Hi3D V1.0 vs CARI4D: Backbone yang Sama, Dua Pertanyaan Berbeda

Fakta yang paling memperjelas tentang Hi3D V1.0 dan CARI4D adalah bahwa keduanya dapat memanggil Hunyuan3D-2 milik Tencent. Hi3D V1.0, yang dirilis pada 23 Oktober 2026 sebagai penerus sumber terbuka bagi Sparc3D, menggunakan adaptor mini Hunyuan3D-2 dalam demonya untuk menghasilkan mesh kasar yang kemudian disempurnakannya. CARI4D, rekonstruksi 4D interaksi manusia-objek milik NVIDIA yang agnostik kategori, menggunakan Hunyuan3D-2 untuk merekonstruksi mesh objek dari frame pertama sebuah video sebelum melacak bagaimana objek itu bergerak. Model geometri hulu yang sama, dua pekerjaan yang sepenuhnya berbeda: Hi3D menanyakan seperti apa permukaan objek seharusnya terlihat pada resolusi tinggi, dan CARI4D menanyakan apa yang dilakukan orang dan objek itu seiring waktu.

Di mana posisi Hunyuan3D-2 sebenarnya

Ada baiknya bersikap tepat, karena "keduanya menggunakan Hunyuan3D" dapat menyiratkan hubungan yang lebih erat daripada yang sebenarnya ada.

Pustaka inti Hi3D sama sekali tidak memerlukan Hunyuan. Pipeline penyempurnaan mengambil gambar referensi dan mesh kasar, dan demo/refine_mesh.py tidak mengimpor apa pun dari Tencent. Adaptor mini Hunyuan3D-2 berada di demo/coarse_stage.py, bersifat opsional, dan ada agar seseorang yang hanya memiliki gambar dapat menghasilkan mesh kasar yang dibutuhkan penyempurna. Kode, bobot, dan keluaran Tencent tetap memiliki lisensinya sendiri dan harus diperoleh secara terpisah. Dalam pipeline produksi, Hunyuan adalah salah satu kemungkinan upstream di antara banyak.

{{1}}Ketergantungan CARI4D bersifat struktural. Tahap rekonstruksi objeknya mengambil frame pertama, menyegmentasi objek yang dimanipulasi, dan merekonstruksi geometrinya dengan Hunyuan3D-2. Mesh tersebut kemudian ditempatkan pada skala metrik menggunakan UniDepth dan pencarian coarse-to-fine melalui FoundationPose. Sisa pipeline — NLF untuk manusia, langkah pemilihan hipotesis pose, CoCoNet untuk koreksi render-and-compare, dan optimasi gabungan yang sadar kontak — bergantung pada mesh objek tersebut agar cukup baik untuk dijadikan acuan pelacakan.{{/1}}

Konsekuensinya adalah kerangka yang berguna untuk perbandingan ini. Tujuan utama Hi3D adalah mengoreksi jenis geometri yang dihasilkan Hunyuan3D-2. Tujuan CARI4D adalah memulihkan gerak, dan ia memperlakukan mesh sebagai masukan yang diwarisinya. Satu model diarahkan pada titik lemah model lain tanpa proyek mana pun menyatakannya.

Untuk apa setiap model yang telah dilatih

Komponen terpelajar Hi3D adalah aliran sparse yang dikondisikan pada fitur gambar, yang didefinisikan pada koordinat yang diambil dari mesh kasar. Komponen ini mengambil sampel latent sparse, mendekodenya dengan VAE sparse yang memangkas sendiri, mengekstrak permukaan, merevokselisasi, lalu mengulanginya. Tiga pass membawa grid struktural dari 64³ ke 128³ lalu ke 192³ dan grid ekstraksi sparse dari 512³ ke 1024³ lalu ke 1536³, dengan 25 pembaruan scheduler per pass. Model ini mempelajari detail geometris lokal: tepi, struktur tipis, kesinambungan permukaan, bagian-bagian yang dihaluskan oleh generator kasar.

Komponen yang dipelajari CARI4D adalah CoCoNet, sebuah jaringan render-dan-bandingkan. Jaringan ini merender estimasi saat ini dari objek dan manusia ke dalam RGB, kedalaman, dan mask, mengodekan render tersebut dengan DINOv2 ViT-B/14 dan enkoder enam kanal XYZ-dan-mask ViT-S/14, menjalankan atensi spasiotemporal, dan meregresi koreksi pose per frame plus dua logit kontak tangan. Checkpoint risetnya memiliki 194M parameter; varian MHR berlisensi komersial yang dirilis pada 30 Agustus 2026 memiliki 231M parameter. Yang dipelajarinya bukan detail bentuk, melainkan hubungan antara hipotesis yang dirender dan frame yang diamati.

Itu adalah sinyal pelatihan yang berbeda dan mode kegagalan yang berbeda. Hi3D dapat membuat siluet yang salah menjadi lebih tajam. CARI4D dapat melacak objek dengan bentuk yang buruk secara akurat melalui video dan tetap menghasilkan mesh yang buruk, karena metriknya berkaitan dengan pose dan kontak, bukan fidelitas permukaan.

Apa yang keluar, baris demi baris

• Input — Hi3D V1.0 sebuah gambar referensi ditambah mesh kasar vs CARI4D sebuah video RGB monokular

• Keluaran — Hi3D V1.0 mesh trimesh yang hanya geometri vs pose dan bentuk manusia per frame CARI4D, rotasi dan translasi objek, dan dua logit kontak tangan

• Skala — Hi3D V1.0 dipusatkan kembali dan dinormalisasi terhadap radius maksimum satuan vs skala metrik CARI4D yang dipulihkan melalui UniDepth dan FoundationPose

• Tekstur — Hi3D V1.0 none vs CARI4D none; ini mengembalikan pose dan kontak, bukan aset bertekstur

• Komputasi — Hi3D V1.0 diukur pada NVIDIA H20 96 GB, tanpa jalur CPU, ukuran batch satu vs CARI4D PyTorch pada NVIDIA Ampere, divalidasi pada A100, dengan image Docker

• Lisensi — Hi3D V1.0, Hi3D Open License 1.0, penggunaan komersial dengan pemicu 200.000 MAU atau pendapatan bulanan USD 1 juta vs CARI4D, NVIDIA Open Model Agreement untuk checkpoint komersial 231M, hanya untuk riset untuk rilis 194M

• Bukti — Hi3D V1.0 tidak menerbitkan tolok ukur numerik apa pun dibandingkan dengan CARI4D, sebuah makalah CVPR 2026 dengan ablasi dan hasil BEHAVE, yang dilaporkan oleh vendor dan tidak direproduksi secara independen

Eksperimen yang belum pernah diterbitkan siapa pun

Berikut adalah komposisi yang menjadi jelas berkat backbone bersama, dinyatakan sebagai eksperimen, bukan sebagai fitur.

CARI4D merekonstruksi mesh objeknya dari satu frame pertama melalui Hunyuan3D-2. Hi3D menyempurnakan justru mesh kasar semacam itu, dengan dikondisikan pada citra referensi objek yang sama — dan CARI4D memilikinya, karena frame pertama adalah referensi tersebut. Pada prinsipnya, sebuah pipeline dapat mengambil citra frame pertama dan mesh Hunyuan dari CARI4D, menjalankan Hi3D pada 1024³ atau 1536³, lalu mengembalikan permukaan yang telah disempurnakan itu ke tahap yang menempatkan dan melacaknya.

Dalam praktiknya, ada empat hambatan, dan tidak satu pun di antaranya yang kecil.

• Skala. Hi3D memusatkan ulang outputnya dan menormalisasikannya ke radius maksimum satu satuan. CARI4D memerlukan mesh berskala metrik untuk menginisialisasi FoundationPose. Transformasi baliknya tidak dipublikasikan, dan jika salah, ukuran tampak objek berubah di setiap frame.

• Struktur. Hi3D menyempurnakan struktur kasar yang diberikan kepadanya; ia tidak mengoreksinya. Jika Hunyuan3D-2 salah membaca topologi objek dari satu frame, Hi3D membuat kesalahan pembacaan itu menjadi lebih rinci. Pemilihan hipotesis pose CARI4D dapat menyerap sebagian galat objek — makalah melaporkan penurunan Chamfer distance objek dari sekitar 1.565 cm menjadi 16,85 cm saat inisialisasi — tetapi itu bukan tahap perbaikan bentuk.

• Runtime. Hi3D menjalankan satu objek dalam satu waktu, hingga tiga lintasan, masing-masing 25 langkah, tanpa latensi yang dipublikasikan. Pipeline CARI4D sudah merangkai Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet, dan optimasi gabungan. Menambahkan tahap penyempurnaan 96 GB di depan loop per klip mungkin dapat dipertahankan secara offline dan mustahil secara interaktif.

• Validasi. Belum ada yang menerbitkan integrasi ini. Angka-angka dalam makalah CARI4D mengukur akurasi pose dan kontak, bukan efek mesh objek yang lebih baik terhadap angka-angka tersebut. Sangat mungkin bahwa penghalusan tersebut meningkatkan mesh dan hampir tidak mengubah metrik rekonstruksi, karena pelacakan bersifat robust terhadap detail permukaan. Mungkin juga bahwa mesh yang lebih tajam meningkatkan korespondensi FoundationPose. Sampai seseorang menjalankan ablasi, keduanya hanyalah dugaan.

Nilai jujur dari pengamatan ini bukanlah "gunakan keduanya bersama-sama." Nilainya adalah bahwa kedua rilis tersebut saling melengkapi pada sambungan tertentu, dan sambungan itu memiliki pertanyaan terukur yang menyertainya yang belum dijawab oleh vendor mana pun.

Dua jenis bukti, tak satu pun independen

CARI4D tampak memiliki bukti yang lebih baik daripada Hi3D, dan memang demikian, tetapi perbedaannya lebih kecil daripada yang tampak pada pandangan pertama. CARI4D memiliki makalah CVPR 2026 yang ditinjau sejawat, benchmark bernama, ablasi, dan melaporkan error rekonstruksi 38% lebih rendah pada data in-distribusi serta 36% pada data yang belum pernah dilihat. Itu adalah angka NVIDIA dari evaluasi NVIDIA. Tidak ada laboratorium netral yang mereproduksinya. Kode dan skrip evaluasinya bersifat publik, yang membuat reproduksi mungkin dilakukan, bukan sudah dilakukan.

Hi3D tidak memiliki tolok ukur numerik sama sekali. Repositori tersebut menerbitkan perbandingan visual lintas sembilan metode untuk geometri lokal, klaim skala pelatihan sekitar dua juta aset terkurasi, dan klaim resolusi ekstraksi sparse 1536³. Siaran pers menambahkan tingkat keberhasilan pengirisan 90% dan klaim skor kesetiaan serta detail multi-sudut pandang tertinggi dalam evaluasi yang dilaporkan, tanpa skor, tanpa baseline, dan tanpa nama slicer. Kode pelatihan dan harness evaluasi tidak ada, sehingga tabel-tabel makalah tidak dapat dibangun ulang dari siaran pers tersebut.

Dengan kata lain, keduanya dilaporkan oleh vendor. Yang satu menyertakan makalah dan yang lainnya siaran pers. Pembeli sebaiknya menganggap lencana CVPR sebagai alasan untuk menanggapi metodologi tersebut dengan serius, bukan sebagai pengganti pengujian independen.

Pertanyaan apa yang sebenarnya kamu punya

Jika Anda memiliki video seseorang yang menangani suatu objek dan Anda perlu mengetahui bagaimana tangan, objek, dan tubuh bergerak — pose skala metrik, titik kontak, frame demi frame — CARI4D adalah sistem yang dibangun untuk itu, dan checkpoint komersialnya membuatnya dapat diterapkan. Hi3D sama sekali tidak dapat menjawab pertanyaan itu. Sistem ini tidak memiliki model temporal, keluaran pose, maupun penalaran kontak.

Jika Anda memiliki gambar referensi dan mesh kasar serta membutuhkan aset statis yang lebih tajam, Hi3D adalah alat yang tepat. CARI4D juga tidak dapat menjawab pertanyaan itu: mesh objeknya merupakan produk sampingan dari pipeline pelacakan, dihasilkan pada tingkat kesetiaan apa pun yang diberikan Hunyuan3D-2 dari satu frame, dan ia mengekspos pose alih-alih permukaan yang telah disempurnakan.

Jika Anda sedang membangun komposit — sebuah pipeline rekonstruksi yang geometri objeknya menjadi mata rantai terlemah — langkah menariknya adalah menguji apakah penghalusan Hi3D meningkatkan metrik hilir CARI4D. Itu adalah pertanyaan penelitian dengan eksperimen yang jelas dan belum ada jawaban yang diterbitkan. Anggarkan untuk transformasi skala dan GPU sebelum Anda menganggarkan untuk makalahnya.

Lapisan yang mengelilingi keduanya

Kedua model tersebut tidak dilayani oleh OrcaRouter, dan keduanya bukan model bahasa. Katalognya mencakup teks, visi, video, embedding, dan ucapan; rekonstruksi 3D dilakukan di perangkat keras Anda sendiri. Namun, pemanggilan di sekitar rekonstruksi adalah pemanggilan model: memberi takarir pada frame pertama, mendeskripsikan objek untuk catatan aset, atau menilai apakah render yang telah disempurnakan masih sesuai dengan referensi dari tiga sudut.

Yang terakhir cocok untuk fusi model. Daripada memercayai opini satu model visi bahwa mesh yang disempurnakan itu akurat, kirim perbandingan multi-tampilan yang sama ke panel model dan biarkan jawaban mereka diagregasi. OrcaRouter mengekspos fusi dan lebih dari 200 model individual di balik satu API, dengan harga daftar penyedia diteruskan pada markup 0% dan failover otomatis jika salah satu penyedia mengalami degradasi. Geometri tetap berada di GPU Anda; penilaian di sekitarnya dapat bersifat redundan tanpa mahal untuk dihubungkan.

Apa yang bisa menyelesaikannya

Satu ablasi saja akan lebih berguna daripada perbandingan spesifikasi apa pun: ambil satu sekuens BEHAVE, sempurnakan mesh objek dengan Hi3D pada 1024³, batalkan normalisasi, dan laporkan metrik pose dan kontak terhadap baseline yang belum dihaluskan. Jika angkanya berubah, backbone bersama itu menjadi pipeline. Jika tidak, nilai Hi3D tetap berada di posisi terkuatnya — sebagai alat geometri mandiri bagi orang yang sudah memiliki mesh kasar.

Sampai eksperimen itu ada, pembagian yang dapat dipertahankan itu sederhana. Hi3D V1.0 adalah penyempurna geometri dengan bobot terbuka dan tanpa benchmark. CARI4D adalah rekonstruktor gerak dengan sebuah makalah dan checkpoint komersial. Keduanya bertemu di Hunyuan3D-2, dan keduanya bukan pengganti satu sama lain.