PAN 2 vs Hunyuan3D WorldClaw：二つの半身を持つ一つのモデルか、それともトレンチコートを着た五十のモデルか

これら二つを並べてみると、まず気づくのは同じ種類のオブジェクトではないということだ。PAN 2はモデルである。Institute of Foundation Modelsによる290億パラメータのマルチモーダル拡散トランスフォーマーで、2026年10月7日からHugging FaceでApache-2.0として公開され、コードは11月5日、Day-0 vLLM-Omniサポートは11月10日。そしてできることは一つ——開始フレームと記述されたアクションを与えると、結果を予測して最大20秒の704×1248動画を毎秒24フレームでレンダリングする。Hunyuan3D WorldClawはフレームワークだ。Tencent Hunyuanによるエージェント型パイプラインで、一つの自由形式のテキストプロンプトから、明示的なテクスチャ付きオブジェクト別メッシュで構成された探索可能な3Dシーンへと変換する。2026年8月5日にarXiv 2608.05248で記述され、8月11日に発表された。リポジトリにはREADMEとアセットがあり、コードはない。一方は実行するダウンロード可能なチェックポイント。もう一方は自分で再構築しなければならない公開された手法だ。

2番目に気づくことは、より役に立つ。WorldClaw自身の論文が、それが動作するモデルを名指ししており、そのリストは他社製コンポーネントの買い物リストだ：計画にはClaude Opus 4.8、画像生成にはGPT-Image-2、セグメンテーションにはSAM3とSAM3D、再構成にはHunyuan3D、組み立てにはMCP経由で駆動するBlender 5.1.1、そのすべてがNVIDIA H20 4台の上で動く。PAN 2は1つのコンポーネントを名指しし、それを差し替え可能なままにしている：指示追従型の言語モデルならどれでも構造化キャプションを書き、IFMはそのうち4つを評価した。それこそが本当の比較だ——シーン対動画ではなく、知能が1つのチェックポイントに集中するのではなくベンダーの連鎖に分散したとき、システムに何が起こるかという比較なのだ。

正直に描いた2つのアーキテクチャ

PAN 2の設計は、Generative Latent Predictionであり、その出典は『Critique of World Models』（arXiv 2507.05169）です。概念的推論器が、次の世界状態を、出来事を順序どおりに、行動を行為者に結び付け、カメラの動きを含む、構造化された時間に基づく記述として書き出し、凍結されたQwen3.5-9Bテキストエンコーダがそれを条件付け特徴に写像し、29Bの拡散トランスフォーマーが知覚的詳細を補完し、Wan 2.2 VAEがフレームをデコードします。2つの構成要素、1つのリポジトリ、1つのライセンス。

WorldClawの設計は、著者らが粗から細へと表現する4段階の洗練ループだ。言語モデルエージェントがプロンプトを読み、シーンプランを生成する。グローバルパスがセマンティックレイアウト、高さフィールド、マテリアルを生成し、何かを配置する前に地面が整合するようにする。領域はレンダリングされ、セグメント化され、Hunyuan3Dを通じて個別のメッシュに再構築される。そしてビジョンエージェントが、浮遊オブジェクト、相互貫入、誤ったスケール、誤ったポーズがないかレンダーを検査し、修正を送り返す。明示的ジオメトリの約束は守られている——融合した塊やガウススプラットではなく、オブジェクトが得られる——そしてエージェントは、シーンを読み込むより前に一度だけ作業を行う。

2つが一致する点こそ、内面化する価値のある部分だ。どちらのシステムでも、ピクセルは高速で安価な側であり、何が存在すべきかを言語モデルが決める。両者が分岐するのは、その言語モデルを誰が所有するかだ。IFMは推論器を変数として扱い、候補をランク付けするハーネスを公開した。Tencentは推論器を依存関係として扱い、特定の1つを名指しした。

「agentic」という言葉がもたらすものと、その代償

この比較に潜む罠は、どちらの発表もその言葉を使っているものの、同じ意味では使っていないことだ。

• 著者としてのエージェント — WorldClawのプランナーはプロンプトをシーンプランに分解し、そのビジョンエージェントが修正を出します。PAN 2の推論エージェントは、次に何が起きるかを描写するキャプションを書きます。

• インテリジェンスが実行されるタイミング — WorldClaw のものは、オーサリングループ内で一度だけ実行され、メッシュのエクスポート時には消えている。PAN 2 のものは、呼び出しのたびにクリップごとに一度、システムの存続期間中ずっと実行される。

• 出力タイプ — WorldClaw は個別のメッシュ、マテリアル、トランスフォームを含むシーンファイルを返します；PAN 2 はジオメトリが一切含まれない MP4 を返します。

• 編集可能性 — WorldClawの出力はモデラーで開き、リトポロジー処理を施して配置できる。PAN 2で編集可能なのはキャプションのみなので、修正には再レンダリングが必要となる。

• 依存関係の範囲 — WorldClawには6つの別々にライセンスされたコンポーネントとBlenderのインストールが必要です。PAN 2には重み、テキストエンコーダー、VAEが必要です。

• 「良い」とは何か — WorldClaw は、シーンが浮遊するオブジェクトなしで組み上がるかどうかで評価される。PAN 2 は、それがレンダリングする結果が、そのアクションが実際に生み出すはずの結果であるかどうかで評価される。

WorldClawの分散した知能のコストは概念上のものではなく、運用上のものだ。6つのコンポーネントは、6組の規約、6つの故障モード、そしてバージョンアップが出力を変えうる6つの箇所を意味する。PAN 2の集中した知能のコストはその逆だ——1つのライセンス、1つの依存関係ツリー、そしてベンダーによるその評価はベンダー自身のものでしかないため、自分で評価しなければならない推論エンジン。

どちらのコストも欠陥ではない。しかし、これでなぜ両者が同じ問いに対して正しい答えになることはめったにないのかが説明できる。一方はコンテンツパイプラインで、もう一方は帰結エンジンであり、メッシュを必要とするチームは PAN 2 に役立つものを見つけられないだろう。

ステージのシーケンスとして記述された2つのパイプライン

シーケンスは、モデルとフレームワークの違いが最もはっきりと表れる場面です。

• PAN 2、1回の呼び出し — 観測と要求されたアクションを読み取り、構造化された世界状態を書き出し、それをエンコードし、ガイダンス2.5で50回の拡散ステップを実行し、704×1248の20秒分をデコードする。そのシーケンス内の何も、クリップの後には残らない。

• WorldClaw、4つの段階——言語モデルでシーンを計画し、グローバルな意味レイアウトと高さフィールドを生成し、領域をレンダリングしてセグメント化し、それぞれをメッシュに再構築し、その後ビジョンエージェントでレンダリングを検査して修正を送り返す。この一連の流れのどこにも、単一のモデルは存在しない。

• 状態がどこに保持されるか — PAN 2 で唯一永続する成果物はキャプションと MP4 です。一方、WorldClaw のそれは、個々のメッシュ、マテリアル、トランスフォームを含み、パイプラインより長く存続するシーンファイルです。

• どこで失敗し得るか — PAN 2 はレンダリングの内部で失敗する：ステップの抜け、ドリフト、物理演算のショートカット。WorldClaw は継ぎ目で失敗する：プロンプトを読み違えたプランナー、オブジェクトを半分に切断したセグメンター、誤ったスケールを生成したリコンストラクター、2つのメッシュを相互貫通させたアセンブラー。

• 検査できるもの — PAN 2 は動画とトークン予算を提供します。WorldClaw は測定可能なジオメトリを提供し、そのためエラーの原因を特定できます。

最後の行こそ残す価値がある。原因を特定できる失敗は、目に見えるだけの失敗よりも修正が安く済む。メッシュパイプラインなら、中間成果物を検査できるため、それが無償で手に入る。動画パイプラインは最終的な答えとキャプションを返すだけで、答えが間違っているときの唯一の手段はキャプションだ。

これは、WorldClaw のビジョンエージェント補正ステージがそもそもなぜ存在するのかも説明している。相互貫入、浮遊オブジェクト、誤ったポーズ、誤ったスケールは、別々に生成されたパーツからジオメトリを組み立てる際の失敗モードであり、レンダリングして見るまでそのどれも見えない。単一モデルはそのステージを必要としない。単一モデルはパーツ同士が矛盾するシーンを生成できないからだ。生成できるのは、全体として間違ったシーンだけである。

評価のギャップは対称ではなく、ライセンスとは逆の方向を指している。

WorldClaw の公開評価は定性的である。論文はその出力を SynCity、WorldGen、MajutsuCity、Marble と並べて比較しているが、FID も CLIP スコアも、数値を伴うユーザー調査もない。シーン生成フレームワークを記述する論文としては、これは実際のギャップであり、それを再実装するチームは「SynCity より良く見える」を結果ではなく仮説として扱うべきだ。

PAN 2は、ほとんどの動画モデルの公開時よりも多くの結果を公開し、その条件をより正確にラベル付けした。6つの能力カテゴリにわたる300件の単一アクションテストケース（画像から動画が201件、テキストから動画が99件）、両方の設定で出題された100件の自己中心的な日常タスク（200プロンプト、456ステップ）を、3つのシードにわたりステップ完了度と全計画完了度で採点した。画像から動画設定でのPhysics-IQ Verifiedは、2つの実写テイク間の分散が100に等しくなるよう正規化した。PhyGroundはQwen3.8-27Bが判定する5点尺度で評価した。RBenchは5つのタスクカテゴリと4つのエンボディメントカテゴリにわたる非加重平均とした。さらに、140プロンプトに対する13名の評価者による1,400回の比較からなるブラインドペアワイズ人間研究を実施し、EloはBradley–Terryで推定して1500を中心に設定した。

13人のレビュアーでは小規模なパネルにすぎず、しかも彼らは著者らのモデルを著者らのベースラインと比較して評価していた。クローズドな比較モデルは第三者の推論APIを通じて一度だけ生成され、いくつかの行には単一シードというフラグが立てられていた。そのどれも独立ではない。だが、すべてが読み取れる形になっている。それは次善の策であり、反論できるリリースと眺めることしかできないリリースを分ける違いだ。

すると、ライセンスは証拠とは逆の方向に働く。PAN 2はApache-2.0で、ゲートなし、60ファイルにまたがる86.17ギガバイト、帰属表示要件なし、ユーザー閾値なし。WorldClawには読むべきライセンスがない。ライセンスするものが何もないからだ。GitHubプロジェクトにはREADMEとアセットがあるだけで、コードも重みも推論スクリプトもAPIも価格もない。実装のないフレームワーク論文は手法の説明であってツールではなく、4台のH20という要件に加えて、別々にライセンスされたモデル群のスタックへの依存があるため、たとえリリースが実現しても、そのままダウンロードして使えるものにはならない。

ルーターが実際に荷重を支えているのはどこか、そしてそれは予想外の場所だ

これは、商業的に興味深い事実がフレームワーク側にある珍しい組み合わせだ。WorldClawの計画部分は、APIの背後に隠れた正体不明のモデルではない。論文で名指しされており、そこに挙げられている構成要素は普通のカタログモデルだ。Claude Opus 4.8はOrcaRouterのカタログに載っている。GPT-Image-2もそうだ。PAN 2のキャプション段階向けにIFMが順位付けした4つの推論モデル、Claude Opus 5.5、GPT-6 Astra、Kimi K3、Qwen3.8-Flashも同様だ。

つまり、WorldClaw の分解——計画、地形、オブジェクト、リファイン——を再実装するチームは、今日、1つのキーを通じて言語段階と画像段階を組み立てられます。料金は各プロバイダーの定価をそのまま0%のマークアップで、ビルド途中で計画呼び出しがタイムアウトした場合の自動フェイルオーバー付きです。同じキーは、実験間でキャプションライターを差し替え、29B レンダラーを自分のノードに固定したままにすると、PAN 2 のリーズナースロットを駆動します。OrcaRouter が行わないのは、PAN 2 または Hunyuan3D WorldClaw をホストすることです。一方は自分のハードウェアで実行する動画拡散モデルで、もう一方はどこにも実行可能なコードとして存在しません。本記事のいかなる記述も、そう示唆するものとして読まれるべきではありません。

正直な言い方をすれば、我々がルーティングしているのは継ぎ目だ。WorldClaw スタイルのパイプラインにはそれが3つある——プロンプトからプランへ、プランから画像へ、レンダーからクリティックへ——そしてそのどれもが従量課金の呼び出しだ。PAN 2 パイプラインではそれが1つであり、GPU を必要としない唯一の部分だ。それは「我々はワールドモデルを実行する」という主張よりも狭い主張であり、そしてそれが真実だ。

どちらも実行しなくても、それぞれの設計から学べること

WorldClawで最も応用が利くアイデアは、シーンではなく分解だ。計画を立て、地形を配置し、オブジェクトを個別に再構築し、その後検査して修正する——この4段階の構造は、出力を後から編集する必要があるあらゆるパイプラインにとって堅牢なアーキテクチャであり、明示的なメッシュを選ぶことは、パイプラインを離れてゲームエンジンに投入されるものにとって正しい選択だ。浮遊オブジェクトや誤ったスケールを検査するビジョンエージェントを用いた修正ループは、ほとんどのチームが省略する部分であり、ほとんどのチームが省略したことを後悔する部分だ。

PAN 2で最も応用しやすいアイデアは、キャプション契約です。インターフェースはプロンプト入力欄ではなく、1,480のソフト上限と1,536のハード上限というトークン予算を持つ、構造化された時間に根差した記述であり、提供済みのprompt-rewriterスキル、固定のネガティブプロンプト、エンコーダの上限に対してキャプションを検証するバリデータを備えています。自由記述は使用前に書き換えられ、モデルカードには、エージェントのケーススタディが手作業で洗練されたプロンプトに依存していたと明記されています。世界モデルを構築するチームも、それを利用するチームも、このやり方を取り入れるべきです。推論側とレンダリング側の間の契約こそ、品質が勝敗を分ける場所であり、雰囲気ではなくスキーマに値します。

両設計は、この分野がまだ解決していない失敗を共有してもおり、その失敗の仕方は互いに異なる。PAN 2は、各クリップが最大でも1枚の開始フレームとテキストからシミュレーションされるため、クリップ間で見た目がドリフトする。そしてそのカードは、欠けている要素として知覚記憶を挙げている。自身の限界セクションは、シミュレーションされた計画の約3分の2に、実行されないステップが少なくとも1つ含まれるという告白から始まっている。WorldClawのドリフトは幾何学的かつ空間的だ。相互貫入、誤ったスケール、浮遊する物体。だからこそ、ループ内に視覚エージェントがそもそも必要なのだ。一方には記憶が必要で、他方には検査役が必要であり、どちらも時間とともにどれほど悪化するかを測定した曲線を公開していない。

決断を、一気に

場所——レベル、合成インテリアデータセット、バーチャルプロダクション用セット——が必要なら、WorldClaw の方がより適切な参照先だが、あなたはそれを実行できない。4段階の分解と明示的メッシュ出力を自身のビルドに取り込み、4台の H20 クラスのマシンに Blender 依存関係を加えた分を予算に計上し、定性的評価は測定可能なものに置き換えよ。論文はその評価法を示していないのだから。

計画に賭ける前に、その計画が何をもたらすかという結果が必要なら——PAN 2 は今日の午後にダウンロード可能で、寛容なライセンスで提供され、3つの計画のうち2つで失敗することについても正直です。まず制限事項のページを読み、チェッカーを関与させ続け、トークンあたりのドルではなくGPU時間を使うことを覚悟してください。13秒の動画は4台のB300でおよそ119秒かかり、サンプラーはクリップごとに100回のフォワードパスを実行します。

どちらのラボも出荷しなかったもの——ジオメトリとして編集し、その振る舞いを観察できる世界——を構築しているなら、あなたはリファイナー、シーンビルダー、レンダラー、言語モデルから、あらゆる継ぎ目で自分自身で組み立てていることになる。それはどちらの発表が示唆するよりも多くの作業であり、このカテゴリーにおける来年の実践的作業が行われるのはそこだ。

このページを変えるのはコードだ。重みと推論スクリプトを伴うWorldClawのリリースは、手法をツールに変え、比較を生きたものにするだろう。RGBと併せて深度を出力するPAN 2の変種も、逆方向から同じことをするだろう。どちらも今日は存在しない。どちらかが実現するまでは、正確な要約は「ダウンロード可能な帰結エンジン」と「構築不能なシーンフレームワーク」であり、両者が真に共有している唯一のものは、世界の画像を描画するのではなく世界を予測しようとする野心だけだ。