PAN 2 対 Hy-Nomas：同じライセンス、同じアーキテクチャファミリー、「アクション」の二つの定義

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.

実際に機能する決め手は、どちらのチームも要旨には書いていない一文、すなわち何を行動とみなすかだ。Hy-Nomasの制御信号はカメラがどこへ向かうかである。PAN 2の制御信号はシーン内で起きることであり、言語モデルによって、行為者に紐づけられたイベント列として書き出される。両者は十分に異なるため、一方でうまく機能するプロンプトは他方ではほぼ無意味であり、この比較から一つだけ学ぶなら、それはこれだ。

2つの品質レベルではなく、2つのコンディショニングインターフェース

Hy-Nomasはテキストとカメラパスに条件づけられます。パスは連続的かつ幾何学的で、視点がどこへ移動するかを指定すると、モデルはキャッシュされた履歴に条件づけられたセグメントを生成するため、移動中も世界の一貫性が保たれます。そのプロンプトエンハンサーであるNomas-PEは、緩い散文を構造化されたJSONキャプションに書き換えます。これはPAN 2のプロンプトリライターが逆方向から従っているのと同じ発想であり、両チームとも、自由テキストは拡散トランスフォーマーに条件づけるには曖昧すぎると結論づけました。

両者が分かれる点こそ、構造化された形式が記述しているものである。Hy-Nomasの構造は空間的かつ視点中心であり、正確にモデル化されているのは、シーンを通るカメラの動きである。PAN 2の構造は時間的かつ行為者中心である。出来事は順序どおりに並び、各行為はそれを実行する行為者に結び付き、カメラの動きは複数あるフィールドの一つにすぎない。IFM自身の枠組みを読めば、その強調点は紛れもない——キャプションは行為の後に何が起こるかを記述しており、このモデルを有名にした実演は、ボウルに落とされるイチゴで、果物や液体を入れ替えると飛沫が変わるというものだ。

• 条件付け — Hy-Nomas は自由記述テキストと連続的なカメラ軌道を入力とし、PAN 2 はオプションの最初のフレームと、構造化された時間軸に基づく行動キャプションを入力とします。

• 「アクション」の意味 — Hy-Nomas：カメラの動き、つまりどこを見るか；PAN 2：行為者を伴う出来事、つまり何が起きるか。

• セグメント構造 — Hy-NomasはキャッシュされたKV履歴に対するセグメント自己回帰方式であるため、コンテキストはセグメント間で引き継がれます。一方、PAN 2は各クリップを最大1枚の開始フレームとテキストからシミュレートし、クリップ間に引き継がれる状態はありません。

• 出力 — Hy-Nomas：720×1280、24 fps、8 蒸留ステップ。PAN 2：704×1248、24 fps、サンプラー 50 ステップ、ガイダンス 2.5。

• サイズ — Hy-Nomas：隠れサイズ2,048の54個のデュアルストリームMMDiTブロック全体で約8B、さらにDCAE-V潜在変数上で微調整されたPixelUMMデコーダー。PAN 2：29BのMMDiTに加え、凍結されたQwen3.5-9BテキストエンコーダーとWan 2.2 VAE。

• ハードウェア — Hy-Nomas：リファレンスデプロイではGPU 8基。単一のRTX 4090構成では、INT8 DiT、KVキャッシュ、FP8デコーダー、CPUオフロードを使用して約38GB。PAN 2：ドキュメント化されたデフォルトとしてBF16のH200を8基。4台のB300上で13秒の動画を約119秒で処理するレシピ付き。

• 重みサイズ — Hy-Nomas：Hugging Face 上で tencent/Hy-Nomas として約 196GB、PAN 2：60 ファイルにわたり IFM/PAN2 として 86.17GB。

七つの次元があり、そのどれ一つとしてスコアではない。それらが示すのは設計上の分岐だ。Hy-Nomas はパラメータを、世界の中を移動する際に世界の一貫性を保つことに注ぎ、PAN 2 はパラメータを、ある行動が何をもたらすかを予測することに注いだ。カメラパスは指定するのは容易で、ごまかすのは難しい。イベント列は表現力に富み、生成には多大なコストがかかる。

違いが効いてくる場面——3つのタスク、両モデル

抽象的な対比は安易だ。これらは具体的だ。

フラットのウォークスルーについて説明してください。Hy-Nomas が完全に勝利します。必要なのは、廊下を通ってキッチンへ入る連続した経路であり、後ろの部屋は後ろの部屋のままであることです。それはキャッシュされた履歴に対するセグメント自己回帰生成であり、まさにそのアーキテクチャが目的とするものです。そして PAN 2 にはできません。PAN 2 はクリップをレンダリングし、次のクリップは、以前の記憶なしにあなたが提供するフレームから始まります。ウォークスルーを作るために PAN 2 のクリップをつなぐと、自身のモデルカードが警告しているドリフトが発生します。長いインタラクションでは、各クリップが最大でも1つの開始フレームからシミュレートされるため、クリップ間で外観が変化します。

私が引き出しを開けると、カップが落ちる。 PAN 2の勝ちで、しかも大差だ。このリクエストは、行為者と物理的帰結を伴うイベントである。Hy-Nomasの条件付けには、カメラとは別に「引き出しが開く」ためのフィールドがない。テキストプロンプトに入れることはでき、そのプロンプトエンハンサーが構造化するだろうが、モデルの精度予算は接触と帰結ではなく視点に費やされた。PAN 2のキャプション契約は、まさに行動を行為者に結び付け、時間順に並べるために存在する。だからこそIFMは、散文をそのまま通すのではなく、記述がテキストエンコーダの予算（ソフト1,480トークン、ハード1,536トークン）に収まっているかを検証するバリデータを出荷した。

データセット用に操作シーンのバリエーションを200個生成する。どちらも間違っているが、その仕方は異なる。Hy-Nomas は200のシーンを通した200の一貫したカメラ動作を提供するが、腕が実際に何かをつかむかどうかについてはほとんど制御できない。PAN 2 は200の行動条件付きクリップを提供するが、それ自身のカードによれば、計画の約3分の2は実行されないステップを少なくとも1つ含む——つまり、チェッカーを構築しない限り、データセットの3分の1は使えなくなる。どちらもそのまま使えるデータエンジンではない。違いは、失敗が幾何学的なドリフトなのか、ステップの脱落なのか、そして下流タスクがそのどちらを許容できるかにある。

その3番目のタスクは、使うハードウェアを決めるタスクでもあります。量子化された4090を1枚使う場合、8ステップの720pクリップ200本なら午後には終わります。B300を4基搭載したノードで、13秒の動画あたり119秒かけて200本を処理するなら2日ほどかかります。そしてこの計算こそ、能力が重なる部分であってもこの2つのモデルが入れ替え可能ではない本当の理由です。

同じ失敗に2つの異なる名前

両方のカードは同じ弱点を認めており、どちらもそれを解決していません。長期的な世界モデルは、その世界を失ってしまいます。PAN 2 は、クリップ間で外観がドリフトすると述べ、欠けている要素として知覚記憶を挙げています。Hy-Nomas は、持ち越される KV キャッシュと、記述的なコンテキストをセグメント間で維持しつつ、行動指示をそれが発行されたウィンドウ内に限定する因果的アテンションパターンによって、この問題に直接対処しています。そして、自身の評価で、長期的な空間記憶において依然として Genie 3 に劣ると報告しています。

その最後の白状は、勝利よりも興味深い。それは、記憶メカニズムが、インタラクションとプロンプト追従において Genie 3 と LingBot-World v2 を打ち負かすのに十分なほどうまく機能していることを示している——マルチターンのテキスト、カメラナビゲーション、テキストとカメラの交互入力、空間記憶をカバーする280ケースのベンチマークで、プロンプト追従において約65%の勝率を上げる一方で、世界がその場に留まるかどうかを測るトラックでは依然として負けている、と。それらは、著者らが選んだベースラインに対する、著者らのベンチマーク上での著者ら自身の比較であり、このカテゴリのあらゆる数値と同様、再現されていない。曖昧ではないのは次の点だ：どこで負けるかを公表するモデルは、計画を立てる際に当てにできるモデルだ。

どちらを基に構築する人にとっても有用な言い換えはこうだ。永続性は、前提として置き、後から確認できる性質ではない。パイプラインをモデルに固定する前に、自分のシーンで、自分のドリフト許容度で、最初に測るべきものだ。どちらのベンダーも、故障までの時間曲線、つまりシーンが信頼できなくなるまでの持続時間を公開しておらず、その欠けている数値は、どのベンチマーク順位よりも重要だ。

コストは誤差ではなく、意思決定そのものです。

能力の議論はいったん脇に置いて、それぞれを1週間稼働させるのに何が必要かを見てみましょう。

Hy-Nomasのシングル4090構成は、この比較で最も重大な事実であり、8 GPUの参照デプロイの陰では見落としやすい。KVキャッシュを備えたINT8 DiT、FP8デコーダー、CPUオフロードなら約38GBに収まるため、ワークステーションクラスのカードを1枚持つスタジオでも、何もレンタルせずに720pのインタラクティブ動画を生成できる。ベンチマークが説明しているのは8 GPU構成だが、読者が今夜実際に実行できるのは4090構成だ。

PAN 2には比較可能なパスが公開されていません。文書化されたデフォルトは、BF16のH200を8台使用し、VAEパッチ並列を4タイルにまたがって行う構成です。また、誰もが引用するサービングレシピ — 704×1248の13秒を約119秒で — は、B300を4台前提としています。さらに悪いことに、サンプラーは設計上高コストです。ガイダンス2.5を各ステップに適用する50ステップは、クリップごとに29Bトランスフォーマーを100回フォワードパスすることに等しく、そのためclassifier-free guidanceをランク間に分割し、シーケンス並列をより多くの範囲に分散させる必要があります。このリリースには量子化されたシングルカード向けのストーリーは存在せず、そうであるかのように装うのは、それを創作することに他なりません。

正直なコストの話を一言で言えばこうだ：Hy-Nomas はおそらく手持ちにある GPU で済むが、PAN 2 はおそらく手持ちにない GPU ノードを必要とする。そして、どちら方向の品質差がどれほどあっても、小規模チームにとってその事実は変わらない。

ここでのルーティングの論点は限定的で、正確に述べておく価値がある。というのも、この2つはどちらも自分でホストするモデルであり、OrcaRouterのカタログには入っていないからだ。ルーティングできるのは、自由テキストでは足りなかったために両方のアーキテクチャが追加した部分、すなわちプロンプトエンハンサー段階である。Hy-NomasのNomas-PEは散文を構造化JSONキャプションに書き換える。PAN 2のprompt-rewriterはシステムプロンプト、固定のネガティブプロンプト、そしてエンコーダーのトークン予算に対するバリデータを保持している。これらはいずれも言語モデルの呼び出しであり、別のモデルに変えることでレンダラーが受け取る内容が実際に変わる段階でもある。IFMはキャプション段階のために4つの推論モデルを順位付けした — Claude Opus 5.5、ミディアムエフォートのGPT-6 Astra、Kimi K3、Qwen3.8-Flash — これら4つすべてがカタログに含まれているので、どちらのパイプラインでも書き換え側の半分は1つのキープロバイダー表示価格・マークアップ0%で差し替えて比較でき、バッチ処理の途中で書き換え呼び出しがタイムアウトした場合のフェイルオーバーも付く。29Bと8Bのレンダラーはあなたのハードウェア上に残る。主張はそれだけだ。

2つのモデルカードに実際に含まれている内容

どちらのリリースも公の場にカードを1枚さらけ出しており、そのカードは何を認める用意があるかという点で互いに異なっている。

Hy-Nomasの報告書（2026年10月27日、arXiv 2610.36729）は、マルチターン対話を成立させる仕組みを説明している。構造化キャプションがアクション認識型の因果アテンションパターンと整合されるため、記述的なコンテキストはセグメントをまたいで持続し、アクション指示はそれが発行されたウィンドウ内に限定される。評価は、4つのトラック（マルチターンテキスト、カメラナビゲーション、テキストとカメラの交互入力、空間記憶）にわたる280ケースのベンチマークで、Genie 3、LingBot-World v2、Happy Oyster との人間によるペアワイズ比較によって判定される。対話とプロンプト追従では勝利し、プロンプト追従における勝率は約65%と報告されているが、長期空間記憶ではGenie 3に敗れている。重みは tencent/Hy-Nomas として約196GBでApache 2.0の下に公開されており、コードはGitHubに、ホストされたデモも用意されている。

PAN 2 のカードはより長く、手放しで褒める内容ではない。アーキテクチャは、次に挙げる文献からの生成的潜在予測である：『World Models』批判（arXiv 2507.05169）。そして、それを説明している同じ文書が失敗例も列挙している。シミュレーションされた計画のおよそ3分の2が少なくとも1つのステップを落とすこと、持ち越される状態が存在しないためクリップ間で見た目がドリフトすること、観測と行動の文言が結果を変えてしまうこと、テキストは「引き出しを開ける」はうまく表現できる一方で「各指をここに置く」は苦手であること、シミュレーションは物理法則に反したまま進行し得ること、そして失敗すべき計画をシミュレートすることはまだ測定されていないこと。

二つを並べて読めば、開示スタイルの違いは明らかだ。Hy-Nomas は勝率と損失を報告し、PAN 2 は失敗率と一覧を報告している。どちらも監査ではなく、どちらもモデルを構築したチームによって書かれている。しかし、モデルがどこで負けるかを示すカードは、計画を立てる際に依拠できる文書であり、この二つはどちらもそれに該当する——それは、彼らのクローズドな競合の大半が提供しているものよりも多い。

どれですか、そして何が答えを変えるでしょうか？

探索やコンテンツが課題ならHy-Nomasを選べ。誰かが歩き回る世界、誰かが演出するカメラワーク、1枚のカード上でプロンプトから生まれる一貫した720pシーン。そのメモリ機構、カメラ条件付け、そして4090での処理経路はすべて同じユーザーを指している——今、安く、ある場所を見てそこを動き回る必要がある人だ。

あなたの問題が意思決定であるなら、PAN 2を選んでください。すなわち、行動が何をするかをプレビューする必要があるエージェント、候補プランを順位付けするプランナー、事象の構造化記述がその結果を生成するのに十分かどうかという研究上の問いです。そのキャプション契約、公開されたハーネス、Apache-2.0の重みはすべて、正直に議論される必要があり、そのためのハードウェアを用意できるユーザーを指し示しています。

二つのことが、どちらのベンダーも現時点では実現していない形で決着をつけるだろう。Hy-Nomas流のメモリをセグメントをまたいで引き継ぎ、PAN 2の行動条件付けを備えたモデルに載せれば、どちらよりも実質的に優れた製品になる。公開された失敗研究——PAN 2が失敗すべき計画をシミュレーションし、Hy-Nomasが1分ではなく10分間のドリフトを測定する——があれば、両方のカードが未解決のままにしている問いに答えるだろう。そのどちらかが実現するまでは、この選択はどちらのモデルが優れているかではない。あなたの世界が、あなたが通り抜けていくものなのか、それともあなたに起こるものなのか、ということだ。