PAN 2 vs Hunyuan3D WorldClaw: Satu Model dengan Dua Bagian, atau Lima Puluh Model dalam Satu Trench Coat

Letakkan keduanya berdampingan dan hal pertama yang Anda sadari adalah keduanya bukan jenis objek yang sama. PAN 2 adalah sebuah model: transformer difusi multimodal dengan 29 miliar parameter dari Institute of Foundation Models, Apache-2.0 di Hugging Face sejak 7 Oktober 2026, kode pada 5 November, dukungan vLLM-Omni Day-0 pada 10 November, dan ia melakukan satu hal — dengan diberikan frame awal dan aksi yang dijelaskan, ia merender video 704×1248 hingga dua puluh detik pada 24 frame per detik sambil memprediksi konsekuensinya. Hunyuan3D WorldClaw adalah sebuah framework: pipeline agentik Tencent Hunyuan untuk mengubah satu prompt teks terbuka menjadi scene 3D yang dapat dijelajahi yang tersusun dari mesh per objek bertekstur eksplisit, dijelaskan dalam arXiv 2608.05248 pada 5 Agustus 2026 dan diumumkan pada 11 Agustus, dengan repositori yang hanya berisi README dan aset serta tidak ada kode. Yang satu adalah checkpoint yang dapat diunduh dan Anda jalankan. Yang lain adalah metode yang dipublikasikan yang harus Anda bangun ulang.

Hal kedua yang Anda perhatikan lebih berguna. Makalah WorldClaw sendiri menyebutkan model-model yang dijalankannya, dan daftar itu adalah daftar belanja komponen milik pihak lain: Claude Opus 4.8 untuk perencanaan, GPT-Image-2 untuk citra, SAM3 dan SAM3D untuk segmentasi, Hunyuan3D untuk rekonstruksi, Blender 5.1.1 yang dikendalikan melalui MCP untuk perakitan, semuanya di atas empat NVIDIA H20. PAN 2 menyebut satu komponen dan membiarkannya dapat ditukar: model bahasa apa pun yang dapat mengikuti instruksi menulis keterangan terstruktur, dan IFM memeringkat empat di antaranya. Itulah perbandingan yang sebenarnya — bukan adegan versus video, melainkan apa yang terjadi pada sebuah sistem ketika kecerdasan tersebar di sepanjang rantai vendor alih-alih terkonsentrasi dalam satu checkpoint.

Dua arsitektur, digambarkan secara jujur

Desain PAN 2 adalah Generative Latent Prediction dari Critique of World Models (arXiv 2507.05169). Sebuah penalar konseptual menuliskan keadaan dunia berikutnya sebagai deskripsi terstruktur yang berlandaskan waktu — peristiwa secara berurutan, tindakan yang terikat pada aktor, gerakan kamera — sebuah encoder teks Qwen3.5-9B yang dibekukan memetakannya ke fitur pengondisian, sebuah transformer difusi 29B mengisi detail perseptual, dan VAE Wan 2.2 mendekode frame-frame tersebut. Dua bagian, satu repositori, satu lisensi.

Desain WorldClaw adalah loop penyempurnaan empat tahap yang oleh para penulisnya disebut coarse-to-fine: agen model bahasa membaca prompt dan menghasilkan rencana adegan; pass global menghasilkan tata letak semantik, height field, dan material sehingga tanah koheren sebelum apa pun diletakkan di atasnya; wilayah dirender, disegmentasi, dan direkonstruksi menjadi mesh individual melalui Hunyuan3D; dan agen visi memeriksa render untuk objek melayang, interpenetrasi, skala salah, dan pose salah, lalu mengirimkan koreksi kembali. Janji geometri eksplisit ditepati — Anda mendapatkan objek, bukan gumpalan menyatu atau Gaussian splat — dan agen melakukan pekerjaannya sekali, sebelum Anda memuat adegan.

Titik temu keduanya adalah bagian yang layak diinternalisasi: dalam kedua sistem, piksel adalah bagian yang cepat dan murah, sementara model bahasa memutuskan apa yang seharusnya ada. Titik bedanya adalah siapa yang memiliki model bahasa tersebut. IFM memperlakukan reasoner sebagai variabel dan menerbitkan harness yang memberi peringkat kandidat. Tencent memperlakukan reasoner sebagai dependensi dan menyebutkan satu.

Apa yang didapat dari kata "agentic", dan apa yang harus dibayar

Jebakan dalam perbandingan ini adalah kedua pengumuman itu sama-sama memakai kata tersebut, tetapi keduanya tidak memaksudkan hal yang sama dengannya.

• Agen sebagai penulis — perencana WorldClaw menguraikan prompt menjadi rencana adegan dan agen visinya memberikan koreksi; penalar PAN 2 menulis keterangan yang menggambarkan apa yang terjadi selanjutnya.

• Saat kecerdasan itu berjalan — milik WorldClaw berjalan sekali, dalam loop penyusunan, dan hilang saat mesh diekspor; milik PAN 2 berjalan sekali per klip, pada setiap panggilan, sepanjang umur sistem.

• Jenis output — WorldClaw mengembalikan file scene dengan mesh, material, dan transformasi individual; PAN 2 mengembalikan MP4 yang sama sekali tidak berisi geometri.

• Kemampuan edit — keluaran WorldClaw terbuka di pemodel, diretropologisasi, dan ditempatkan; satu-satunya permukaan yang dapat diedit pada PAN 2 adalah keterangannya, sehingga revisi berarti merender ulang.

Permukaan dependensi — WorldClaw memerlukan enam komponen berlisensi terpisah dan instalasi Blender; PAN 2 memerlukan bobot, encoder teks, dan VAE.

• Apa arti "baik" — WorldClaw dinilai berdasarkan apakah adegan tersusun tanpa objek melayang; PAN 2 dinilai berdasarkan apakah konsekuensi yang dihasilkannya adalah konsekuensi yang benar-benar akan dihasilkan oleh tindakan tersebut.

Biaya dari kecerdasan tersebar WorldClaw bukanlah konseptual, melainkan operasional: enam komponen berarti enam rangkaian ketentuan, enam mode kegagalan, dan enam tempat di mana kenaikan versi dapat mengubah keluaran. Biaya dari kecerdasan terkonsentrasi PAN 2 adalah kebalikannya — satu lisensi, satu pohon dependensi, dan satu penalar yang harus Anda evaluasi sendiri karena peringkat vendor atasnya adalah peringkat dari vendor itu sendiri.

Tidak satu pun dari kedua biaya itu merupakan cacat. Tetapi hal itu menjelaskan mengapa keduanya jarang menjadi jawaban yang tepat untuk pertanyaan yang sama: yang satu adalah pipeline konten, yang lain adalah mesin konsekuensi, dan tim yang membutuhkan mesh tidak akan menemukan apa pun di PAN 2 yang dapat membantu tim tersebut.

Dua pipeline, ditulis sebagai rangkaian tahapan

Sequence adalah tempat di mana perbedaan antara model dan framework terlihat paling jelas.

• PAN 2, satu panggilan — baca observasi dan aksi yang diminta, tulis state dunia terstruktur, enkode, jalankan lima puluh langkah difusi pada guidance 2.5, dekode dua puluh detik 704×1248. Tidak ada apa pun dalam urutan itu yang bertahan setelah klip.

• WorldClaw, empat tahap — rencanakan adegan dengan model bahasa, hasilkan tata letak semantik global dan bidang ketinggian, render dan segmentasikan wilayah lalu rekonstruksi masing-masing menjadi mesh, kemudian periksa hasil render dengan agen visi dan kirimkan koreksi kembali. Tidak ada bagian dalam urutan itu yang merupakan model tunggal.

• Di mana state berada — satu-satunya artefak tahan lama PAN 2 adalah caption dan MP4; milik WorldClaw adalah file scene dengan mesh, material, dan transformasi individual yang bertahan lebih lama daripada pipeline.

• Di mana ia bisa gagal — PAN 2 gagal di dalam render: langkah yang terlewat, drift, jalan pintas fisika. WorldClaw gagal pada sambungan: perencana yang salah membaca prompt, segmenter yang memotong objek menjadi dua, rekonstruktor yang menghasilkan skala yang salah, assembler yang membuat dua mesh saling menembus.

• Apa yang dapat Anda periksa — PAN 2 memberi Anda video dan anggaran token; WorldClaw memberi Anda geometri yang dapat diukur, dan karenanya kesalahan yang dapat Anda atribusikan.

Baris terakhir adalah yang layak dipertahankan. Kegagalan yang dapat diatribusikan lebih murah untuk diperbaiki daripada kegagalan yang hanya bisa dilihat, dan pipeline mesh memberikannya secara gratis karena artefak perantaranya dapat diperiksa. Pipeline video memberi Anda jawaban akhir dan keterangan, dan ketika jawabannya salah, satu-satunya tuas Anda adalah keterangan itu.

Ini juga menjelaskan mengapa tahap koreksi agen visi WorldClaw memang ada. Interpenetrasi, objek melayang, pose yang salah, dan skala yang salah adalah mode kegagalan saat merakit geometri dari bagian-bagian yang dihasilkan secara terpisah, dan tidak satu pun darinya terlihat sampai Anda merender dan memeriksanya. Model tunggal tidak memerlukan tahap itu karena model tunggal tidak dapat menghasilkan scene yang bagian-bagiannya tidak selaras — model itu hanya dapat menghasilkan scene yang salah secara keseluruhan.

Kesenjangan evaluasi tidak simetris, dan arahnya berlawanan dengan lisensi-lisensi.

Evaluasi terbitan WorldClaw bersifat kualitatif. Makalah tersebut membandingkan keluarannya secara berdampingan dengan SynCity, WorldGen, MajutsuCity dan Marble, dan tidak ada FID, tidak ada skor CLIP, tidak ada studi pengguna dengan angka yang dilampirkan. Untuk makalah yang mendeskripsikan kerangka kerja pembangkitan adegan, itu adalah celah yang nyata, dan tim mana pun yang mengimplementasikannya kembali harus memperlakukan "terlihat lebih baik daripada SynCity" sebagai hipotesis, bukan hasil.

PAN 2 menerbitkan lebih banyak informasi, dan memberi label pada kondisinya dengan lebih tepat daripada yang dilakukan sebagian besar rilis model video. Tiga ratus kasus uji aksi tunggal di enam kategori kemampuan, 201 gambar-ke-video dan 99 teks-ke-video; seratus tugas sehari-hari egosentris yang diajukan dalam kedua format, 200 prompt dan 456 langkah, dinilai berdasarkan penyelesaian langkah dan penyelesaian rencana penuh pada tiga seed; Physics-IQ Verified pada pengaturan gambar-ke-video, dinormalisasi sehingga varians antara dua pengambilan nyata sama dengan 100; PhyGround pada skala lima poin yang dinilai oleh Qwen3.8-27B; RBench sebagai rata-rata tak berbobot atas lima kategori tugas dan empat kategori perwujudan; dan studi manusia berpasangan secara buta terhadap 140 prompt dengan tiga belas peninjau dan 1.400 perbandingan, Elo yang dicocokkan dengan Bradley–Terry dan dipusatkan pada 1500.

Tiga belas peninjau adalah panel kecil, dan mereka menilai model para penulis terhadap baseline para penulis, dengan model pembanding tertutup dihasilkan sekali melalui API inferensi pihak ketiga dan beberapa baris ditandai sebagai single-seed. Tidak ada satu pun yang independen. Semuanya dapat dibaca, yang merupakan pilihan terbaik berikutnya — dan itulah perbedaan antara rilis yang bisa Anda perdebatkan dan rilis yang hanya bisa Anda lihat.

Lisensi-lisensi itu justru berlawanan dengan bukti. PAN 2 adalah Apache-2.0, tanpa pembatasan akses, 86,17 gigabyte di enam puluh file, tanpa kewajiban atribusi, tanpa ambang pengguna. WorldClaw tidak memiliki lisensi untuk dibaca, karena tidak ada yang perlu dilisensikan: proyek GitHub tersebut hanya berisi README dan aset, tanpa kode, tanpa bobot, tanpa skrip inferensi, tanpa API, dan tanpa harga. Makalah kerangka kerja tanpa implementasi adalah deskripsi metode, bukan alat, dan persyaratan empat H20 plus ketergantungannya pada tumpukan model yang dilisensikan secara terpisah berarti suatu rilis tidak akan menjadi unduhan langsung pakai bahkan jika itu terjadi.

Di mana router sebenarnya memikul beban, dan itu bukan di tempat yang Anda duga

Ini adalah pasangan langka ketika fakta komersial yang menarik berada di sisi kerangka kerja. Separuh perencanaan WorldClaw bukanlah model misterius di balik API — namanya disebutkan dalam makalah, dan komponen yang disebutkan adalah model katalog biasa. Claude Opus 4.8 ada dalam katalog OrcaRouter. GPT-Image-2 juga. Begitu pula keempat reasoner yang diperingkatkan IFM untuk tahap caption PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3, dan Qwen3.8-Flash.

Artinya, tim yang mengimplementasikan ulang dekomposisi WorldClaw — rencana, medan, objek, penyempurnaan — dapat merakit tahap bahasa dan gambar hari ini melalui satu kunci, dengan harga daftar tiap penyedia diteruskan dengan markup 0%, dengan failover otomatis ketika panggilan perencanaan mengalami timeout di tengah proses pembangunan. Kunci yang sama menggerakkan slot reasoner PAN 2 saat Anda menukar penulis caption di antara eksperimen dan mempertahankan renderer 29B tetap pada node Anda sendiri. Yang tidak dilakukan OrcaRouter adalah menghosting PAN 2 maupun Hunyuan3D WorldClaw: salah satunya adalah model difusi video yang Anda jalankan di perangkat keras Anda, yang lainnya tidak ada sebagai kode yang dapat dijalankan di mana pun. Tidak ada bagian dalam artikel ini yang boleh ditafsirkan sebagai menyiratkan sebaliknya.

Perumusan yang jujur adalah bahwa kita merutekan titik-titik sambungnya. Dalam pipeline bergaya WorldClaw ada tiga titik sambung — prompt ke rencana, rencana ke gambar, render ke kritikus — dan masing-masing merupakan panggilan yang diukur pemakaiannya. Dalam pipeline PAN 2 hanya ada satu, dan itulah satu-satunya bagian yang tidak memerlukan GPU. Itu klaim yang lebih sempit daripada "kami menjalankan model dunia", dan itulah yang benar.

Apa yang diajarkan setiap desain kepada Anda bahkan jika Anda tidak menjalankan keduanya

Ide WorldClaw yang paling mudah ditransfer adalah dekomposisinya, bukan scenenya. Rencanakan, tata letak terrain, rekonstruksi objek satu per satu, lalu periksa dan koreksi — struktur empat tahap itu adalah arsitektur yang sehat untuk pipeline apa pun yang outputnya harus diedit nanti, dan pilihan explicit mesh adalah pilihan yang tepat untuk apa pun yang keluar dari pipeline dan masuk ke game engine. Loop koreksi dengan agen visi yang memeriksa objek melayang dan skala yang salah adalah bagian yang paling sering dilewati tim dan paling sering disesali karena dilewati.

Ide yang paling mudah dipindahkan dari PAN 2 adalah kontrak caption. Antarmukanya bukan kotak prompt; ini adalah deskripsi terstruktur yang berakar pada waktu dengan anggaran token 1.480 lunak dan 1.536 keras, keterampilan penulis ulang prompt yang sudah dirilis, prompt negatif tetap, dan validator yang memeriksa caption terhadap batas encoder. Teks bebas ditulis ulang sebelum digunakan, dan kartu model menyatakan dengan jelas bahwa studi kasus agen bergantung pada prompt yang disempurnakan secara manual. Tim mana pun yang membangun model dunia atau mengonsumsinya harus meniru itu: kontrak antara bagian penalaran dan bagian rendering adalah tempat kualitas dimenangkan atau hilang, dan itu layak mendapatkan skema, bukan sekadar firasat.

Kedua desain juga berbagi kegagalan yang belum dipecahkan bidang ini, dan keduanya gagal dengan cara yang berbeda. PAN 2 mengalami pergeseran dalam tampilan antarklip karena setiap klip disimulasikan dari paling banyak satu frame awal plus teks, dan kartunya menyebut memori perseptual sebagai bagian yang hilang; bagian keterbatasannya sendiri diawali dengan pengakuan bahwa sekitar dua dari tiga rencana simulasi berisi setidaknya satu langkah yang tidak dijalankan. Pergeseran WorldClaw bersifat geometris dan spasial: saling menembus, skala yang salah, objek yang melayang, yang membuatnya sama sekali memerlukan agen visi dalam loop. Yang satu memerlukan memori, yang lain memerlukan pemeriksa, dan tidak ada yang telah menerbitkan kurva terukur tentang seberapa buruk kondisinya seiring waktu.

Keputusan, dalam sekali jalan

Jika Anda membutuhkan sebuah tempat — sebuah level, dataset interior sintetis, set produksi virtual — WorldClaw adalah referensi yang lebih relevan dan Anda tidak dapat menjalankannya. Ambil dekomposisi empat tahap dan keluaran mesh eksplisit ke dalam build Anda sendiri, anggarkan mesin kelas empat-H20 plus dependensi Blender, dan ganti evaluasi kualitatif dengan sesuatu yang dapat Anda ukur, karena makalah tersebut tidak memberikannya kepada Anda.

Jika Anda membutuhkan konsekuensi — apa yang dilakukan sebuah rencana, sebelum Anda berkomitmen padanya — PAN 2 dapat diunduh sore ini, berlisensi permisif, dan jujur tentang kegagalan dalam dua dari tiga rencana. Baca halaman batasan terlebih dahulu, libatkan pemeriksa, dan perkirakan menghabiskan jam GPU alih-alih dolar per token: video tiga belas detik membutuhkan sekitar 119 detik pada empat B300, dan sampler menjalankan seratus forward pass per klip.

Jika Anda membangun hal yang tidak diluncurkan oleh kedua lab tersebut — dunia yang dapat Anda edit sebagai geometri lalu amati perilakunya — Anda merakitnya sendiri dari sebuah refiner, pembangun adegan, renderer, dan model bahasa di setiap sambungan. Itu lebih banyak kerja daripada yang disiratkan oleh kedua pengumuman tersebut, dan di situlah kerja praktis kategori ini selama setahun ke depan akan terjadi.

Yang akan mengubah halaman ini adalah kode. Rilis WorldClaw dengan bobot dan skrip inferensi akan mengubah sebuah metode menjadi alat dan membuat perbandingan menjadi hidup; varian PAN 2 yang mengeluarkan kedalaman bersama RGB akan melakukan hal yang sama dari arah lain. Keduanya belum ada saat ini. Sampai salah satunya ada, ringkasan yang akurat adalah mesin konsekuensi yang dapat diunduh dan kerangka adegan yang tidak dapat dibangun, dan satu-satunya hal yang benar-benar mereka bagi adalah ambisi untuk memprediksi dunia alih-alih merender gambar tentangnya.