PAN 2 vs Hunyuan3D WorldClaw: un modello con due metà, o cinquanta modelli in un impermeabile

Mettili uno accanto all'altro e la prima cosa che noti è che non sono lo stesso tipo di oggetto. PAN 2 è un modello: 29 miliardi di parametri di transformer diffusion multi-modale dell'Institute of Foundation Models, Apache-2.0 su Hugging Face dal 7 ottobre 2026, codice il 5 novembre, supporto Day-0 a vLLM-Omni il 10 novembre, e fa una sola cosa — dato un fotogramma iniziale e un'azione descritta, genera fino a venti secondi di video 704×1248 a 24 fotogrammi al secondo prevedendone la conseguenza. Hunyuan3D WorldClaw è un framework: la pipeline agentica di Tencent Hunyuan per trasformare un singolo prompt testuale aperto in una scena 3D esplorabile composta da mesh esplicite texturizzate per oggetto, descritta in arXiv 2608.05248 il 5 agosto 2026 e annunciata l'11 agosto, con un repository che contiene un README e asset e nessun codice. Uno è un checkpoint scaricabile che esegui. L'altro è un metodo pubblicato che dovresti ricostruire.

La seconda cosa che si nota è più utile. Il paper stesso di WorldClaw nomina i modelli su cui gira, e quella lista è una lista della spesa di componenti altrui: Claude Opus 4.8 per la pianificazione, GPT-Image-2 per le immagini, SAM3 e SAM3D per la segmentazione, Hunyuan3D per la ricostruzione, Blender 5.1.1 pilotato tramite MCP per l'assemblaggio, il tutto su quattro NVIDIA H20. PAN 2 nomina un solo componente e lo lascia intercambiabile: qualsiasi modello linguistico in grado di seguire istruzioni scrive la didascalia strutturata, e IFM ne ha classificati quattro. Questo è il vero confronto: non scene contro video, ma cosa succede a un sistema quando l'intelligenza è distribuita lungo una catena di fornitori invece di essere concentrata in un unico checkpoint.

Due architetture, disegnate onestamente

Il design di PAN 2 è Generative Latent Prediction da Critica dei modelli del mondo (arXiv 2507.05169). Un ragionatore concettuale scrive il successivo stato del mondo come una descrizione strutturata e ancorata al tempo — eventi in ordine, azioni legate agli attori, movimento della telecamera — un encoder testuale Qwen3.5-9B congelato lo mappa a feature di condizionamento, un diffusion transformer da 29B riempie i dettagli percettivi e un VAE Wan 2.2 decodifica i fotogrammi. Due metà, un repository, una licenza.

Il design di WorldClaw è un ciclo di raffinamento in quattro fasi che i suoi autori descrivono come dal grossolano al fine: agenti basati su modelli linguistici leggono il prompt e producono un piano della scena; una passata globale genera layout semantico, campi di altezza e materiali, così che il terreno sia coerente prima che qualsiasi cosa vi si poggi; le regioni vengono renderizzate, segmentate e ricostruite in mesh individuali tramite Hunyuan3D; e un agente di visione ispeziona il render alla ricerca di oggetti fluttuanti, interpenetrazioni, scala errata e posa errata, quindi invia le correzioni indietro. La promessa di geometria esplicita viene mantenuta: si ottengono oggetti, non un blob fuso o uno splat gaussiano, e gli agenti svolgono il loro lavoro una volta sola, prima ancora che si carichi la scena.

Dove i due convergono è la parte che vale la pena interiorizzare: in entrambi i sistemi i pixel sono la metà veloce ed economica e un modello linguistico decide cosa dovrebbe esistere. Dove divergono è su chi possiede il modello linguistico. IFM ha trattato il ragionatore come una variabile e ha pubblicato l'harness che classificava i candidati. Tencent ha trattato il ragionatore come una dipendenza e ne ha indicato uno.

Che cosa offre la parola «agentic», e quanto costa

La trappola in questo confronto è che entrambi gli annunci usano quella parola, ma nessuno dei due le attribuisce lo stesso significato.

• Agenti come autori — i planner di WorldClaw scompongono un prompt in un piano di scena e il suo agente di visione emette correzioni; il reasoner di PAN 2 scrive una didascalia che descrive ciò che accade dopo.

• Quando l'intelligenza viene eseguita — quella di WorldClaw viene eseguita una volta, nel loop di authoring, e non c'è più quando si esportano le mesh; quella di PAN 2 viene eseguita una volta per clip, a ogni chiamata, per tutta la vita del sistema.

Tipo di output — WorldClaw restituisce un file di scena con singole mesh, materiali e trasformazioni; PAN 2 restituisce un MP4 che non contiene alcuna geometria.

• Modificabilità — L'output di WorldClaw si apre in un software di modellazione, viene retopologizzato e posizionato; l'unica superficie modificabile di PAN 2 è la didascalia, quindi rivedere significa ri-renderizzare.

• Superficie delle dipendenze: WorldClaw richiede sei componenti con licenza separata e un'installazione di Blender; PAN 2 richiede i pesi, un text encoder e un VAE.

• Che cosa significa «buono» — WorldClaw viene giudicato in base al fatto che la scena si assembli senza oggetti fluttuanti; PAN 2 viene giudicato in base al fatto che la conseguenza che restituisce sia quella che l'azione produrrebbe effettivamente.

Il costo dell'intelligenza distribuita di WorldClaw non è concettuale, è operativo: sei componenti significano sei insiemi di termini, sei modalità di errore e sei punti in cui un aggiornamento di versione può cambiare l'output. Il costo dell'intelligenza concentrata di PAN 2 è l'opposto: una licenza, un albero delle dipendenze e un reasoner che devi valutare da solo, perché la classifica che ne fa il fornitore è del fornitore stesso.

Nessuno dei due costi è un difetto. Ma questo spiega perché raramente i due rappresentino la risposta giusta alla stessa domanda: uno è una pipeline di contenuti, l'altro è un motore di conseguenze, e un team che ha bisogno di mesh non troverà nulla in PAN 2 che possa aiutarlo.

Due pipeline, scritte come una sequenza di fasi

È nella sequenza che la differenza tra un modello e un framework emerge con maggiore evidenza.

PAN 2, una chiamata — leggi l'osservazione e l'azione richiesta, scrivi lo stato del mondo strutturato, codificalo, esegui cinquanta passi di diffusione con guidance 2.5, decodifica venti secondi di 704×1248. Nulla in quella sequenza persiste dopo la clip.

• WorldClaw, quattro fasi — pianifica la scena con un modello linguistico, genera il layout semantico globale e i campi di altezza, esegui il rendering e segmenta le regioni e ricostruisci ciascuna in una mesh, quindi ispeziona il rendering con un agente visivo e rimanda le correzioni. Nulla in questa sequenza è un singolo modello.

• Dove risiede lo stato — l'unico artefatto durevole di PAN 2 sono la didascalia e l'MP4; quello di WorldClaw è un file di scena con singole mesh, materiali e trasformazioni che sopravvive alla pipeline.

• Dove può fallire — PAN 2 fallisce all'interno del render: un passaggio saltato, una deriva, una scorciatoia fisica. WorldClaw fallisce in corrispondenza di una giunzione: un pianificatore che ha interpretato male il prompt, un segmentatore che ha tagliato un oggetto a metà, un ricostruttore che ha prodotto la scala sbagliata, un assemblatore che ha fatto compenetrare due mesh.

• Cosa puoi ispezionare — PAN 2 ti dà un video e un budget di token; WorldClaw ti dà una geometria che puoi misurare, e quindi errori che puoi attribuire.

L'ultima riga è quella che vale la pena tenere. Un errore a cui puoi attribuire una causa costa meno da correggere di un errore che puoi solo vedere, e una pipeline mesh te lo offre gratis perché gli artefatti intermedi sono ispezionabili. Una pipeline video ti dà una risposta finale e una didascalia, e quando la risposta è sbagliata la tua unica leva è la didascalia.

Spiega anche perché esista affatto la fase di correzione dell'agente visivo di WorldClaw. L'interpenetrazione, gli oggetti fluttuanti, la posa errata e la scala errata sono le modalità di fallimento dell'assemblaggio di geometria a partire da pezzi generati separatamente, e nessuna di esse è visibile finché non si esegue il rendering e si guarda. Un singolo modello non ha bisogno di quella fase perché un singolo modello non può produrre una scena le cui parti siano in disaccordo — può solo produrre una scena che è sbagliata nel suo insieme.

Il divario di valutazione non è simmetrico e punta nella direzione opposta rispetto alle licenze

La valutazione pubblicata di WorldClaw è qualitativa. Il paper confronta il suo output fianco a fianco con SynCity, WorldGen, MajutsuCity e Marble, e non ci sono FID, né punteggi CLIP, né uno studio utente con un numero associato. Per un paper che descrive un framework di generazione di scene, questa è una lacuna reale, e qualsiasi team che lo reimplementi dovrebbe trattare «sembra migliore di SynCity» come un'ipotesi anziché come un risultato.

PAN 2 ha pubblicato di più e ha etichettato le proprie condizioni con maggiore precisione rispetto a quanto faccia la maggior parte delle release di modelli video. Trecento casi di test a singola azione distribuiti su sei categorie di capacità, 201 da immagine a video e 99 da testo a video; cento compiti quotidiani egocentrici proposti in entrambe le modalità, 200 prompt e 456 passaggi, valutati su completamento dei passaggi e completamento dell'intero piano su tre seed; Physics-IQ Verified sull'impostazione da immagine a video, normalizzato in modo che la varianza tra due riprese reali sia pari a 100; PhyGround su una scala a cinque punti giudicata da Qwen3.8-27B; RBench come media non ponderata su cinque categorie di compito e quattro categorie di embodiment; e uno studio umano in cieco a confronti a coppie su 140 prompt con tredici revisori e 1.400 confronti, Elo stimato tramite Bradley–Terry e centrato a 1500.

Tredici revisori sono un panel ristretto, e stavano valutando il modello degli autori rispetto alle baseline degli autori, con i modelli di confronto chiusi generati una sola volta tramite un'API di inferenza di terze parti e diverse righe contrassegnate come single-seed. Niente di tutto ciò è indipendente. Tutto ciò è leggibile, che è la cosa migliore successiva — ed è la differenza tra una release con cui puoi discutere e una che puoi solo guardare.

Le licenze poi vanno nella direzione opposta rispetto alle prove. PAN 2 è Apache-2.0, senza accesso vincolato, 86,17 gigabyte su sessanta file, nessun obbligo di attribuzione, nessuna soglia di utenti. WorldClaw non ha una licenza da leggere, perché non c'è nulla da concedere in licenza: il progetto GitHub contiene un README e delle risorse, nessun codice, nessun peso, nessuno script di inferenza, nessuna API e nessun prezzo. Un articolo di framework senza implementazione è la descrizione di un metodo, non uno strumento, e il requisito di quattro H20 più la sua dipendenza da una pila di modelli concessi in licenza separatamente significa che un rilascio non sarebbe un download pronto all'uso anche se avvenisse.

Dove un router è effettivamente portante, e non è dove ci si aspetta

Questa è la rara coppia in cui il fatto commerciale interessante sta dal lato del framework. La metà dedicata alla pianificazione di WorldClaw non è un modello misterioso dietro un'API — è nominata nel paper, e i componenti che nomina sono normali modelli da catalogo. Claude Opus 4.8 è nel catalogo di OrcaRouter. Lo stesso vale per GPT-Image-2. E anche per i quattro modelli di ragionamento che IFM ha classificato per la fase di didascalia di PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 e Qwen3.8-Flash.

Ciò significa che un team che reimplementa la decomposizione di WorldClaw — pianificazione, terreno, oggetti, rifinitura — può assemblare oggi gli stadi linguistico e visivo tramite un'unica chiave, al prezzo di listino di ciascun provider, trasferito con 0% di ricarico, con failover automatico quando una chiamata di pianificazione va in timeout a metà build. La stessa chiave alimenta lo slot reasoner di PAN 2 quando scambi il generatore di didascalie tra un esperimento e l'altro e mantieni fisso il renderer 29B sul tuo nodo. Ciò che OrcaRouter non fa è ospitare PAN 2 o Hunyuan3D WorldClaw: uno è un modello di diffusione video che esegui sul tuo hardware, l'altro non esiste come codice eseguibile da nessuna parte. Nulla in questo articolo va letto come un suggerimento del contrario.

La formulazione onesta è che instradiamo le giunture. In una pipeline in stile WorldClaw ce ne sono tre — dal prompt al piano, dal piano all'immagine, dal rendering al critico — e ognuna è una chiamata a consumo. In una pipeline PAN 2 ce n'è una, ed è l'unica parte che non richiede una GPU. È un'affermazione più ristretta di "eseguiamo world models", ed è quella vera.

Cosa ti insegna ciascun disegno, anche se non ne esegui nessuno

L'idea più trasferibile di WorldClaw è la decomposizione, non la scena. Pianificare, disporre il terreno, ricostruire gli oggetti singolarmente, poi ispezionare e correggere: quella struttura in quattro fasi è un'architettura solida per qualsiasi pipeline il cui output debba essere modificato in seguito, e la scelta della mesh esplicita è quella giusta per qualunque cosa che esca dalla pipeline e finisca in un motore di gioco. Il ciclo di correzione con un agente di visione che ispeziona oggetti fluttuanti e scale errate è la parte che la maggior parte dei team salta e che la maggior parte dei team si pente di aver saltato.

L'idea più trasferibile di PAN 2 è il contratto delle didascalie. L'interfaccia non è una casella per i prompt; è una descrizione strutturata e ancorata al tempo, con un budget di token di 1.480 soft e 1.536 hard, una skill di riscrittura dei prompt già rilasciata, un prompt negativo fisso e un validatore che controlla le didascalie rispetto al limite dell'encoder. Il testo libero viene riscritto prima dell'uso, e la scheda del modello afferma chiaramente che i casi di studio degli agenti si basavano su prompt rifiniti manualmente. Qualsiasi team che costruisca un modello del mondo o ne utilizzi uno dovrebbe rubare questa idea: il contratto tra la metà che ragiona e la metà che esegue il rendering è il punto in cui la qualità si vince o si perde, e merita uno schema, non una sensazione.

Entrambi i progetti condividono anche un difetto che il settore non ha risolto, e falliscono in modi diversi. PAN 2 va alla deriva nell'aspetto tra una clip e l'altra perché ciascuna viene simulata a partire da al massimo un fotogramma iniziale più il testo, e la sua scheda indica la memoria percettiva come il tassello mancante; la sua stessa sezione sui limiti si apre con l'ammissione che circa due piani simulati su tre contengono almeno un passo che non viene eseguito. La deriva di WorldClaw è geometrica e spaziale: compenetrazione, scala errata, oggetti che fluttuano, ed è proprio per questo che necessita di un agente di visione nel ciclo. Uno ha bisogno di una memoria, l'altro di un ispettore, e nessuno dei due ha pubblicato una curva misurata di quanto peggiora nel tempo.

La decisione, in un solo passaggio

Se ti serve un luogo — un livello, un dataset sintetico di interni, un set di produzione virtuale — WorldClaw è il riferimento più pertinente e non puoi eseguirlo. Integra la scomposizione in quattro fasi e l'output a mesh esplicita nella tua build, prevedi nel budget la classe di macchina con quattro H20 più una dipendenza da Blender, e sostituisci la valutazione qualitativa con qualcosa che puoi misurare, perché il paper non te ne fornisce una.

Se ti serve una conseguenza — che cosa fa un piano, prima di impegnarti — PAN 2 è scaricabile questo pomeriggio, con licenza permissiva, e dichiara onestamente che fallisce in due piani su tre. Leggi prima la pagina delle limitazioni, tieni coinvolto un verificatore e aspettati di spendere ore di GPU anziché dollari per token: tredici secondi di video richiedono circa 119 secondi su quattro B300, e il sampler esegue cento forward pass per clip.

Se stai costruendo la cosa che nessuno dei due laboratori ha rilasciato — un mondo che puoi modificare come geometria e poi osservare mentre si comporta — la stai assemblando da solo, mettendo insieme un refiner, un costruttore di scene, un renderer e un modello linguistico a ogni giuntura. È più lavoro di quanto entrambi gli annunci lascino intendere, ed è lì che si concentrerà il prossimo anno di lavoro pratico in questa categoria.

Ciò che cambierebbe questa pagina è il codice. Un rilascio di WorldClaw con pesi e uno script di inferenza trasformerebbe un metodo in uno strumento e renderebbe il confronto concreto; una variante di PAN 2 che emettesse profondità insieme a RGB farebbe lo stesso nella direzione opposta. Nessuno dei due esiste oggi. Finché uno dei due non esisterà, il riassunto accurato è un motore di conseguenze scaricabile e un framework di scena non realizzabile, e l'unica cosa che condividono davvero è l'ambizione di prevedere un mondo invece di renderne un'immagine.