Hi3D V1.0 vs Hunyuan3D WorldClaw：1つのアセットを丁寧に仕上げるか、それとも世界をざっくりと

あるHunyuan3D WorldClawのシーンは、単一の3Dモデルではない。地形、建物、植生、車両、キャラクターがあり、それぞれが個別のメッシュとして再構築され、生成された景観上に配置された後、視覚エージェントによって検査され、不良領域は修復のために送り返される。Hi3D V1.0は世界を構築しない。1つの粗いメッシュと1枚の参照画像を受け取り、96 GBのGPUを費やしてその単一オブジェクトのジオメトリをより精細にする。したがって、この比較はシーン対シーンではない。スループット対忠実度であり、両システムは同じ生産ラインの相反する側に位置している。

WorldClawが世界を構築する前に必要なもの

WorldClawは、1つのテキストプロンプトから大規模で探索・編集可能な3D世界を生成する、Tencent Hunyuanのエージェント型フレームワークです。論文「WorldClaw: Agentic 3D Open-World Generation at Scale」は2026年8月7日にarXivの2608.05248として公開され、プロジェクトページとGitHubリポジトリも同じ週に続きました。アーキテクチャは4つの段階で動作します。

• 意図分析とシーン計画 — 2つの言語モデルエージェントがプロンプトを解析します。一方はユーザーが明示した制約だけを抽出し、もう一方はプロンプトで省略された詳細を補います。論文ではこの段階にClaude Opus 4.8を挙げています。

• グローバル地形生成 — セマンティックなレイアウトマップと領域認識型のハイトフィールドにより、地域ごとにマテリアル、岩石、植生が割り当てられた連続的な地形スケルトンが生成されます。

• 地域オブジェクト生成 — 詳細な領域は地形制約付きの2Dコンポジットにレンダリングされ、GPT-Image-2とSAM3Dでインスタンスに分割され、Hunyuan3Dを通じて個別の3Dメッシュとして再構築され、地形上に戻して配置されます。

• レンダーベースの改良 — ビジョンエージェントが複数の視点からシーンをレンダリングし、浮遊オブジェクト、相互貫通、誤ったスケールやポーズを探し、問題のある領域を修正して、合格するまで再レンダリングします。アセンブリは MCP を介して Blender 内で行われます。

その第3段階こそが、ここで重要なものである。WorldClawのシーン内のあらゆるオブジェクトは、個別のimage-to-3D再構成だ。200個の異なる小道具を持つシーンは200回のメッシュ生成であり、それぞれがセグメント化された2Dコンポジットを条件とし、それぞれが基盤となる再構成モデルが生み出せる忠実度をそのまま備えている。シーンの視覚的な上限は、その中で最も出来の悪いアセットによって決まるが、フレームワーク自身の評価はその点を測定していない。論文が報告しているのは、SynCity、MetaのWorldGen、MajutsuCity、World LabsのMarbleとの定性的な比較対照のみであり、FIDもCLIPスコアもユーザースタディも、オブジェクト単位の忠実度指標も存在しない。

Hi3Dが貢献できることと、できないこと

Hi3D V1.0は2026年10月23日にリリースされた、Sparc3Dを基盤とするリファインメントモデルです。対象オブジェクトの参照画像と同一オブジェクトの粗いメッシュを渡すと、スパース潜在変数を段階的にサンプリングし、自己プルーニング型スパースVAEを通してデコードして、より高解像度のサーフェスを抽出します。3回のパスで構造グリッドを64³、128³、192³に、スパース抽出グリッドを512³、1024³、1536³に引き上げ、各パスで25回のスケジューラ更新を行います。一度に1つのオブジェクトを処理します。

WorldClawの第3段階との相性は、理論上は明らかだ。WorldClawはすでに各オブジェクトについてセグメント化された2Dコンポジットを持ち、Hunyuan3Dを通じてメッシュも生成している。これらはまさにHi3Dが求める2つの入力、参照画像と粗いメッシュである。各オブジェクトを配置する前に精緻化すれば、シーンのクローズアップ品質を左右するアセットの幾何学的詳細を高められるだろう。

3つの制限があるため、そのまま差し替えられるアップグレードにはなりません。

まず、Hi3Dはジオメトリのみを扱います。テクスチャ、マテリアル、頂点カラーは生成せず、WorldClawの出力は、明示的にテクスチャが施され、個別に編集可能なゲームエンジン向けメッシュです。Hi3Dはシルエットと局所的な表面ディテールを改善し、その後、どちらのリポジトリも提供していないテクスチャリング工程へアセットを渡すことになります。洗練されているもののテクスチャ未適用のメッシュから構築された世界は、WorldClawが約束する成果物ではありません。

第二に、参照画像は同じ物体を写していなければならない。WorldClawのセグメンテーションは、地域合成画像内の物体の画像クロップを生成する。これはクリーンな製品参照画像に近いが、同一ではない。それが十分かどうかは、誰も答えてこなかった実証的な問いである。

第三に、スループットです。Hi3Dは一度に1つのメッシュをリファインし、測定された構成は96 GBのH20で、CPU経路もバッチモードもありません。WorldClawは論文の記述によればすでに4×H20上で動作しています。配置の前にオブジェクトごとのリファイン段階を追加すると、パイプラインで最も高コストな部分がシーン内のオブジェクト数だけ倍増します。

どちらのページも教えてくれない番号

この組成は公開資料から原価を見積もることはできず、それがこの比較における最も重要な実務上の知見です。

Hi3Dは実時間レイテンシーを公表していない。READMEにはスケジューラの更新、パス数、計測済みGPUが示されているが、512³、1024³、1536³におけるオブジェクトあたりの秒数は示されていない。WorldClawもオブジェクトあたりの再構成時間を公表していない。論文の計算資源に関する記述は4× H20上のシステム全体についてであり、プロップをもう1つ追加する場合の限界コストについてではない。両方の数値がなければ、リファインメントがコスト的に可能かどうかを決める計算——シーンあたりのオブジェクト数×オブジェクトあたりの秒数×GPU時間——を資料から行うことはできない。

言えるのはコストの形だ。Hi3Dの512³設定は1パス、1024³は2パス、1536³は全3パスを実行する。各パスは25回のスケジューラ更新だ。高解像度はディテールを得る代わりにパスを消費する。バッチサイズは1なので、コストはオブジェクト数に比例し、バッチ全体で償却することはできない。WorldClawのシーンに数十の主役オブジェクトと数百の背景小道具が含まれるなら、賢明なパイプラインは主役を精細化し、背景は粗い段階に留めるだろう——その判断には、どちらのプロジェクトも公開していないオブジェクトごとの所要時間が正確に必要だ。

実際にそれらを分ける5つの軸

• 作業単位 — Hi3D V1.0 は1つのオブジェクト、Hunyuan3D WorldClaw は多数のオブジェクトを含む1つのオープンワールドシーン

• 出力 — Hi3D V1.0：ジオメトリのみのメッシュ vs Hunyuan3D WorldClaw：Blender で組み立てられた編集可能なテクスチャ付きメッシュ

• 入力 — Hi3D V1.0：参照画像＋粗いメッシュ 対 Hunyuan3D WorldClaw：1つのオープンエンドなテキストプロンプト

• コードと重み — Hi3D V1.0 は Hi3D Open License 1.0 の下で本日ダウンロード可能。一方、Hunyuan3D WorldClaw は README と論文のみで、コードなし、重みなし、API なし、価格なし

• 根拠 — Hi3D V1.0 には数値ベンチマークがなく、Hunyuan3D WorldClaw との比較は定性的な比較のみで、FID も CLIP もユーザー調査もない

可用性が四半期を決める

これらのうち一方はツールで、もう一方は設計書です。

Hi3D V1.0は本日からクローン、インストール、実行できます。必要なものはLinux、Python 3.10、CUDA 12.0～12.5、コンピュートケイパビリティ8.0のGPU、そしてソースビルドが必要です：flash-attn。また、完全な1536³ラダーは96 GBのH20でのみ検証されています。ライセンスは商用利用を許可していますが、製品の月間アクティブユーザーが20万人を超えるか月間収益が100万米ドルを超えた時点で通知および別ライセンスの要件が生じ、商用統合には帰属表示の要件があります。重みはHugging Face上の8つのファイルです。ホスト型エンドポイントはなく、モデルカードには推論プロバイダーによってデプロイされていないと記載されています。また、同社の商用v3.0は、2048³ボクセルと8Kテクスチャを備え、独自のプラットフォームを通じて販売される別製品です。

現在、Tencentの外部では誰もWorldClawを実行できません。GitHubリポジトリにはアセットフォルダ、.gitignore、およびREADMEが含まれています。実装もチェックポイントもAPIも料金設定もなく、コードを求めるIssueも未回答のままです。論文はアーキテクチャを再実装できるほど詳細で、プロジェクトページは優れたデモですが、どちらもスケジュールできる依存関係ではありません。ワールドジェネレーターを構築しているなら、WorldClawは読む価値のある設計図です。呼び出せるコンポーネントではありません。

その非対称性こそが、この対決に対する実用的な答えだ。今月、より優れたオブジェクトジオメトリを必要とするチームはHi3Dを使える。今月WorldClawのシーンレベルの能力を必要とするチームは、それを自前で構築しなければならない。そして、役に立つものとしてTencentが公開しているのは、あの論文だけだ。

LLMの請求書はどこに届くのか

WorldClawのアーキテクチャは、高コストな呼び出しがどこにあるかについて異例なほど正直だ。シーンの計画、ユーザーの制約の抽出、プロンプトが省略した詳細の補完、そして何を再レンダリングするかを決める視覚的批評の実行——これらはすべて言語または視覚言語の呼び出しである。フレームワークはこれらを独自モデルの訓練ではなく、フロンティアモデルへとルーティングする。これは意図的な賭けだ。すなわち、訓練よりもオーケストレーションを選び、その品質は自分たちが制御できないコンポーネントによって上限が定められる。

それはOrcaRouterがカバーするレイヤーでもあります。3D再構成はお客様のGPU上に残り、当社が提供するものではありません — カタログにあるのはテキスト、画像、動画、埋め込み、音声のモデルであり、ジオメトリではありません。プランナーとクリティックは別です。200以上のモデルを1つのAPIの背後に置くことで、プランナーとクリティックは別々の契約、別々のキー、別々の障害ドメインを必要としません。プロバイダーの定価は0%のマークアップでパススルーされるため、ベンダーの価格変更は同日にエンドポイントへ反映されます。自動フェイルオーバーにより、1つのプロバイダーが劣化してもワールド生成の途中で停止することがありません。さらに、ルーティングDSLは複数のモデルを1つの呼び出しに合成します。これこそがプラン→クリティックのループの実態です。シーンあたりのコストが繰り返しのエージェント呼び出しに支配されるパイプラインでは、そのコントロールサーフェスは、どの単一モデルの選択よりも重要です。

誰が、何について行動すべきか

ボトルネックが個々のアセットの品質にある場合——たとえば印刷可能な部品、製品モデル、主役級の小道具——Hi3D V1.0 は現在利用可能で、96 GB の GPU を所有し、すでに粗いメッシュがあるなら、実験の開始コストは低く抑えられます。プレスリリースの前に制限事項のセクションを読んでください。このモデルは構造を洗練しますが、誤ったシルエットを修正するものではなく、テクスチャも返しません。

シーンの組み立てがボトルネックになっているなら、WorldClaw はより野心的なシステムであり、より入手しにくいシステムでもある。その貢献はアーキテクチャ上のものだ。粗から細へ進むエージェントループにレンダリングベースのクリティックを組み合わせている点、そしてアセットごとの忠実度が勝敗を分けるのはオブジェクト再構築の段階であると明確に述べている点にある。明らかな次の実験は、Hi3D のようなリファイナをその段階の後ろに置き、シーンのクローズアップ品質が追加パスに見合うほど向上するかを測定することだ。その測定を公表した者はまだ誰もおらず、誰かが公表するまでは、この比較は結果ではなく生産ラインに関する仮説にとどまる。