PAN 2 vs Hy-Nomas: stessa licenza, stessa famiglia architetturale, due definizioni di “Azione”

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.

Lo spareggio che funziona davvero è una frase che nessuna delle due squadre inserisce nel proprio abstract: cosa conta come azione. Il segnale di controllo di Hy-Nomas è dove va la telecamera. Il segnale di controllo di PAN 2 è ciò che accade nella scena, trascritto da un modello linguistico come una sequenza di eventi legati agli attori. Sono abbastanza diversi che un prompt che funziona bene su uno è quasi privo di significato sull'altro, e se impari una sola cosa da questo confronto, è quella.

Due interfacce di condizionamento, non due livelli di qualità

Hy-Nomas si condiziona su testo più un percorso di camera. Il percorso è continuo e geometrico: gli si indica dove si sposta il punto di vista, e il modello genera un segmento condizionato da una cronologia in cache, così il mondo resta coerente mentre ci si sposta. Il suo miglioratore dei prompt, Nomas-PE, riscrive prosa libera in didascalie JSON strutturate, lo stesso istinto che il riscrittore di prompt di PAN 2 segue dalla direzione opposta — entrambi i team hanno concluso che il testo libero è troppo vago per condizionare un diffusion transformer.

Dove divergono è ciò che la forma strutturata descrive. La struttura di Hy-Nomas è spaziale e centrata sul punto di vista; ciò che viene modellato con precisione è il movimento della camera attraverso una scena. La struttura di PAN 2 è temporale e centrata sugli attori: eventi in ordine, ogni azione legata all'attore che la compie, più il movimento della camera come uno dei campi tra gli altri. Leggi l'impostazione di IFM stessa e l'enfasi è inequivocabile — la didascalia descrive ciò che accade dopo un'azione, e la dimostrazione che ha reso famoso il modello è una fragola lasciata cadere in una ciotola dove cambiare il frutto o il liquido cambia lo schizzo.

• Condizionamento — Hy-Nomas accetta testo libero più una traiettoria di camera continua; PAN 2 accetta un primo frame opzionale più una didascalia dell'azione strutturata e ancorata al tempo.

• Che cosa significa "azione" — {{1}}Hy-Nomas{{/1}}: {{2}}un movimento di camera, cioè dove si guarda{{/2}}; {{3}}PAN 2{{/3}}: {{4}}un evento con un attore, cioè ciò che accade{{/4}}.

• Struttura dei segmenti — Hy-Nomas è autoregressivo per segmenti su una cronologia KV in cache, quindi il contesto si propaga tra i segmenti; PAN 2 simula ogni clip a partire da al massimo un frame iniziale più il testo, senza stato trasferito tra le clip.

Output — Hy-Nomas: 720×1280 a 24 fps in otto passaggi distillati; PAN 2: 704×1248 a 24 fps su cinquanta passaggi del sampler con guidance 2.5.

• Dimensione — Hy-Nomas: circa 8B distribuiti su 54 blocchi MMDiT a doppio flusso con dimensione nascosta 2.048, più un decoder PixelUMM messo a punto sui latenti DCAE-V; PAN 2: un MMDiT da 29B più un text encoder Qwen3.5-9B congelato e un VAE Wan 2.2.

• Hardware — Hy-Nomas: otto GPU nel deployment di riferimento, con una configurazione a singola RTX 4090 che utilizza un DiT INT8, KV cache, decoder FP8 e offload su CPU a circa 38 GB; PAN 2: otto H200 in BF16 come default documentato, con una ricetta che porta tredici secondi di video a circa 119 secondi su quattro B300.

• Dimensione dei pesi — Hy-Nomas: circa 196GB su Hugging Face come tencent/Hy-Nomas; PAN 2: 86,17GB distribuiti su sessanta file come IFM/PAN2.

Sette dimensioni e nessuna di esse è un punteggio. Ciò che descrivono è una divergenza progettuale: Hy-Nomas ha investito i propri parametri nel tenere insieme un mondo mentre lo si attraversa, PAN 2 ha investito i propri parametri nel prevedere ciò che fa un'azione. Specificare un percorso della telecamera è economico e difficile da falsificare; una sequenza di eventi è espressiva e costosa da generare.

Dove la differenza si fa sentire: tre attività, entrambi i modelli

I contrasti astratti costano poco. Questi sono concreti.

Illustrami un percorso in un appartamento. Hy-Nomas vince nettamente. Vuoi un percorso continuo attraverso un corridoio e dentro una cucina, con la stanza dietro di te che resta la stanza dietro di te. Si tratta di generazione segmento-autoregressiva su una cronologia in cache, ed è esattamente ciò per cui è pensata la sua architettura, e PAN 2 non può farlo: renderizza una clip, e la clip successiva parte da un frame che fornisci, senza alcuna memoria di ciò che è venuto prima. Concatenare clip di PAN 2 per realizzare un walkthrough produce il drift di cui avverte la sua stessa model card, in cui l'aspetto cambia tra le clip nelle interazioni lunghe perché ciascuna viene simulata a partire da al massimo un frame iniziale.

Apro il cassetto e la tazza cade. PAN 2 vince, e non c'è partita. La richiesta è un evento con un attore e una conseguenza fisica. Il condizionamento di Hy-Nomas non ha un campo per «il cassetto si apre» separato dalla telecamera — puoi inserirlo nel prompt testuale, e il suo potenziatore del prompt lo strutturerà, ma il budget di precisione del modello è stato speso sul punto di vista anziché sul contatto e sulla conseguenza. Il contratto di didascalia di PAN 2 esiste proprio per legare le azioni agli attori e ordinarle nel tempo, ed è per questo che IFM ha rilasciato un validatore che controlla le descrizioni rispetto al budget del text encoder di 1.480 token soft e 1.536 hard anziché lasciar passare la prosa.

Genera duecento varianti di una scena di manipolazione per un dataset. Entrambi sono sbagliati, in modi diversi. Hy-Nomas ti darà duecento movimenti di camera coerenti attraverso duecento scene e pochissimo controllo sul fatto che il braccio afferri effettivamente qualcosa. PAN 2 ti darà duecento clip condizionate dall'azione e, secondo la sua stessa scheda, circa due piani su tre conterranno almeno un passaggio che non viene eseguito — quindi un terzo del tuo dataset sarà inutilizzabile a meno che tu non costruisca un checker. Nessuno dei due è un data engine pronto all'uso; la differenza sta se il fallimento è una deriva geometrica o un passaggio saltato, e quale di questi il tuo task downstream può tollerare.

Anche la terza attività è quella che determina il tuo hardware. Duecento clip da otto passaggi in 720p su una singola 4090 quantizzata richiedono un pomeriggio. Duecento clip su un nodo con quattro B300 a 119 secondi per tredici secondi di video richiedono un paio di giorni, e questa aritmetica è il vero motivo per cui i due modelli non sono intercambiabili nemmeno dove le loro capacità si sovrappongono.

Lo stesso fallimento con due nomi diversi

Entrambe le schede ammettono la stessa debolezza e nessuna delle due la risolve: un modello del mondo a lungo orizzonte perde il proprio mondo. PAN 2 afferma che l'aspetto va alla deriva tra le clip e individua nella memoria percettiva il pezzo mancante. Hy-Nomas lo affronta direttamente con una KV cache trasportata e uno schema di attenzione causale che mantiene vivo il contesto descrittivo attraverso i segmenti, confinando al contempo le istruzioni d'azione alla finestra in cui sono state emesse — e poi riporta nella propria valutazione che è ancora dietro a Genie 3 sulla memoria spaziale a lungo termine.

Quell'ultima ammissione è più interessante di una vittoria. Dice che il meccanismo di memoria funziona abbastanza bene da battere Genie 3 e LingBot-World v2 su interazione e aderenza al prompt — circa il 65% di tasso di vittoria nell'aderenza al prompt su un benchmark da 280 casi che copre testo multi-turno, navigazione della telecamera, testo e telecamera intercalati e memoria spaziale — e perde comunque sulla metrica che misura se il mondo resta fermo. Questi sono i confronti degli autori rispetto alle baseline scelte dagli autori sul benchmark degli autori e, come ogni numero in questa categoria, non sono riprodotti. Ciò che non sono è vago: un modello che pubblica dove perde è un modello su cui puoi pianificare.

La traduzione utile per chiunque costruisca sull'uno o sull'altro: la persistenza non è una proprietà che si possa dare per scontata e verificare in seguito. È la prima cosa da misurare sulle proprie scene, con la propria tolleranza al drift, prima di affidare una pipeline a un modello. Nessuno dei due fornitori pubblica una curva di tempo al fallimento — la durata oltre la quale una scena smette di essere affidabile — e quel numero mancante conta più di qualsiasi posizione in una classifica benchmark.

Il costo non è una differenza di arrotondamento, è la decisione.

Metti da parte per un momento la questione delle capacità e guarda cosa serve per far funzionare ciascuno per una settimana.

Il percorso con una singola 4090 di Hy-Nomas è il fatto più rilevante di questo confronto ed è facile trascurarlo sotto il deployment di riferimento a otto GPU. Un DiT INT8 con KV cache, un decoder FP8 e CPU offload occupa circa 38 GB, il che significa che uno studio con una scheda di classe workstation può generare video interattivo a 720p senza noleggiare nulla. La configurazione a otto GPU è quella descritta dal benchmark; la configurazione con 4090 è quella che un lettore può effettivamente realizzare stasera.

PAN 2 non ha un percorso comparabile pubblicato. Il suo default documentato è otto H200 in BF16 con parallelismo dei patch VAE su quattro tile, e la ricetta di serving che tutti citano — tredici secondi di 704×1248 in circa 119 secondi — presuppone quattro B300. Peggio, il sampler è costoso per design: cinquanta passi con guidance di 2.5 applicata a ogni passo sono cento forward pass attraverso un transformer da 29B per clip, motivo per cui la classifier-free guidance deve essere suddivisa tra i rank e il parallelismo di sequenza distribuito su più unità. Non c'è alcuna storia quantizzata su singola scheda nel rilascio, e fingere il contrario sarebbe inventarla.

Quindi la frase onesta sui costi è questa: Hy-Nomas costa una GPU che probabilmente hai, PAN 2 costa un nodo GPU che probabilmente non hai, e nessuna differenza di qualità in nessuna delle due direzioni cambia questo per un piccolo team.

L'angolazione del routing qui è stretta e vale la pena enunciarla con precisione, perché entrambi questi sono modelli che ospiti tu stesso e nessuno dei due è nel catalogo OrcaRouter. Ciò che è instradabile è la parte che entrambe le architetture hanno aggiunto perché il testo libero non era sufficiente: la fase di prompt-enhancer. Il Nomas-PE di Hy-Nomas riscrive la prosa in didascalie JSON strutturate; il prompt-rewriter di PAN 2 mantiene un system prompt, un negative prompt fisso e un validatore rispetto al budget di token dell'encoder. Quelle sono chiamate a modelli linguistici, e sono la fase in cui un modello diverso cambia in modo misurabile ciò che riceve il renderer. IFM ha classificato quattro modelli di ragionamento per la sua fase di didascalie — Claude Opus 5.5, GPT-6 Astra a sforzo medio, Kimi K3, Qwen3.8-Flash — e tutti e quattro sono nel catalogo, quindi la parte di riscrittura di ciascuna delle due pipeline può essere sostituita e confrontata tramite un'unica chiave al prezzo di listino del provider con 0% di ricarico, con failover quando una chiamata di riscrittura va in timeout a metà batch. I renderer da 29B e da 8B restano sul tuo hardware. Questo è tutta l'affermazione.

Cosa contengono effettivamente le due schede modello

Entrambe le uscite mettono una carta in pubblico e le carte differiscono in ciò che sono disposte ad ammettere.

Il report di Hy-Nomas, arXiv 2610.36729 del 27 ottobre 2026, descrive il trucco che fa funzionare l'interazione multi-turno: le didascalie strutturate sono allineate a uno schema di attenzione causale consapevole delle azioni, così il contesto descrittivo persiste attraverso i segmenti mentre le istruzioni d'azione sono confinate alla finestra in cui sono state emesse. La valutazione è un benchmark di 280 casi su quattro tracce — testo multi-turno, navigazione della telecamera, testo e telecamera intercalati e memoria spaziale — giudicato tramite confronto umano a coppie rispetto a Genie 3, LingBot-World v2 e Happy Oyster. Vince su interazione e aderenza al prompt, con un tasso di vittoria dichiarato di circa il 65% sull'aderenza al prompt, e perde contro Genie 3 sulla memoria spaziale a lungo termine. I pesi sono circa 196 GB come tencent/Hy-Nomas con licenza Apache 2.0, con codice su GitHub e una demo ospitata.

La scheda di PAN 2 è più lunga e meno lusinghiera. L'architettura è la predizione latente generativa di Critique of World Models (arXiv 2507.05169), e lo stesso documento che la descrive ne elenca i difetti: circa due piani simulati su tre perdono almeno un passaggio, l'aspetto varia da una clip all'altra perché non c'è uno stato persistente, la formulazione dell'osservazione e dell'azione cambia l'esito, il testo rende bene "apri un cassetto" e male "metti ogni dito qui", una simulazione può progredire violando le leggi della fisica, e la simulazione di piani che dovrebbero fallire non è ancora misurata.

Leggili fianco a fianco e la differenza nello stile di divulgazione è evidente. Hy-Nomas riporta un tasso di successo e una perdita; PAN 2 riporta un tasso di fallimento e un elenco. Nessuno dei due è un audit, ed entrambi sono stati scritti dai team che hanno costruito i modelli. Ma una scheda che ti dice dove il modello fallisce è un documento su cui puoi pianificare, ed entrambe queste lo sono — il che è più di quanto offra la maggior parte dei loro concorrenti chiusi.

Quale, e cosa cambierebbe la risposta

Scegli Hy-Nomas se il tuo problema è l'esplorazione o il contenuto: un mondo che qualcuno attraversa a piedi, un movimento di camera che qualcuno dirige, una scena coerente a 720p generata da un prompt su una singola scheda. Il suo meccanismo di memoria, il suo condizionamento della camera e il suo percorso su 4090 puntano tutti allo stesso utente: qualcuno che ha bisogno di vedere un luogo e attraversarlo, a basso costo, subito.

Scegli PAN 2 se il tuo problema è una decisione: un agente che deve vedere in anteprima cosa fa un'azione, un planner che classifica piani candidati, una domanda di ricerca sul se una descrizione strutturata di un evento sia sufficiente a generarne la conseguenza. Il suo contratto di didascalia, il suo harness pubblicato e i suoi pesi Apache-2.0 indicano tutti un utente che ha bisogno di essere contraddetto con onestà e che dispone dell'hardware per sostenerne il costo.

Due cose romperebbero il pareggio in un modo che nessuno dei due fornitori attualmente consente. Una memoria in stile Hy-Nomas trasportata tra i segmenti su un modello con il condizionamento all'azione di PAN 2 sarebbe un prodotto sensibilmente migliore rispetto a entrambi. Uno studio pubblicato sui fallimenti — PAN 2 che simula piani che dovrebbero fallire, Hy-Nomas che misura la deriva su dieci minuti anziché su uno — risponderebbe alla domanda che entrambe le schede lasciano aperta. Finché una di queste cose non si concretizza, la scelta non riguarda quale modello sia migliore. Riguarda se il tuo mondo è qualcosa che attraversi o qualcosa che ti accade.