PAN 2 vs Hy-Nomas: Lisensi Sama, Keluarga Arsitektur Sama, Dua Definisi "Aksi"

This is the only pair in the current crop of world models where the comparison is a real choice rather than a category error. PAN 2 is the Institute of Foundation Models' 29-billion-parameter world model, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, which turns a starting frame and a described action into up to twenty seconds of 704×1248 video at 24 frames per second. Hy-Nomas is T​encent Hunyuan's interactive video world model, Apache 2.0, roughly 8 billion parameters, described in arXiv 2610.36729 on 27 October 2026, which turns a text prompt plus a continuous camera trajectory into 720p video at 24 frames per second in eight distilled steps. Both are open-weight. Both are diffusion transformers generating video from a conditioning signal. Both are downloadable this afternoon. Anyone choosing between them cannot use licence, availability or category as a tiebreak, which is exactly what makes it worth doing carefully.

Penentu yang benar-benar berhasil adalah satu kalimat yang tidak dimasukkan tim mana pun ke dalam abstraknya: apa yang dianggap sebagai aksi. Sinyal kontrol Hy-Nomas adalah ke mana kamera bergerak. Sinyal kontrol PAN 2 adalah apa yang terjadi dalam adegan, yang dicatat oleh model bahasa sebagai urutan peristiwa yang terikat pada aktor. Keduanya cukup berbeda sehingga prompt yang bekerja baik pada salah satunya hampir tidak bermakna pada yang lain, dan jika Anda hanya mengambil satu pelajaran dari perbandingan ini, itulah pelajarannya.

Dua antarmuka pengondisian, bukan dua tingkat kualitas

Hy-Nomas mengondisikan pada teks plus jalur kamera. Jalurnya kontinu dan geometris: Anda memberi tahu ke mana titik pandang bergerak, dan model menghasilkan segmen yang dikondisikan pada riwayat tersimpan sehingga dunia tetap koheren saat Anda bergerak. Prompt enhancer-nya, Nomas-PE, menulis ulang prosa lepas menjadi caption JSON terstruktur, yang merupakan insting yang sama yang diikuti prompt-rewriter PAN 2 dari arah sebaliknya — kedua tim menyimpulkan bahwa teks bebas terlalu samar untuk dijadikan kondisi bagi diffusion transformer.

Titik perbedaan keduanya adalah apa yang digambarkan oleh bentuk terstruktur. Struktur Hy-Nomas bersifat spasial dan berpusat pada sudut pandang; hal yang dimodelkan secara tepat adalah gerakan kamera melalui suatu adegan. Struktur PAN 2 bersifat temporal dan berpusat pada aktor: peristiwa secara berurutan, setiap tindakan terikat pada aktor yang melakukannya, ditambah gerakan kamera sebagai salah satu bidang di antara beberapa bidang. Bacalah perumusan IFM sendiri dan penekanannya tak terbantahkan — keterangannya menjelaskan apa yang terjadi setelah suatu tindakan, dan demonstrasi yang membuat model itu terkenal adalah stroberi yang dijatuhkan ke dalam mangkuk di mana mengganti buah atau cairannya mengubah cipratan.

• Pengondisian — Hy-Nomas menerima teks bebas plus trajektori kamera kontinu; PAN 2 menerima frame pertama opsional plus keterangan aksi terstruktur yang berpatokan pada waktu.

• Apa arti "action" — Hy-Nomas: pergerakan kamera, yaitu ke mana Anda melihat; PAN 2: sebuah peristiwa dengan aktor, yaitu apa yang terjadi.

• Struktur segmen — Hy-Nomas bersifat autoregresif per segmen berdasarkan riwayat KV yang di-cache, sehingga konteks terbawa lintas segmen; PAN 2 menyimulasikan setiap klip dari paling banyak satu frame awal ditambah teks, tanpa status yang terbawa antar-klip.

• Keluaran — Hy-Nomas: 720×1280 pada 24 fps dalam delapan langkah terdistilasi; PAN 2: 704×1248 pada 24 fps selama lima puluh langkah sampler dengan panduan 2.5.

• Ukuran — Hy-Nomas: sekitar 8B di 54 blok MMDiT aliran ganda pada ukuran tersembunyi 2.048, ditambah dekoder PixelUMM yang telah disesuaikan atas laten DCAE-V; PAN 2: MMDiT 29B ditambah encoder teks Qwen3.5-9B yang dibekukan dan VAE Wan 2.2.

• Perangkat keras — Hy-Nomas: delapan GPU dalam deployment referensi, dengan satu jalur RTX 4090 yang menggunakan DiT INT8, cache KV, dekoder FP8, dan offload CPU pada sekitar 38GB; PAN 2: delapan H200 dalam BF16 sebagai default terdokumentasi, dengan resep yang menempatkan video berdurasi tiga belas detik pada sekitar 119 detik di empat B300.

• Ukuran bobot — Hy-Nomas: sekitar 196GB di Hugging Face sebagai tencent/Hy-Nomas; PAN 2: 86.17GB dalam enam puluh file sebagai IFM/PAN2.

Tujuh dimensi dan tidak satu pun darinya adalah skor. Apa yang dijelaskan semuanya adalah divergensi desain: Hy-Nomas menaruh parameternya pada menjaga dunia tetap koheren saat Anda bergerak melaluinya, PAN 2 menaruh parameternya pada memprediksi apa yang dilakukan suatu tindakan. Jalur kamera murah untuk ditentukan dan sulit dipalsukan; rangkaian peristiwa bersifat ekspresif dan mahal untuk dihasilkan.

Di mana perbedaannya terasa: tiga tugas, kedua model

Kontras abstrak itu murah. Yang ini konkret.

Bimbing saya menyusuri sebuah flat. Hy-Nomas menang telak. Anda menginginkan jalur kontinu melalui koridor dan masuk ke dapur, dengan ruangan di belakang Anda tetap menjadi ruangan di belakang Anda. Itu adalah generasi segment-autoregresif atas riwayat yang di-cache, yang justru menjadi tujuan arsitekturnya, dan PAN 2 tidak dapat melakukannya: ia merender sebuah klip, dan klip berikutnya dimulai dari frame yang Anda sediakan tanpa memori tentang apa yang sebelumnya. Merangkai klip PAN 2 untuk membuat walkthrough menghasilkan drift yang diperingatkan oleh kartu modelnya sendiri, di mana tampilan berubah antar klip dalam interaksi panjang karena masing-masing disimulasikan dari paling banyak satu frame awal.

Saya membuka laci dan cangkirnya jatuh. PAN 2 menang, dan ini bukan hasil yang tipis. Permintaannya adalah sebuah peristiwa dengan pelaku dan konsekuensi fisik. Pengondisian Hy-Nomas tidak memiliki bidang untuk "laci terbuka" yang terpisah dari kamera — Anda bisa memasukkannya ke dalam prompt teks, dan prompt enhancer-nya akan menyusunnya, tetapi anggaran presisi model telah dihabiskan untuk sudut pandang alih-alih untuk kontak dan konsekuensi. Kontrak caption PAN 2 ada justru untuk mengikat tindakan pada pelaku dan mengurutkannya dalam waktu, itulah sebabnya IFM merilis validator yang memeriksa deskripsi terhadap anggaran text encoder sebesar 1.480 token lunak dan 1.536 token keras alih-alih membiarkan prosa lolos.

Hasilkan dua ratus varian adegan manipulasi untuk sebuah dataset.Keduanya salah, dengan cara yang berbeda. Hy-Nomas akan memberi Anda dua ratus gerakan kamera yang koheren melalui dua ratus adegan dan sangat sedikit kendali atas apakah lengan tersebut benar-benar menggenggam sesuatu. PAN 2 akan memberi Anda dua ratus klip terkondisi aksi dan, menurut kartu informasinya sendiri, sekitar dua dari tiga rencana akan berisi setidaknya satu langkah yang tidak dijalankan — jadi sepertiga dataset Anda akan tidak dapat digunakan kecuali Anda membuat pemeriksa. Keduanya bukan mesin data siap pakai; perbedaannya adalah apakah kegagalannya berupa penyimpangan geometris atau langkah yang terlewat, dan mana di antara keduanya yang dapat ditoleransi oleh tugas hilir Anda.

Tugas ketiga itu juga yang menentukan perangkat keras Anda. Dua ratus klip 720p delapan langkah pada satu 4090 terkuantisasi adalah pekerjaan satu sore. Dua ratus klip pada node empat-B300 dengan 119 detik per tiga belas detik video adalah beberapa hari, dan aritmetika itulah alasan sebenarnya kedua model tidak dapat dipertukarkan bahkan ketika kapabilitasnya tumpang tindih.

Kegagalan yang sama dengan dua nama yang berbeda

Kedua kartu mengakui kelemahan yang sama dan tak satu pun memperbaikinya: model dunia dengan horizon panjang kehilangan dunianya. PAN 2 menyatakan bahwa penampilan bergeser antar klip dan menyebut memori perseptual sebagai bagian yang hilang. Hy-Nomas menanganinya secara langsung dengan KV cache yang dibawa dan pola atensi kausal yang menjaga konteks deskriptif tetap hidup lintas segmen sekaligus membatasi instruksi tindakan pada jendela saat instruksi itu dikeluarkan — lalu melaporkan dalam evaluasinya sendiri bahwa ia masih tertinggal dari Genie 3 dalam memori spasial jangka panjang.

Pengakuan terakhir itu lebih menarik daripada sebuah kemenangan. Itu menunjukkan bahwa mekanisme memori bekerja cukup baik untuk mengalahkan Genie 3 dan LingBot-World v2 dalam interaksi dan mengikuti prompt — sekitar 65% tingkat kemenangan dalam mengikuti prompt pada tolok ukur 280 kasus yang mencakup teks multi-putaran, navigasi kamera, teks dan kamera yang berselang-seling, serta memori spasial — dan tetap kalah pada jalur yang mengukur apakah dunia tetap stabil. Itu adalah perbandingan para penulis terhadap baseline pilihan para penulis pada tolok ukur para penulis, dan seperti setiap angka dalam kategori ini, angka-angka itu belum direproduksi. Yang tidak mereka lakukan adalah bersikap samar: model yang memublikasikan di mana ia kalah adalah model yang bisa Anda rencanakan.

Terjemahan yang berguna bagi siapa pun yang membangun di atas salah satu dari keduanya: persistensi bukanlah properti yang bisa Anda asumsikan lalu periksa belakangan. Itu adalah hal pertama yang harus diukur pada scene Anda sendiri, dengan toleransi drift Anda sendiri, sebelum Anda mengikatkan sebuah pipeline ke model tertentu. Tidak ada vendor yang menerbitkan kurva waktu-ke-kegagalan — durasi saat sebuah scene berhenti bisa dipercaya — dan angka yang hilang itu lebih penting daripada posisi benchmark mana pun.

Biaya bukan sekadar selisih pembulatan, melainkan keputusan.

Kesampingkan dulu argumen kapabilitas dan lihat apa yang dibutuhkan untuk menjalankan masing-masing selama seminggu.

Jalur 4090 tunggal Hy-Nomas adalah fakta paling penting dalam perbandingan ini dan mudah terlewat di bawah penerapan referensi delapan GPU. DiT INT8 dengan KV cache, dekoder FP8, dan CPU offload muat dalam sekitar 38GB, yang berarti studio dengan satu kartu kelas workstation dapat menghasilkan video interaktif 720p tanpa menyewa apa pun. Konfigurasi delapan GPU adalah yang dijelaskan benchmark; konfigurasi 4090 adalah yang benar-benar dapat dilakukan pembaca malam ini.

PAN 2 tidak memiliki jalur sebanding yang dipublikasikan. Default terdokumentasinya adalah delapan H200 dalam BF16 dengan paralelisme patch VAE di empat tile, dan resep penyajian yang semua orang kutip — tiga belas detik 704×1248 dalam sekitar 119 detik — mengasumsikan empat B300. Lebih buruk lagi, sampler mahal secara desain: lima puluh langkah dengan guidance 2,5 yang diterapkan pada setiap langkah adalah seratus forward pass melalui transformer 29B per klip, itulah sebabnya classifier-free guidance harus dipecah antar-rank dan paralelisme sekuens disebar ke lebih banyak. Tidak ada cerita kartu tunggal terkuantisasi dalam rilis ini, dan berpura-pura sebaliknya berarti mengarangnya.

Jadi kalimat biaya yang jujur adalah ini: Hy-Nomas membutuhkan GPU yang kemungkinan sudah Anda miliki, PAN 2 membutuhkan node GPU yang kemungkinan tidak Anda miliki, dan seberapa pun perbedaan kualitas ke arah mana pun tidak mengubah itu bagi tim kecil.

Sudut pandang routing di sini sempit dan layak dinyatakan dengan tepat, karena keduanya adalah model yang Anda hosting sendiri dan tidak satu pun ada dalam katalog OrcaRouter. Yang dapat dirutekan adalah bagian yang ditambahkan kedua arsitektur karena teks bebas tidak cukup: tahap penyempurna prompt. Nomas-PE milik Hy-Nomas menulis ulang prosa menjadi caption JSON terstruktur; prompt-rewriter milik PAN 2 menyimpan system prompt, negative prompt tetap, dan validator terhadap anggaran token encoder. Itu semua adalah panggilan model bahasa, dan di situlah tahap di mana model yang berbeda secara terukur mengubah apa yang diterima renderer. IFM memeringkat empat reasoner untuk tahap caption-nya — Claude Opus 5.5, GPT-6 Astra dengan effort medium, Kimi K3, Qwen3.8-Flash — dan keempatnya ada dalam katalog, sehingga separuh bagian penulisan ulang dari pipeline mana pun dapat ditukar dan dibandingkan melalui satu kunci pada harga daftar penyedia dengan markup 0%, dengan failover ketika panggilan penulisan ulang timeout di tengah batch. Renderer 29B dan 8B tetap berjalan di perangkat keras Anda. Itulah keseluruhan klaimnya.

Apa isi sebenarnya dari kedua kartu model tersebut

Kedua rilis tersebut membuka kartu di hadapan publik, dan kartu-kartu itu berbeda dalam hal apa yang bersedia mereka akui.

Laporan Hy-Nomas, arXiv 2610.36729 pada 27 Oktober 2026, menjelaskan trik yang membuat interaksi multi-giliran berhasil: caption terstruktur diselaraskan dengan pola perhatian kausal yang sadar aksi, sehingga konteks deskriptif tetap bertahan lintas segmen sementara instruksi aksi dibatasi pada jendela saat instruksi tersebut diberikan. Evaluasinya adalah tolok ukur 280 kasus di empat jalur — teks multi-giliran, navigasi kamera, teks dan kamera berselang-seling, serta memori spasial — yang dinilai melalui perbandingan berpasangan oleh manusia terhadap Genie 3, LingBot-World v2, dan Happy Oyster. Model ini menang dalam interaksi dan mengikuti prompt, dengan tingkat kemenangan yang dilaporkan sekitar 65% pada pengikuti prompt, dan kalah dari Genie 3 dalam memori spasial jangka panjang. Bobotnya sekitar 196GB sebagai tencent/Hy-Nomas dengan lisensi Apache 2.0, dengan kode di GitHub dan demo yang dihosting.

Kartu PAN 2 lebih panjang dan kurang menyanjung. Arsitekturnya adalah prediksi laten generatif dari Kritik atas Model Dunia (arXiv 2507.05169), dan dokumen yang sama yang menjabarkannya mencantumkan kegagalan-kegagalannya: sekitar dua dari tiga rencana simulasi melewatkan setidaknya satu langkah, tampilan bergeser antar-klip karena tidak ada status yang terbawa, pilihan kata pada observasi dan aksi mengubah hasil, teks mengungkapkan "buka laci" dengan baik dan "letakkan setiap jari di sini" dengan buruk, simulasi dapat berjalan sambil melanggar fisika, dan simulasi rencana yang seharusnya gagal belum diukur.

Baca keduanya secara berdampingan dan perbedaan gaya pengungkapannya jelas. Hy-Nomas melaporkan tingkat kemenangan dan satu kerugian; PAN 2 melaporkan tingkat kegagalan dan sebuah daftar. Keduanya bukan audit, dan keduanya ditulis oleh tim yang membangun model tersebut. Namun kartu yang memberi tahu Anda di mana model kalah adalah dokumen yang bisa Anda jadikan dasar perencanaan, dan keduanya memenuhi syarat itu — yang lebih dari yang ditawarkan sebagian besar pesaing tertutup mereka.

Yang mana, dan apa yang akan mengubah jawabannya

Pilih Hy-Nomas jika masalah Anda adalah eksplorasi atau konten: dunia yang dilalui seseorang, gerakan kamera yang disutradarai seseorang, adegan 720p yang koheren dari sebuah prompt di satu kartu. Mekanisme memorinya, pengondisian kameranya, dan jalur 4090-nya semuanya mengarah pada pengguna yang sama — seseorang yang perlu melihat suatu tempat dan bergerak melaluinya, dengan biaya murah, sekarang.

Pilih PAN 2 jika masalah Anda adalah sebuah keputusan: agen yang perlu mempratinjau apa yang dilakukan suatu tindakan, perencana yang memeringkat rencana kandidat, pertanyaan penelitian tentang apakah deskripsi terstruktur suatu peristiwa cukup untuk menghasilkan konsekuensinya. Kontrak keterangannya, harness yang dipublikasikan, dan bobot Apache-2.0-nya semuanya mengarah pada pengguna yang perlu diajak berdebat secara jujur dan memiliki perangkat keras untuk membayarnya.

Dua hal akan memecah kebuntuan dengan cara yang saat ini tidak dimungkinkan oleh kedua vendor. Memori bergaya Hy-Nomas yang dibawa lintas segmen pada model dengan pengondisian aksi PAN 2 akan menjadi produk yang jauh lebih baik daripada keduanya. Studi kegagalan yang diterbitkan — PAN 2 menyimulasikan rencana yang seharusnya gagal, Hy-Nomas mengukur drift selama sepuluh menit alih-alih satu menit — akan menjawab pertanyaan yang dibiarkan terbuka oleh kedua kartu. Sampai salah satunya terwujud, pilihannya bukan tentang model mana yang lebih baik. Ini tentang apakah dunia Anda adalah sesuatu yang Anda lalui atau sesuatu yang terjadi pada Anda.