המודל הושקע בנקודת מבט ולא במגע ובתוצאה. חוזה הכיתוב של PAN 2 קיים בדיוק כדי לקשור פעולות לגורמים פועלים ולסדר אותן בזמן, ולכן IFM השיקה מאמת שבודק תיאורים מול תקציב מקודד הטקסט — 1,480 טוקנים במגבלה רכה ו-1,536 במגבלה קשיחה — במקום לתת לפרוזה לעבור.

צרו מאתיים וריאנטים של סצנת מניפולציה עבור מערך נתונים.שניהם שגויים, כל אחד בדרכו. Hy-Nomas ייתן לך מאתיים תנועות מצלמה קוהרנטיות דרך מאתיים סצנות, ומעט מאוד שליטה בשאלה אם הזרוע באמת אוחזת במשהו. PAN 2 ייתן לך מאתיים קליפים מותנים בפעולה, ולפי כרטיס המודל שלה, כשני שלישים מהתוכניות יכילו לפחות שלב אחד שאינו מבוצע — כך ששליש ממערך הנתונים שלך יהיה בלתי שמיש אלא אם תבנה בודק. אף אחד מהם אינו מנוע נתונים מוכן לשימוש; ההבדל הוא אם הכשל הוא סחיפה גיאומטרית או שלב שנשמט, ואיזה משני אלה משימת ההמשך שלך יכולה לסבול.

המשימה השלישית היא גם זו שקובעת את החומרה שלך. מאתיים קליפים של שמונה שלבים ב־720p על 4090 בודד עם כימות הם עניין של אחר צהריים. מאתיים קליפים על צומת עם ארבעה B300 בקצב של 119 שניות לכל שלוש־עשרה שניות של וידאו הם יומיים, והחשבון הזה הוא הסיבה האמיתית לכך ששני המודלים אינם ניתנים להחלפה זה בזה גם במקום שבו היכולות שלהם חופפות.

אותו כשל עם שני שמות שונים

שני הכרטיסים מודים באותה חולשה ואף אחד מהם לא מתקן אותה: מודל עולם לטווח ארוך מאבד את העולם שלו. PAN 2 אומר שהמראה נסחפת בין קליפים ומזהה זיכרון תפיסתי כחלק החסר. Hy-Nomas מתמודד עם זה ישירות באמצעות מטמון KV נשא ודפוס קשב סיבתי ששומר על הקשר תיאורי חי לאורך מקטעים תוך הגבלת הוראות פעולה לחלון שבו ניתנו — ואז מדווח בהערכה שלו שהוא עדיין מפגר אחרי Genie 3 בזיכרון מרחבי לטווח ארוך.

ההודאה האחרונה הזו מעניינת יותר מניצחון. היא אומרת שמנגנון הזיכרון עובד טוב מספיק כדי לנצח את Genie 3 ואת LingBot-World v2 באינטראקציה ובמעקב אחר הנחיות — שיעור זכייה של כ-65% במעקב אחר הנחיות על פני בנצ'מרק של 280 מקרים המכסה טקסט רב-תורי, ניווט מצלמה, טקסט ומצלמה משולבים וזיכרון מרחבי — ובכל זאת מפסיד במסלול שמודד אם העולם נשאר במקומו. אלה ההשוואות של המחברים מול קווי הבסיס שבחרו המחברים, על הבנצ'מרק של המחברים, וכמו כל מספר בקטגוריה הזו, הם לא שוחזרו. מה שהם לא: מעורפלים. מודל שמפרסם היכן הוא מפסיד הוא מודל שאפשר לתכנן סביבו.

התרגום השימושי לכל מי שבונה על אחד מהשניים: התמדה אינה תכונה שאפשר להניח ולבדוק אחר כך. זה הדבר הראשון שצריך למדוד בסצנות שלכם, עם הסובלנות שלכם לסטייה, לפני שאתם מחייבים צינור עיבוד למודל. אף אחד מהספקים לא מפרסם עקומת זמן עד כשל — משך הזמן שבו סצנה מפסיקה להיות מהימנה — והמספר החסר הזה חשוב יותר מכל מיקום בבנצ'מרק.

עלות אינה הבדל של עיגול, היא ההחלטה.

תניח לרגע בצד את הטיעון בדבר היכולות, ותבחן מה נדרש כדי להפעיל כל אחד מהם במשך שבוע.

המסלול של Hy-Nomas על כרטיס 4090 יחיד הוא העובדה המשמעותית ביותר בהשוואה הזו, וקל לפספס אותה לנוכח פריסת הייחוס עם שמונה כרטיסים. מודל DiT ב-INT8 עם מטמון KV, מפענח FP8 ופריקת עומס למעבד (CPU offload) נכנסים לכ-38GB, כלומר סטודיו עם כרטיס אחד ברמת תחנת עבודה יכול לייצר וידאו אינטראקטיבי ב-720p בלי לשכור דבר. תצורת שמונת הכרטיסים היא מה שהבנצ'מרק מתאר; תצורת ה-4090 היא מה שקורא יכול למעשה לעשות הלילה.

ל-PAN 2 אין מסלול דומה שפורסם. ברירת המחדל המתועדת שלו היא שמונה כרטיסי H200 ב-BF16 עם מקביליות patch של VAE על פני ארבעה אריחים, ומתכון ההגשה שכולם מצטטים — שלוש-עשרה שניות של 704×1248 בבערך 119 שניות — מניח ארבעה כרטיסי B300. גרוע מכך, הסמפלר יקר מעצם התכנון שלו: חמישים צעדים עם guidance של 2.5 שמופעל בכל צעד הם מאה מעברי קדימה דרך טרנספורמר 29B לכל קליפ, ולכן יש לפצל את ה-classifier-free guidance בין ראנקים ולפרוס את מקביליות הרצף על פני מספר גדול יותר. אין בגרסה שפורסמה סיפור של כרטיס יחיד מכומת, ולהעמיד פנים אחרת פירושו להמציא אחד כזה.

אז משפט העלות הכנה הוא כזה: Hy-Nomas דורש GPU שכנראה כבר יש לכם, PAN 2 דורש צומת GPU שכנראה אין לכם, ושום מידת הבדל באיכות, לכאן או לכאן, לא משנה את זה עבור צוות קטן.

זווית הניתוב כאן צרה וראויה לניסוח מדויק, מפני ששני אלה הם מודלים שאתם מארחים בעצמכם ואף אחד מהם אינו בקטלוג של OrcaRouter. מה שניתן לנתב הוא החלק ששתי הארכיטקטורות הוסיפו משום שטקסט חופשי לא הספיק: שלב משפר ההנחיה. Nomas-PE של Hy-Nomas משכתב פרוזה לכיתובי JSON מובנים; משכתב ההנחיות של PAN 2 מחזיק הנחיית מערכת, הנחיה שלילית קבועה ומאמת מול תקציב הטוקנים של המקודד. אלה קריאות למודל שפה, וזה השלב שבו מודל אחר משנה באופן מדיד את מה שמנוע הרינדור מקבל. IFM דירג ארבעה מודלי הסקה לשלב הכיתוב שלו — Claude Opus 5.5, GPT-6 Astra במאמץ בינוני, Kimi K3, Qwen3.8-Flash — וכל ארבעתם בקטלוג, כך שאפשר להחליף ולהשוות את חצי השכתוב של כל אחד מהצינורות באמצעות מפתח אחד במחיר המחירון של הספק עם 0% תוספת, עם מעבר אוטומטי לגיבוי כשקריאת שכתוב מסתיימת בפסק זמן באמצע אצווה. מנועי הרינדור בגודל 29B ו-8B נשארים על החומרה שלכם. זו כל הטענה.

מה בעצם מכילים שני כרטיסי המודל

שתי המהדורות מציגות קלף בפומבי, והקלפים נבדלים במה שהם מוכנים להודות בו.

הדוח של Hy-Nomas, arXiv 2610.36729 מ-27 באוקטובר 2026, מתאר את התחבולה שמאפשרת לאינטראקציה רב-תורית לעבוד: כיתוביות מובנות מיושרות עם דפוס קשב סיבתי מודע לפעולה, כך שההקשר התיאורי נשמר לאורך מקטעים בעוד הוראות הפעולה מוגבלות לחלון שבו ניתנו. ההערכה היא מבחן מידוד של 280 מקרים בארבע מסלולים — טקסט רב-תורי, ניווט במצלמה, טקסט ומצלמה משולבים, וזיכרון מרחבי — שנשפט באמצעות השוואה אנושית בזוגות מול Genie 3, LingBot-World v2 ו-Happy Oyster. הוא מנצח באינטראקציה ובעמידה בהנחיות, עם שיעור ניצחון מדווח של כ-65% בעמידה בהנחיות, והוא מפסיד ל-Genie 3 בזיכרון מרחבי לטווח ארוך. המשקלים הם בסביבות 196GB בתור tencent/Hy-Nomas תחת Apache 2.0, עם קוד ב-GitHub והדגמה מתארחת.

הכרטיס של PAN 2 ארוך יותר ופחות מחמיא. הארכיטקטורה היא חיזוי לטנטי גנרטיבי מתוך ביקורת על מודלים של עולם (arXiv 2507.05169), והמסמך עצמו שמתאר אותה מפרט את הכשלים: כשני שלישים מהתוכניות המדומות משמיטות לפחות שלב אחד, המראה נסחף בין קליפים משום שאין מצב נשמר, ניסוח התצפית והפעולה משנה את התוצאה, הטקסט מבטא היטב "פתח מגירה" ומבטא רע "הנח כל אצבע כאן", הדמיה יכולה להתקדם תוך הפרת חוקי הפיזיקה, והדמיית תוכניות שאמורות להיכשל טרם נמדדה.

קראו את השניים זה לצד זה, וההבדל בסגנון החשיפה בולט לעין. Hy-Nomas מדווח על שיעור זכיות ועל הפסד; PAN 2 מדווח על שיעור כשלים ורשימה. אף אחד מהם אינו ביקורת, ושניהם נכתבו על ידי הצוותים שבנו את המודלים. אבל כרטיס שאומר לך היכן המודל מפסיד הוא מסמך שאפשר לתכנן לפיו, ושניהם עומדים בכך — וזה יותר ממה שמציעים רוב המתחרים הסגורים שלהם.

איזה מהם, ומה ישנה את התשובה

בחרו ב-Hy-Nomas אם הבעיה שלכם היא אקספלורציה או תוכן: עולם שמישהו הולך דרכו, תנועת מצלמה שמישהו מביים, סצנת 720p קוהרנטית מפרומפט על כרטיס אחד. מנגנון הזיכרון שלו, ההתנייה שלו למצלמה ונתיב ה-4090 שלו — כולם מכוונים לאותו משתמש: מישהו שצריך לראות מקום ולנוע בו, בזול, עכשיו.

בחרו ב-PAN 2 אם הבעיה שלכם היא החלטה: סוכן שצריך לחזות מראש מה פעולה עושה, מתכנן שמדרג תוכניות מועמדות, שאלת מחקר בשאלה אם תיאור מובנה של אירוע מספיק כדי לחולל את התוצאה שלו. חוזה הכיתוב שלו, ה-harness שפורסם שלו ומשקולות ה-Apache-2.0 שלו מצביעים כולם על משתמש שצריך להתווכח איתו בכנות ויש לו את החומרה לשלם על כך.

שני דברים היו מכריעים את השוויון באופן שאף אחד מהספקים אינו מאפשר כיום. זיכרון בסגנון Hy-Nomas שנשמר לאורך סגמנטים במודל עם התניית הפעולה של PAN 2 יהיה מוצר טוב יותר באופן מהותי מכל אחד מהשניים. מחקר כשלים שפורסם — PAN 2 שממדמה תוכניות שאמורות להיכשל, Hy-Nomas שמודד סחיפה לאורך עשר דקות ולא דקה אחת — היה עונה על השאלה ששני הכרטיסים משאירים פתוחה. עד שאחד מאלה יתממש, הבחירה אינה בשאלה איזה מודל טוב יותר. היא בשאלה אם העולם שלך הוא משהו שאתה נע דרכו או משהו שקורה לך.