PAN 2 vs Hi3D v1.0：どちらも物の大きさを教えてくれない2つのモデル

これらのモデルのどちらかに世界を生成させると、最初に失うのは物差しだ。PAN 2はInstitute of Foundation Modelsの290億パラメータのオープンウェイト世界モデルで、2026年10月7日からApache-2.0チェックポイントとしてHugging Faceで公開されており、コードは11月5日、Day-0のvLLM-Omniサポートは11月10日に対応した。開始フレームと記述された動作を与えると、その帰結を示す最大20秒の704×1248動画を毎秒24フレームでレンダリングする。Hi3D v1.0（旧Sparc3D）は、2026年10月23日に発表されたオープンウェイトのジオメトリリファイナーで、1枚の画像と粗いメッシュを受け取り、より高密度のメッシュを返す。扱うのはジオメトリのみで、すべての結果は再中心化され、単位半径に正規化される。一方は計量スケールの主張を含まない動画像を出力し、もう一方は絶対スケールが意図的に取り除かれた静的な形状を出力する。どちらも、目の前の物体が幅1メートルかどうかを教えてはくれない。そしてどちらも、それを期待するのをやめれば、より有用になる。

その共通の省略こそが、比較の誠実な基盤になる。よくある枠組み——3D対動画、あるいは幾何対ダイナミクス——は正しいが役に立たない。なぜなら、その選択が好みのように聞こえてしまうからだ。何かを決める枠組みとは、各モデルが何を手渡してくれるのか、そこに至るために何を捨てているのか、そしてその後その結果に対して何が許されるのかである。

それぞれがあなたに手渡すもの、項目ごとに

能力に名前を付ける前に、出力オブジェクトに名前を付けてください。なぜなら、この二つのオブジェクトは同じ種類のものではないからです。

• 入力 — PAN 2 は任意の最初のフレームに加え、プロンプト書き換えスキルによって洗練された構造化アクションキャプションを受け取ります。Hi3D v1.0 は1枚の画像と同じオブジェクトの粗いメッシュを受け取ります。

• 出力 — PAN 2 は最長20秒のMP4を返します。Hi3D は頂点ジオメトリのみを返し、色、テクスチャ、マテリアル、頂点カラーは一切含まれません。

• 時間 — PAN 2 は前向きに実行されるために存在し、各クリップは結果の予測です；Hi3D には時間軸がまったくなく、同じ2つの入力に対して永遠に同じメッシュを返すでしょう。

• スケール — PAN 2 はレンダリングするあらゆるものについて計量的な主張を一切行わず、Hi3D はすべての結果を単位半径に正規化し、絶対的なサイズを意図的に破棄します。

• バッチ形状 — PAN 2 は呼び出しごとに1つのクリップをレンダリングします。Hi3D はバッチサイズ1で実行します。

• Resolution of the output — PAN 2 renders 704×1248 at 24 frames per second for up to twenty seconds; Hi3D refines to an effective sparse extraction-grid resolution of up to 1536°, which is a density of vertices rather than a pixel count.

• アクセス — PAN 2は60ファイルにわたり合計86.17ギガバイト、ゲートなし、Apache-2.0。Hi3Dは独自のHi3Dオープンライセンスのもとでダウンロード可能で、商業利用はロイヤリティフリー、「Powered by Hi3D 1.0」のクレジット表記が条件です。

• ハードウェア — PAN 2 のドキュメント上のデフォルトは BF16 の H200 8 台であり、レシピでは 13 秒の動画を 4 台の B300 上で約 119 秒で処理するとされている。Hi3D は、CPU 推論パスを持たない単一の 96GB H20 で検証された。

• What you can check yourself — PAN 2's card describes its harness in enough detail to argue with: 300 single-action cases across six capability categories, 100 multi-step tasks scored on step and full-plan completion over three seeds, and a blind pairwise study with thirteen reviewers; Hi3D's card states that training code and the paper's evaluation harness are not included in the release, so its quality claims cannot be re-run from the download.

Those nine rows are the whole purchase decision, and eight of them are descriptions of what each tool accepts and returns rather than claims about how good it is.

両方のモデルが削除する数と、その理由

Hi3Dの正規化は文書化されていますが、見落としやすいものです。リファインされた各メッシュは再中心化され、単位半径に正規化されます。これは幾何学学習における標準的な慣行です。絶対座標を回帰しなければならないネットワークは、与えられれば済むスケールに容量を浪費してしまうためであり、またスキャンとアセットから組み立てられた訓練セットでは単位が一致することはほとんどないためです。これはまた、Hi3Dから出力されたメッシュを実世界サイズでシーンにそのまま配置するには、別のどこかから知っておく必要のあるスケール係数を再適用しなければならないことを意味します。リファインされたジオメトリは、構造上、計量を持ちません。

PAN 2 の省略はより微妙で、本来受けるに値する注目を十分に集めていない。モデルは物理的に整合した帰結を描き出す——果物や液体を入れ替えると飛沫が変わるイチゴのデモは、これまでに示された中でこのアイデアを最も明快に言い表したものだ——しかも、距離を一度も明示することなくそれをやってのける。訓練信号は動画で、出力も動画であり、動画には固有のスケールがない。指ぬきのクローズアップとバケツのワイドショットは同じテンソルなのだ。モデルカード自身のショートカット一覧は、同じ穴を反対側から指し示している。水切りされる前にパスタがざるに現れる——そこで起きているはずだった物理を伴わずに場面が進んでしまったのだ。

これが、水しぶきの表現がどれほど上手くなっても、PAN 2 からドライビングシミュレーターを構築できない理由である。道路網にはメートル単位の車線幅とセンチメートル単位のライダー戻り値が必要であり、世界の表現全体が潜在動画であるモデルには、そのどちらを置く場所もない。これはまた、Hi3D がそのメートルを供給できない理由でもある。Hi3D は、深度情報のなかった画像から、正規化によって捨て去ったスケールで、一つの物体の形状を精緻化するだけだからだ。

パイプラインでメートル単位の出力が必要なら、そのメートル情報はどちらかのモデルより前のどこかで入力されなければなりません。深度センサー、フレーム内の既知サイズのマーカー、CADファイルなどからです。そして両モデルはその判断を下すのではなく、その下流に位置します。これははっきり言っておく価値があります。そうでなければ、チームは統合を一週間進めた後にそれに気づくことになるからです。

編集可能性こそが、プロジェクトとの接触を経ても生き残る違いです。

生成された動画は修正にとって行き止まりだ。PAN 2 が、引き出しが開き、カップが倒される計画をレンダリングし、その引き出しをもっとゆっくり開くようにしたいとしても、クリップを編集するのではない。キャプションを書き直し、29B トランスフォーマーを通すさらに100回のフォワードパスにコストを払うのだ。キャプションだけが編集可能な面であり、しかも本当に優れた面だ——構造化され、時間に根ざし、動作は行為者に結び付き、カメラの動きも明示されている——が、それは「何が起こるか」のレベルで働き、「この頂点がどこへ行くか」ではない。

洗練されたメッシュは、正反対の種類のアーティファクトです。Hi3Dの出力はモデラーで開かれ、リトポロジー化され、別の場所でテクスチャリングされ、配置されます。この洗練は、それ以外は可逆的な工程でいっぱいのパイプラインにおける唯一の不可逆的な工程であり、まさにそれがコンテンツチームの望むものです。つまり、ブロックアウトを改善し、その後は邪魔をしないツールです。

実在する構成を、誇張せずに述べるとこうなる。粗いブロックアウトをHi3Dで洗練させると詳細なプロップになり、シーンビルダーがそのプロップを配置し、PAN 2スタイルのワールドモデルが、何かがそれに作用したときに起きることをレンダリングする。両者は競合するものではなく、隣接する工程だ。存在しないのはループである。Hi3DはPAN 2のフレームを受け取ってジオメトリを返すことはできない。なぜなら、深度がなくスケールが不明な単一の動画フレームは、Hi3Dが解くために作られたメッシュの問題ではないからだ。

そのパイプラインでルーティング層が価値を発揮するのは、どちらかのモデルではなく、それらをつなぐ言語作業の部分です。シミュレーターが条件として利用できるようにレンダーにキャプションを付けること、PAN 2のテキストエンコーダーがソフト1,480トークン、ハード1,536トークンの予算で消費する構造化された世界状態記述を書くこと、生成されたフレームが要件に合っているかを判断すること——これらは通常の従量課金モデル呼び出しであり、両方のツールを取り囲んでいます。OrcaRouterはプロバイダー定価に対してマークアップ0%で、1つのAPIの背後に200以上のモデルを提供しており、プロバイダー間の自動フェイルオーバーを備えているため、キャプションを書く側とレンダーを評価する側は同じキーとフォールバック経路を共有できます。PAN 2もHi3D v1.0もそのカタログにはなく、ここでそう示唆するものは何もありません。レンダラーはあなたのノード、リファイナーはあなたのGPUであり、私たちがルーティングするのはつなぎ役です。

顧客が誰であるべきかを示す2つのライセンス

両モデルともダウンロードできるほどオープンだが、その利用条件は重みよりも示唆に富む形で異なっている。

PAN 2はApache-2.0です。ライセンス本文を超える帰属表示要件はなく、ユーザー数のしきい値も、収益に関するトリップワイヤーも、用途分野の制限もありません。微調整も量子化もでき、製品に組み込んで何も言わなくても構いません。大学附属の研究所が数億本の動画でゼロから学習した290億パラメータの拡散トランスフォーマーとしては、これは異例に寛容な選択であり、PAN 2と、よく比較されるクローズドなワールドモデルとの最大の実用的違いです。

Hi3D v1.0は、「Powered by Hi3D 1.0」の帰属表示を付ければ商用利用でもロイヤリティフリーで、月間アクティブユーザー20万人または月間売上100万ドルを超えると別途契約が適用されます。この閾値はある特徴を示しています。つまり、想定顧客はスタジオ、プラットフォーム、ツールベンダーであり、作者はモデルが研究されるのではなく組み込まれることを想定しているということです。閾値を下回るなら費用はかからず、上回るなら交渉になります。

どちらのライセンスも罠ではない。それらは、開放性が何のためにあるかについての異なる賭けだ。PAN 2のライセンスはインフラとして採用されることを狙う賭けであり、Hi3Dのライセンスは、商談を持てるほど規模が大きくなった時点で商業的な話し合いが付いてくる採用を狙う賭けである。

ハードウェアの請求額は、まだ確定していません。

Hi3Dの要件は厳格だが、すでにそのマシンを所有していれば低コストで満たせる。Linux、Python 3.10、コンピュートケイパビリティ8.0以上のNVIDIA GPU、CUDA 12.0～12.5、フォールバックパスのないflash-attn、CPU推論なし、単一の96GB H20で検証済みである。スタジオのワークステーションならこれをクリアする。障害モードはCUDAの固定とフォールバックの欠如であり、メモリではない。

PAN 2の要件は別カテゴリだ。BF16でH200を8台使うのが文書化されたデフォルトであり、さらに4タイルにまたがるVAEパッチ並列化を重ねる。20秒の704×1248クリップのデコードは、それ自体がメモリ問題だからだ。4台のB300で13秒に対して119秒という数値はvLLMのレシピに由来し、あらゆる設計上の問いを算術の問いに変えてしまう数値だ。フローシフト9、各ステップのガイダンス2.5でサンプラーステップを50回実行することは、クリップあたり29Bトランスフォーマーを100回フォワードパスすることであり、10ステップのタスクの各ステップで5つの候補アクションを評価するプランナーは50クリップを必要とする。

つまり、コスト比較の論点は「どちらが安いか」ではない。一方はワークステーション向けツールで、もう一方はクラスタ向けのワークロードであり、前者を許容できるチームでも後者はまったく実行できない可能性がある、という点だ。この非対称性は PAN 2 を悪くするものではない。GPU 予算が1枚分しかない人にとっては、むしろ判断を容易にする。

あなたが実際に尋ねているのはどの質問ですか

問題がブロックアウトが粗すぎることや、スキャンしたプロップに細部がないことなら、Hi3D v1.0 が適切なツールで PAN 2 は無関係です。動画生成ツールには頂点を出せるものは何もありません。CUDA スタックを見積もり、納品日を約束する前に flash-attn の依存関係を確認し、メッシュが単位半径で届くことを忘れないでください。

行動を実行に移す前に、その行動が何をもたらすかを確認する必要がある——計画評価、反事実データ、自分の選択を事前にプレビューするロボットやエージェント——のがあなたの課題なら、PAN 2 は2つのうち唯一それに応えるものであり、自身のカードによれば、計画の約3分の2でステップを1つ落としながら、ピクセルで答えます。ループにチェッカーを組み込み、プロンプトはトークン予算内に収め、すべてのクリップを測定値ではなく仮説として扱ってください。

両方が必要な場合は、パイプラインを、成果物が実際に流れる順序で組み立てる。最初にメトリック入力、次にジオメトリ、3番目に帰結を置き、一方の表現を別の表現へ変換する必要がある各継ぎ目に言語モデルを配置する。これはどちらのモデルの発表が示唆するよりも多くのエンジニアリングを要し、本格的な2026年のワールドモデルスタックが最終的に行き着いた形でもある。

このページを変えるのは、メートルスケールのジオメトリを出力し、さらに時間軸 — 単位付きの4D出力 — も出力するモデルです。どちらのリリースにも、それを示すものはありません。何かがそうするまでは、正確な要約は次のとおりです。PAN 2は何が起こるかを見せ、Hi3Dはそこにあるものを鮮明にし、どちらもそれがどれほど大きいかを示さず、2つ目の制限こそが、あなたのプロジェクトのどれがどちらを使えるかを静かに決める、ということです。