CARI4D vs ABot-Earth 0.7: Dua Model 4D yang Tidak Pernah Bersaing

Jika Anda mencari CARI4D versus ABot-Earth 0.7 dengan harapan adanya adu langsung, jawaban jujurnya adalah perbandingan semacam itu tidak ada dan tidak akan pernah ada. Kedua sistem ini tidak melakukan pekerjaan yang sama, tidak menerima masukan yang sama, tidak menghasilkan keluaran yang sama, dan tidak akan pernah di-benchmark satu sama lain oleh siapa pun yang memahami salah satunya. CARI4D adalah rekonstruksi 4D interaksi manusia-objek yang agnostik kategori milik NVIDIA — sistem ini mengamati satu orang menangani satu objek dalam video biasa dan memulihkan pose berskala metrik orang tersebut seiring waktu. ABot-Earth 0.7 adalah model dunia perkotaan native-3D milik Amap — model ini menerima citra satelit atau prompt teks dan menghasilkan kota berskala kilometer yang dapat dijelajahi sebagai adegan Gaussian-splatting. Alasan halaman ini tetap ada adalah bahwa sumbu yang memisahkan keduanya benar-benar berguna, dan keduanya jauh lebih berbeda dalam apa yang dapat Anda lakukan dengan keduanya daripada dalam hal bagaimana keduanya tampak.

Ada juga alasan kedua yang lebih tajam. Kedua rilis ini berada di ujung yang berlawanan dari spektrum yang lebih penting daripada baris spesifikasi apa pun: salah satunya dapat Anda unduh dan jalankan sore ini, dan yang lainnya sama sekali tidak dapat Anda jalankan.

Jawaban yang tidak diinginkan siapa pun yang mencari kueri ini

Keduanya digambarkan sebagai 4D. Keduanya berasal dari vendor besar. Keduanya dirilis dalam setahun terakhir. Kira-kira di situlah kesamaannya berhenti.

CARI4D merekonstruksi. Dengan adanya video, ia memperkirakan apa yang ada di sana. Makalah — Rekonstruksi 4D Interaksi Manusia-Objek yang Agnostik Kategori oleh Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll dan Stan Birchfield — muncul di arXiv sebagai 2512.11988 pada Desember 2025 dan diterima di CVPR 2026. Subjeknya adalah manusia dan objek kaku yang bersentuhan, dan klaim intinya adalah skala: memulihkan dimensi metrik dari kamera monokuler tanpa sensor kedalaman dan tanpa rig multi-tampilan, yang merupakan bagian yang sulit diatasi oleh penelitian sebelumnya.

ABot-Earth 0.7 menghasilkan. Dengan diberi citra satelit tergeoreferensi atau deskripsi teks, ia menghasilkan adegan yang sebelumnya tidak ada sebagai data. Amap, perusahaan pemetaan dan navigasi Tiongkok, memperkenalkannya pada 10 September 2026 di acara gala Street Stars-nya di Hangzhou, menggantikan ABot-Earth 0.5 dari 8 Juni. Ia menghasilkan splat Gaussian 3D, mengekspor ke Unreal Engine dan Unity, dan mencakup apa yang menurut Amap adalah 196+ negara dan wilayah, naik dari 190+ pada 0.5.

Yang satu adalah estimator. Yang satu adalah generator. Perbedaan itu lebih berarti daripada tabel benchmark mana pun.

Seseorang dan sebuah kursi, atau sebuah kota

Kesenjangan skala adalah hal yang sering diremehkan orang. Unit yang menjadi perhatian CARI4D adalah tubuh manusia dan objek yang digenggam tangan, diukur dalam sentimeter, dilacak di seluruh frame satu klip. Unit yang menjadi perhatian ABot-Earth 0.7 adalah satu kilometer persegi kota, yang dihasilkan dalam sekitar sepuluh menit pada satu GPU kelas konsumen menurut keterangan Amap sendiri.

• Masukan — CARI4D berupa video RGB monokular, MP4 vs ABot-Earth 0.7 berupa citra satelit atau prompt teks

• Keluaran — CARI4D pose dan bentuk manusia per-frame, rotasi dan translasi objek, dan dua logit kontak tangan vs ABot-Earth 0.7, sebuah adegan 3D Gaussian splatting, dapat diekspor ke Unreal Engine dan Unity

• Unit analisis — CARI4D satu manusia dan satu objek kaku yang bersentuhan vs ABot-Earth 0.7 medan, bangunan, vegetasi, dan landmark pada skala kota

• Klaim temporal — CARI4D merekonstruksi gerakan yang teramati bingkai demi bingkai vs ABot-Earth 0.7 diposisikan sebagai model dunia dengan lapisan prediksi untuk apa yang terjadi selanjutnya

• Skala metrik — skala metrik CARI4D dipulihkan dari video monokular melalui UniDepth dan pencarian skala dari kasar ke halus vs ABot-Earth 0.7 yang direferensikan secara geospasial dari citra satelit, tanpa masalah pemulihan metrik

• Biaya eksekusi — CARI4D PyTorch pada GPU NVIDIA Ampere, divalidasi pada A100, 38 jam pada 8×A100 untuk proses pelatihan riset vs ABot-Earth 0.7 sekitar sepuluh menit per km² pada satu GPU kelas konsumen, menurut perbandingan Amap sendiri

Perhatikan bahwa tidak ada kolom yang lebih baik daripada kolom lainnya pada satu baris. Keduanya mengukur dunia yang berbeda. Model yang memulihkan titik kontak antara tangan dan tabung gas tidak menjadi lebih baik dengan juga mengetahui di mana bangunan berada, dan model yang menghasilkan cakrawala kota yang masuk akal tidak menjadi lebih baik dengan mengetahui sudut pergelangan tangan seorang pejalan kaki secara tepat.

Asimetri yang benar-benar menentukan

Inilah perbedaan yang akan dirasakan seorang pembeli dalam jam pertama, dan itu sama sekali tidak ada hubungannya dengan kemampuan.

CARI4D memiliki kode dan bobot yang dapat Anda peroleh hari ini. Repositori NVlabs menyediakan implementasi resmi, dirilis 28 Februari 2026, dengan kode pelatihan dan prapemrosesan video kustom yang ditambahkan pada 4 April. Checkpoint CoCoNet yang telah dilatih sebelumnya dapat diunduh dari Hugging Face, image Docker xiexh20/cari4d telah dipublikasikan, dan sejak 30 Agustus 2026 checkpoint 231M berlisensi komersial telah tersedia sebagai nvidia/cari4d_commercial di bawah Perjanjian Model Terbuka NVIDIA — aksesnya terbatas, tetapi dapat diperoleh. Dependensinya didokumentasikan, termasuk bagian-bagian yang rumit: bobot torchscript NLF, bobot FoundationPose, aset SMPL-H, kid_template.npy dari AGORA, dan Hunyuan3D untuk mesh objek. Anda dapat menjalankan inferensi pada demo BEHAVE, pada klip in-the-wild yang disediakan, atau pada video Anda sendiri, dan mengevaluasinya dengan skrip yang disertakan.

ABot-Earth 0.7 tidak dapat diperoleh dalam pengertian mana pun yang dimaksud. Amap belum menerbitkan bobot model, kartu model, API publik, harga, maupun dokumentasi pengembang. Situs pengalaman itu aktif, tetapi Amap menggambarkan generasinya sebagai hanya dengan undangan atau daftar putih, antarmukanya hanya dalam bahasa Mandarin Sederhana, dan repositori GitHub era 0.5 kabarnya hanya memuat laporan teknis dan tidak ada apa pun yang dapat dieksekusi. Setiap angka utama — sepuluh menit per kilometer persegi, sekitar 1.000× efisiensi rekonstruksi tradisional, sekitar seperseratus biaya, 196 lebih negara — berasal dari Amap dan belum direproduksi secara independen oleh siapa pun di luar Amap. Itu adalah angka yang dilaporkan vendor, dan saat ini tidak ada jalur yang memungkinkannya menjadi hal lain.

Jadi, perbandingan praktisnya bukanlah "model mana yang lebih baik." Perbandingannya adalah bahwa salah satunya merupakan artefak riset dengan lisensi komersial dan image Docker, sedangkan yang lainnya adalah demonstrasi produk dengan siklus pemberitaan. Keduanya adalah pencapaian yang sah. Hanya satu yang bisa Anda masukkan ke dalam build.

Di mana keduanya akan benar-benar bertemu

Ada komposisi yang nyata di sini, dan hal itu layak dibahas secara konkret, karena hanya dalam pengertian itulah semua ini berada dalam percakapan yang sama.

Keluaran CARI4D adalah interaksi manusia-objek dalam kerangka dunia metrik. Keluaran ABot-Earth 0.7 adalah sebuah lingkungan. Isi yang kedua dengan yang pertama dan Anda mendapatkan sesuatu yang tidak dihasilkan keduanya sendirian: kota yang dihasilkan di mana orang-orang melakukan hal-hal yang diukur secara fisik alih-alih ditempatkan secara artistik. Simulasi robotika, perencanaan tata letak ritel, dan pembuatan kumpulan data interaksi semuanya menginginkan persis kombinasi itu — lingkungan yang cukup murah untuk dibuat ulang dan gerakan manusia yang cukup akurat untuk dijadikan dasar pelatihan.

Titik temu antara keduanya adalah transformasi koordinat dan konvensi skala, dan itu bukan hal sepele, karena kerangka metrik CARI4D didefinisikan relatif terhadap satu kamera dan kerangka ABot-Earth 0.7 didefinisikan oleh geolokasi. Tidak ada yang pernah mempublikasikan integrasi itu. Itu jenis hal yang dibangun sebuah tim dalam seminggu dan tidak dituliskan.

Langkah yang terlupakan dalam alur itu adalah bagian yang mengubah data interaksi mentah menjadi sesuatu yang dapat dikueri — memberi keterangan pada klip, menandai peristiwa kontak, membangun indeks pengambilan dan filter kendali mutu atas keluarannya. Pekerjaan itu berjalan melalui model visi-bahasa dan model bahasa, dan itulah lapisan yang dicakup OrcaRouter: lebih dari 200 model di balik satu API, harga daftar penyedia diteruskan dengan markup 0%, failover otomatis saat penyedia mengalami penurunan, dan DSL perutean yang menyusun beberapa model menjadi satu panggilan sehingga proses pemberian keterangan dan proses QC tidak harus menjadi integrasi terpisah. Baik CARI4D maupun ABot-Earth 0.7 tidak dilayani di sana, dan keduanya bukan LLM — tetapi perkakas yang Anda gunakan di sekitarnya hampir pasti demikian.

Yang mana yang sebenarnya kamu inginkan?

Pilih CARI4D jika Anda memiliki video seseorang yang berinteraksi dengan suatu objek dan Anda memerlukan pose mereka, dalam satuan metrik, bingkai demi bingkai — untuk analisis gerak, persepsi robotika, referensi animasi, atau membangun kumpulan data interaksi. Sekarang sudah tersedia, sudah didokumentasikan, dan lisensi komersialnya terbit pada 30 Agustus 2026. Siapkan anggaran untuk rantai dependensi, dan baca ketentuan lisensi pada bagian yang tidak dimiliki NVIDIA.

Pilih ABot-Earth 0.7 jika Anda membutuhkan lingkungan alih-alih aktor — adegan berskala kota yang dihasilkan dari sebuah lokasi atau deskripsi, dengan cepat, dapat diekspor ke mesin game. Pahami bahwa Anda mengevaluasi kemampuan yang telah didemonstrasikan alih-alih mengadopsi alat, bahwa akses bersifat diskresioner, dan bahwa angka efisiensi tersebut milik Amap sendiri.

Pilih keduanya hanya jika Anda sedang membangun sistem tersusun yang dijelaskan di atas, dan lakukanlah dengan sadar bahwa Anda sendiri akan menulis sambungannya.

Pertanyaan yang layak diajukan bukanlah mana dari kedua ini yang menang. Melainkan apakah hal yang sebenarnya Anda bangun membutuhkan model rekonstruksi, model generasi, atau tidak keduanya — dan pada pertanyaan itu, kedua jawaban ini tidak pernah saling tumpang tindih.