Hi3D V1.0 vs CARI4D: lo stesso backbone, due domande diverse

Il fatto che più chiarisce le cose riguardo a Hi3D V1.0 e CARI4D è che entrambi possono richiamare Hunyuan3D-2 di Tencent. Hi3D V1.0, rilasciato il 23 ottobre 2026 come successore open source di Sparc3D, utilizza nella sua demo un adattatore mini di Hunyuan3D-2 per produrre la mesh grezza che poi rifinisce. CARI4D, la ricostruzione 4D di NVIDIA dell'interazione uomo-oggetto indipendente dalla categoria, usa Hunyuan3D-2 per ricostruire la mesh dell'oggetto dal primo fotogramma di un video prima di tracciare come si muove quell'oggetto. Stesso modello geometrico upstream, due compiti completamente diversi: Hi3D si domanda quale dovrebbe essere l'aspetto della superficie dell'oggetto ad alta risoluzione, e CARI4D si domanda cosa abbiano fatto la persona e l'oggetto nel corso del tempo.

Dove si colloca effettivamente Hunyuan3D-2

Vale la pena essere precisi, perché "entrambi usano Hunyuan3D" può implicare un rapporto più stretto di quanto non esista.

La libreria core di Hi3D non richiede affatto Hunyuan. La pipeline di rifinitura prende un'immagine di riferimento e una mesh grezza, e demo/refine_mesh.py non importa nulla da Tencent. L'adattatore mini di Hunyuan3D-2 si trova in demo/coarse_stage.py, è opzionale ed esiste affinché chi dispone solo di un'immagine possa produrre la mesh grezza di cui ha bisogno il rifinitore. Il codice, i pesi e gli output di Tencent mantengono la propria licenza e devono essere ottenuti separatamente. In una pipeline di produzione, Hunyuan è uno dei possibili upstream tra molti.

La dipendenza di CARI4D è strutturale. La sua fase di ricostruzione dell'oggetto prende il primo frame, segmenta l'oggetto manipolato e ne ricostruisce la geometria con Hunyuan3D-2. Tale mesh viene quindi collocata alla scala metrica usando UniDepth e una ricerca coarse-to-fine tramite FoundationPose. Il resto della pipeline — NLF per la persona, una fase di selezione delle ipotesi di posa, CoCoNet per la correzione render-and-compare e un'ottimizzazione congiunta sensibile al contatto — dipende dal fatto che quella mesh dell'oggetto sia abbastanza buona da poter essere usata come riferimento per il tracciamento.

La conseguenza è il quadro utile per questo confronto. Lo scopo precipuo di Hi3D è correggere il tipo di geometria che Hunyuan3D-2 produce. Lo scopo di CARI4D è recuperare il movimento, e tratta la mesh come un input che eredita. Un modello mira al punto debole dell'altro senza che nessuno dei due progetti lo dichiari.

A cosa serve ciascun modello appreso

La componente appresa di Hi3D è un flusso sparso condizionato alle caratteristiche dell'immagine, definito su coordinate prese dalla mesh grossolana. Campiona latenti sparsi, li decodifica con un VAE sparso con auto-pruning, estrae una superficie, rivoxelizza e ripete. Tre passaggi portano la griglia strutturale da 64³ a 128³ a 192³ e la griglia di estrazione sparsa da 512³ a 1024³ a 1536³, con 25 aggiornamenti dello scheduler per passaggio. Il modello sta apprendendo il dettaglio geometrico locale: bordi, strutture sottili, continuità della superficie, le parti che un generatore grossolano leviga via.

La componente appresa di CARI4D è CoCoNet, una rete render-and-compare. Esegue il rendering della stima corrente dell'oggetto e della persona in RGB, profondità e maschere, codifica quel render con un DINOv2 ViT-B/14 e un encoder XYZ-e-maschera a sei canali ViT-S/14, applica attenzione spazio-temporale e regredisce correzioni di posa per frame più due logit di contatto della mano. Il checkpoint di ricerca è di 194M parametri; la variante MHR con licenza commerciale rilasciata il 30 agosto 2026 è di 231M. Ciò che apprende non è il dettaglio della forma ma la relazione tra un'ipotesi renderizzata e un frame osservato.

Quelli sono segnali di addestramento diversi e modalità di errore diverse. Hi3D può rendere più nitida una silhouette sbagliata. CARI4D può tracciare accuratamente attraverso un video un oggetto dalla forma errata e fornirti comunque una mesh scadente, perché le sue metriche riguardano posa e contatto, non la fedeltà della superficie.

Cosa viene fuori, riga per riga

• Input — Hi3D V1.0: un'immagine di riferimento più una mesh grossolana vs CARI4D: un video RGB monoculare

• Output — Hi3D V1.0 una mesh di sola geometria trimesh rispetto a CARI4D posa e forma umana per frame, rotazione e traslazione degli oggetti e due logit di contatto con la mano

• Scala — Hi3D V1.0 ricentrato e normalizzato al raggio massimo unitario rispetto alla scala metrica di CARI4D recuperata tramite UniDepth e FoundationPose

• Texture — Hi3D V1.0 nessuna vs CARI4D nessuna; restituisce pose e contatto, non un asset texturizzato

• Calcolo — Hi3D V1.0 misurato su una NVIDIA H20 da 96 GB, nessun percorso CPU, batch size pari a uno rispetto a CARI4D PyTorch su NVIDIA Ampere, validato su A100, con un'immagine Docker

• Licenza — Hi3D V1.0: la Hi3D Open License 1.0, uso commerciale con soglia di attivazione di 200.000 MAU o 1 Mln USD di ricavi mensili, rispetto a CARI4D: la NVIDIA Open Model Agreement per il checkpoint commerciale da 231M, solo ricerca per la release da 194M

• Evidenze — Hi3D V1.0 non ha pubblicato benchmark numerici, rispetto a CARI4D, articolo CVPR 2026 con ablazioni e risultati BEHAVE, riportati dal fornitore e non riprodotti in modo indipendente

L'esperimento che nessuno ha pubblicato

Ecco la composizione che il backbone condiviso rende evidente, formulata come un esperimento anziché come una funzionalità.

CARI4D ricostruisce la mesh dell'oggetto a partire da un singolo primo frame tramite Hunyuan3D-2. Hi3D affina esattamente quel tipo di mesh grezza, condizionata a un'immagine di riferimento dello stesso oggetto — e CARI4D ne ha una, perché il primo frame è il riferimento. In linea di principio, una pipeline potrebbe prendere l'immagine del primo frame e la mesh Hunyuan di CARI4D, eseguire Hi3D a 1024³ o 1536³ e restituire la superficie affinata alla fase che la posiziona e la traccia.

In pratica ci sono quattro ostacoli, e nessuno di essi è piccolo.

• Scala. Hi3D ricentra il proprio output e lo normalizza a un raggio massimo unitario. CARI4D richiede una mesh in scala metrica per inizializzare FoundationPose. La trasformazione inversa non è resa nota, e un errore in tal senso modifica la dimensione apparente dell'oggetto in ogni frame.

• Struttura. Hi3D affina la struttura grossolana che riceve; non la corregge. Se Hunyuan3D-2 ha interpretato male la topologia dell'oggetto da un singolo frame, Hi3D rende quell'interpretazione errata più dettagliata. La selezione delle ipotesi di posa di CARI4D può assorbire parte dell'errore dell'oggetto — il paper riporta una riduzione della distanza di Chamfer dell'oggetto da circa 1.565 cm a 16,85 cm all'inizializzazione — ma non è una fase di riparazione della forma.

• Runtime. Hi3D elabora un oggetto alla volta, fino a tre passate, 25 step ciascuna, senza latenza pubblicata. La pipeline di CARI4D concatena già Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet e un'ottimizzazione congiunta. Aggiungere una fase di raffinamento da 96 GB davanti a un ciclo per clip può essere giustificabile offline e impossibile in modalità interattiva.

• Validazione. Nessuno ha pubblicato questa integrazione. I numeri nell'articolo di CARI4D misurano l'accuratezza di posa e contatto, non l'effetto di una mesh dell'oggetto migliore su quei numeri. È del tutto possibile che il raffinamento migliori la mesh e sposti appena le metriche di ricostruzione, perché il tracking è robusto ai dettagli della superficie. È anche possibile che una mesh più nitida migliori le corrispondenze di FoundationPose. Finché qualcuno non esegue l'ablazione, entrambe sono supposizioni.

Il valore onesto di questa osservazione non è "usarli insieme". È che i due rilasci sono complementari in una specifica giuntura, e a quella giuntura è legata una domanda misurabile a cui nessuno dei due fornitori ha risposto.

Due tipi di prove, nessuno dei due indipendente

CARI4D sembra meglio supportato da prove rispetto a Hi3D, e lo è, ma la differenza è più piccola di quanto appaia a prima vista. CARI4D ha un articolo CVPR 2026 sottoposto a peer review, un benchmark denominato, studi di ablazione e un errore di ricostruzione inferiore del 38% riportato in-distribuzione e del 36% su dati mai visti. Quelli sono i numeri di NVIDIA provenienti dalla valutazione di NVIDIA. Nessun laboratorio neutrale li ha riprodotti. Il codice e gli script di valutazione sono pubblici, il che rende possibile la riproduzione, non che sia stata fatta.

Hi3D non ha alcun benchmark numerico. Il repository pubblica confronti visivi tra nove metodi per la geometria locale, un'affermazione sulla scala di addestramento di circa due milioni di asset curati e un'affermazione sulla risoluzione di 1536³ per l'estrazione sparsa. Il comunicato stampa aggiunge un tasso di successo del 90% nello slicing e l'affermazione dei punteggi più alti di fedeltà multi-vista e dettaglio nella valutazione riportata, senza punteggi, senza baseline e senza indicare alcuno slicer. Il codice di addestramento e l'harness di valutazione sono assenti, quindi le tabelle del paper non possono essere ricostruite a partire dal comunicato.

{{1}}Entrambi{{/1}}, in altre parole, {{2}}sono dichiarati dal fornitore{{/2}}. Uno ha un articolo allegato e l'altro ha un comunicato stampa. Chi acquista dovrebbe considerare il {{3}}badge CVPR{{/3}} come un motivo per prendere sul serio la metodologia e non come un sostituto di un test indipendente.

Quale domanda hai effettivamente

Se hai un video di una persona che maneggia un oggetto e devi sapere come si sono mossi la mano, l'oggetto e il corpo — pose su scala metrica, punti di contatto, fotogramma per fotogramma — CARI4D è il sistema creato per questo, e il checkpoint commerciale lo rende distribuibile. Hi3D non può rispondere affatto a questa domanda. Non ha modello temporale, né output di posa, né ragionamento sui contatti.

Se hai un'immagine di riferimento e una mesh grezza e ti serve un asset statico più nitido, Hi3D è lo strumento diretto. Nemmeno CARI4D può rispondere a questa domanda: la sua mesh dell'oggetto è un sottoprodotto di una pipeline di tracciamento, prodotta con la fedeltà che Hunyuan3D-2 offre da un singolo frame, ed espone pose anziché una superficie rifinita.

Se stai costruendo il composito — una pipeline di ricostruzione in cui la geometria degli oggetti è l'anello debole — la mossa interessante è verificare se il refinement di Hi3D migliora le metriche downstream di CARI4D. È una domanda di ricerca con un esperimento chiaro e nessuna risposta pubblicata. Prevedi nel budget la trasformazione di scala e la GPU prima di prevederlo per il paper.

Lo strato che circonda entrambi

Nessuno dei due modelli è servito da OrcaRouter, e nessuno dei due è un modello linguistico. Il catalogo comprende testo, visione, video, embedding e voce; la ricostruzione 3D viene eseguita sul tuo hardware. Le chiamate attorno alla ricostruzione, però, sono chiamate a modelli: generare la didascalia del primo fotogramma, descrivere l'oggetto per una scheda di asset o stabilire se un render rifinito corrisponde ancora al riferimento da tre angolazioni.

Quest'ultimo è adatto alla fusione di modelli. Invece di fidarti dell'opinione di un singolo modello di visione sul fatto che una mesh rifinita sia fedele, invia lo stesso confronto multi-vista a un panel di modelli e lascia che le loro risposte si aggregino. OrcaRouter espone la fusione e oltre 200 modelli individuali dietro un'unica API, con il prezzo di listino del provider passato senza ricarico allo 0% e failover automatico se un provider si degrada. La geometria resta sulla tua GPU; il giudizio attorno a essa può essere ridondante senza essere costoso da integrare.

Cosa lo risolverebbe

Una singola ablation farebbe più di qualsiasi quantità di confronto tra specifiche: prendi una sequenza BEHAVE, affina la mesh dell'oggetto con Hi3D a 1024³, annulla la normalizzazione e riporta le metriche di posa e contatto rispetto alla baseline non affinata. Se i numeri cambiano, il backbone condiviso diventa una pipeline. Se non cambiano, il valore di Hi3D resta dove è più forte — come strumento geometrico autonomo per chi possiede già la mesh grossolana.

Finché quell’esperimento non esisterà, la distinzione difendibile è semplice. Hi3D V1.0 è un raffinatore di geometria con pesi aperti e nessun benchmark. CARI4D è un ricostruttore di movimento con un paper e un checkpoint commerciale. Si incontrano su Hunyuan3D-2, e nessuno dei due è un sostituto dell’altro.