PAN 2 vs Hunyuan3D WorldClaw: 두 개의 반쪽으로 이루어진 하나의 모델인가, 아니면 트렌치코트를 입은 쉰 개의 모델인가

이 둘을 나란히 놓고 보면 가장 먼저 눈에 띄는 것은 둘이 같은 종류의 대상이 아니라는 점이다. PAN 2는 모델이다. Institute of Foundation Models의 290억 매개변수 멀티모달 확산 트랜스포머로, 2026년 10월 7일부터 Hugging Face에서 Apache-2.0으로, 11월 5일에는 코드가, 11월 10일에는 Day-0 vLLM-Omni 지원이 공개됐으며, 하는 일은 한 가지다. 시작 프레임과 설명된 동작이 주어지면 최대 20초 분량의 704×1248 영상을 초당 24프레임으로 렌더링해 그 결과를 예측한다. Hunyuan3D WorldClaw는 프레임워크다. 하나의 개방형 텍스트 프롬프트를 명시적인 텍스처가 입혀진 객체별 메시로 구성된 탐색 가능한 3D 장면으로 바꾸는 Tencent Hunyuan의 에이전틱 파이프라인으로, 2026년 8월 5일 arXiv 2608.05248에 설명되었고 8월 11일 발표되었으며, 저장소에는 README와 에셋만 있고 코드는 없다. 하나는 내려받아 실행하는 체크포인트다. 다른 하나는 직접 다시 구현해야 하는 공개된 방법이다.

두 번째로 눈에 띄는 점이 더 유용하다. WorldClaw의 자체 논문은 자사 모델이 어떤 모델 위에서 구동되는지 밝히고 있으며, 그 목록은 다른 이들의 구성요소로 이루어진 쇼핑 목록과 같다. 계획에는 Claude Opus 4.8, 이미지 생성에는 GPT-Image-2, 분할에는 SAM3와 SAM3D, 재구성에는 Hunyuan3D, 조립에는 MCP를 통해 구동되는 Blender 5.1.1이 사용되며, 이 모두가 네 대의 NVIDIA H20에서 실행된다. PAN 2는 한 가지 구성요소만 지정하고 이를 교체 가능하게 남겨 둔다. 지시를 따르는 언어 모델이라면 무엇이든 구조화된 캡션을 작성하며, IFM은 그중 네 개의 순위를 매겼다. 이것이 진짜 비교다. 장면 대 비디오가 아니라, 지능이 하나의 체크포인트에 집중되는 대신 여러 공급업체의 체인에 분산될 때 시스템에 어떤 일이 일어나는가이다.

정직하게 그려진 두 가지 아키텍처

PAN 2의 설계는 Critique of World Models(arXiv 2507.05169)에서 제시된 Generative Latent Prediction입니다. 개념적 추론기는 다음 세계 상태를 구조화되고 시간에 근거한 설명, 즉 순서대로 나열된 이벤트, 행위자에 결속된 행동, 카메라 움직임으로 작성합니다. 고정된 Qwen3.5-9B 텍스트 인코더가 이를 조건화 특징으로 매핑하고, 29B 디퓨전 트랜스포머가 지각적 세부 사항을 채우며, Wan 2.2 VAE가 프레임을 디코딩합니다. 두 개의 절반, 하나의 저장소, 하나의 라이선스.

WorldClaw의 설계는 저자들이 coarse-to-fine이라고 부르는 4단계 정제 루프입니다. 언어 모델 에이전트가 프롬프트를 읽고 장면 계획을 만들어내고, 전역 패스가 의미론적 레이아웃과 높이 필드, 재질을 생성해 무엇이든 그 위에 놓이기 전에 지면이 일관되게 하며, 영역들은 렌더링되고 분할된 뒤 Hunyuan3D를 통해 개별 메시로 재구성됩니다. 그리고 비전 에이전트가 렌더를 검사해 떠 있는 물체, 상호 관통, 잘못된 축척, 잘못된 자세를 찾아내고 수정 사항을 되돌려 보냅니다. 명시적 지오메트리라는 약속은 지켜집니다. 융합된 덩어리나 가우시안 스플랫이 아니라 물체를 얻게 됩니다. 그리고 에이전트들은 장면을 로드하기 전에 단 한 번 작업을 수행합니다.

두 접근이 수렴하는 지점이야말로 내면화할 가치가 있는 부분이다. 두 시스템 모두에서 픽셀은 빠르고 저렴한 절반이며, 언어 모델이 무엇이 존재해야 하는지를 결정한다. 두 접근이 갈라지는 지점은 누가 언어 모델을 소유하는가이다. IFM은 추론기를 변수로 취급하고 후보들의 순위를 매긴 하네스를 공개했다. Tencent는 추론기를 의존성으로 취급하고 하나를 지명했다.

"agentic"이라는 단어가 무엇을 얻어 주고, 무엇을 치르게 하는가

이 비교의 함정은 두 발표 모두 그 단어를 사용하지만, 어느 쪽도 그 단어로 같은 것을 의미하지는 않는다는 점이다.

• 작성자로서의 에이전트 — WorldClaw의 플래너는 프롬프트를 장면 계획으로 분해하고, WorldClaw의 비전 에이전트는 수정 사항을 제시합니다. PAN 2의 추론기는 다음에 일어날 일을 설명하는 캡션을 작성합니다.

• 인텔리전스가 실행되는 시점 — WorldClaw의 것은 저작 루프에서 단 한 번 실행되고 메시가 내보내지면 사라지며, PAN 2의 것은 클립마다, 매 호출마다, 시스템이 존속하는 동안 실행됩니다.

• 출력 유형 — WorldClaw는 개별 메시, 머티리얼, 변환이 포함된 씬 파일을 반환하고, PAN 2는 지오메트리가 전혀 들어 있지 않은 MP4를 반환합니다.

• 편집 가능성 — WorldClaw의 출력은 모델링 소프트웨어에서 열리고, 리토폴로지 처리 후 배치됩니다. PAN 2에서 편집 가능한 유일한 표면은 캡션이므로, 수정하려면 다시 렌더링해야 합니다.

• 의존성 범위 — WorldClaw는 별도 라이선스가 필요한 여섯 개 구성 요소와 Blender 설치를 요구합니다. PAN 2는 가중치, 텍스트 인코더, VAE를 요구합니다.

• "좋음"이란 무엇인가 — WorldClaw는 장면이 공중에 떠 있는 물체 없이 조립되는지로 평가되고, PAN 2는 그것이 렌더링하는 결과가 그 행동이 실제로 낳았을 결과인지로 평가된다.

WorldClaw의 분산된 인텔리전스 비용은 개념적인 것이 아니라 운영적입니다. 여섯 개의 구성 요소는 곧 여섯 세트의 약관, 여섯 가지 실패 모드, 그리고 버전 범프가 출력을 바꿀 수 있는 여섯 개의 지점을 의미합니다. PAN 2의 집중된 인텔리전스 비용은 그 반대입니다. 하나의 라이선스, 하나의 의존성 트리, 그리고 벤더가 매긴 순위는 벤더의 것일 수밖에 없으므로 직접 평가해야 하는 추론기입니다.

두 비용 중 어느 것도 결함은 아니다. 하지만 그것은 두 가지가 같은 질문에 대한 정답이 되는 경우가 드문 이유를 설명해 준다. 하나는 콘텐츠 파이프라인이고, 다른 하나는 결과 엔진이며, 메시가 필요한 팀은 PAN 2에서 도움이 될 만한 것을 아무것도 찾지 못할 것이다.

단계의 연속으로 작성된 두 개의 파이프라인

시퀀스는 모델과 프레임워크의 차이가 가장 명확하게 드러나는 부분입니다.

• PAN 2, 한 번의 호출 — 관측과 요청된 동작을 읽고, 구조화된 월드 상태를 작성하고, 인코딩한 뒤, 가이던스 2.5에서 50회의 확산 단계를 실행하고, 704×1248의 20초 분량을 디코딩합니다. 그 시퀀스의 어떤 것도 클립 이후에는 지속되지 않습니다.

• WorldClaw, 네 단계 — 언어 모델로 장면을 계획하고, 전역 의미 레이아웃과 높이 필드를 생성하며, 영역을 렌더링하고 분할한 뒤 각 영역을 메시로 재구성하고, 그다음 비전 에이전트로 렌더링 결과를 검사해 수정 사항을 다시 보냅니다. 이 과정 어디에도 단일 모델은 없습니다.

• 상태가 머무는 곳 — PAN 2의 유일한 영속적 산출물은 캡션과 MP4이지만, WorldClaw의 산출물은 개별 메시와 재질, 트랜스폼을 담은 씬 파일로, 파이프라인보다 더 오래 살아남는다.

• 실패할 수 있는 지점 — PAN 2는 렌더 내부에서 실패한다: 단계 누락, 드리프트, 물리적 편법. WorldClaw는 이음새에서 실패한다: 프롬프트를 잘못 읽은 플래너, 물체를 반으로 자른 세그멘터, 잘못된 스케일을 생성한 재구성기, 두 메시를 서로 관통시킨 어셈블러.

• 검사할 수 있는 것 — PAN 2는 영상과 토큰 예산을 주고, WorldClaw는 측정 가능한 기하 구조를 주므로 오류의 원인을 짚을 수 있습니다.

마지막 행이야말로 지킬 가치가 있는 행이다. 원인을 특정할 수 있는 실패는 눈에 보이기만 하는 실패보다 고치는 비용이 더 적다. 그리고 메시 파이프라인은 중간 산출물을 검사할 수 있기 때문에 그것을 공짜로 제공한다. 비디오 파이프라인은 최종 답과 캡션을 제공하는데, 답이 틀렸을 때 당신이 쓸 수 있는 유일한 수단은 캡션이다.

또한 WorldClaw의 비전 에이전트 교정 단계가 애초에 왜 존재하는지도 설명해 준다. 상호 관통, 공중에 떠 있는 객체, 잘못된 자세와 잘못된 스케일은 별도로 생성된 조각들로 지오메트리를 조립할 때 나타나는 실패 모드이며, 렌더링해서 직접 보기 전까지는 그중 어느 것도 눈에 띄지 않는다. 단일 모델은 그 단계가 필요 없다. 단일 모델은 구성 요소들이 서로 불일치하는 장면을 만들 수 없고, 전체로서 잘못된 장면만 만들 수 있기 때문이다.

평가 격차는 대칭적이지 않으며, 라이선스와는 반대 방향을 가리킨다.

WorldClaw가 공개한 평가는 정성적이다. 논문은 자사의 출력을 SynCity, WorldGen, MajutsuCity, Marble과 나란히 비교하며, FID도, CLIP 점수도, 수치가 붙은 사용자 연구도 없다. 장면 생성 프레임워크를 설명하는 논문에서 이는 실질적인 공백이며, 이를 재구현하는 팀이라면 누구든 "SynCity보다 더 좋아 보인다"를 결과가 아니라 가설로 취급해야 한다.

PAN 2는 대부분의 비디오 모델 공개 사례보다 더 많은 내용을 공개했고, 자사의 조건을 더 정밀하게 표시했다. 6개 역량 범주에 걸친 300개의 단일 동작 테스트 사례, 201개의 이미지-투-비디오와 99개의 텍스트-투-비디오; 두 방식으로 제시된 100개의 자기중심적 일상 과제, 200개의 프롬프트와 456개의 단계, 3개 시드에 걸쳐 단계 완료 및 전체 계획 완료로 채점; 이미지-투-비디오 설정에서 Physics-IQ Verified, 두 실제 촬영 간 분산이 100이 되도록 정규화; Qwen3.8-27B가 판정한 5점 척도의 PhyGround; 5개 과제 및 4개 임바디먼트 범주에 대한 비가중 평균으로서의 RBench; 그리고 140개 프롬프트에 대한 블라인드 쌍대 인간 연구로, 13명의 검토자와 1,400회 비교, Bradley–Terry로 적합되고 1500을 중심으로 한 Elo.

열세 명의 리뷰어는 작은 패널이었고, 그들은 저자들의 모델을 저자들의 베이스라인과 비교해 평가하고 있었으며, 폐쇄형 비교 모델들은 제3자 추론 API를 통해 한 번 생성되었고 여러 행은 단일 시드로 표시되어 있었다. 그중 독립적인 것은 아무것도 없다. 그러나 모든 것이 판독 가능하다는 점이 그다음으로 좋은 일이며, 그것이 당신이 논쟁할 수 있는 릴리스와 들여다보기만 할 수 있는 릴리스의 차이다.

그렇다면 라이선스는 증거와 정반대다. PAN 2는 Apache-2.0이며, 게이트가 없고, 60개 파일에 걸쳐 86.17기가바이트이며, 출처 표시 요구도, 사용자 임계값도 없다. WorldClaw는 읽을 라이선스가 없다. 라이선스를 부여할 대상 자체가 없기 때문이다. GitHub 프로젝트에는 README와 자산만 있고 코드도, 가중치도, 추론 스크립트도, API도, 가격도 없다. 구현이 없는 프레임워크 논문은 방법에 대한 설명일 뿐 도구가 아니며, H20 네 대 요구 사항과 별도로 라이선스가 부여된 모델 스택에 대한 의존성은 설령 출시된다 해도 바로 내려받아 쓸 수 있는 배포본이 되지 않음을 의미한다.

라우터가 실제로 하중을 지지하는 곳은 예상하는 곳이 아니다

이는 흥미로운 상업적 사실이 프레임워크 쪽에 있는 드문 사례다. WorldClaw의 계획(planning) 부분은 API 뒤에 숨은 미스터리 모델이 아니라 논문에 이름이 명시되어 있으며, 그렇게 명시된 구성 요소들은 평범한 카탈로그 모델들이다. Claude Opus 4.8은 OrcaRouter의 카탈로그에 있다. GPT-Image-2도 그렇다. PAN 2의 캡션 단계를 위해 IFM이 순위를 매긴 네 가지 리즈너인 Claude Opus 5.5, GPT-6 Astra, Kimi K3, Qwen3.8-Flash도 마찬가지다.

즉, WorldClaw 분해 — 계획, 지형, 객체, 정제 — 를 재구현하는 팀은 오늘날 하나의 키를 통해 언어 및 이미지 단계를 조립할 수 있으며, 각 제공업체의 정가를 0% 마크업으로 그대로 전달받는 가격으로, 빌드 도중 계획 호출의 시간이 초과되면 자동 장애 조치가 이루어집니다. 동일한 키는 실험 간에 캡션 작성기를 교체하고 29B 렌더러를 자체 노드에 고정할 때 PAN 2의 추론기 슬롯을 구동합니다. OrcaRouter가 하지 않는 일은 PAN 2나 Hunyuan3D WorldClaw를 호스팅하는 것입니다. 하나는 자체 하드웨어에서 실행하는 비디오 확산 모델이고, 다른 하나는 어디에도 실행 가능한 코드로 존재하지 않습니다. 이 기사의 어떤 내용도 그와 반대되는 것을 암시하는 것으로 읽혀서는 안 됩니다.

솔직하게 말하면, 우리는 그 이음새들을 라우팅합니다. WorldClaw 스타일 파이프라인에는 세 개의 이음새가 있습니다 — 프롬프트에서 계획으로, 계획에서 이미지로, 렌더에서 비평가로 — 그리고 각각은 과금되는 호출입니다. PAN 2 파이프라인에는 하나가 있으며, 그것은 GPU가 필요 없는 유일한 부분입니다. 이는 "우리가 월드 모델을 실행한다"보다 더 좁은 주장이며, 바로 그것이 사실입니다.

두 설계 중 어느 것도 실행하지 않더라도 각 설계가 당신에게 가르쳐 주는 것

WorldClaw에서 가장 널리 적용할 수 있는 아이디어는 장면이 아니라 분해 방식이다. 계획을 세우고, 지형을 배치하고, 객체를 개별적으로 재구성한 뒤, 검사하고 수정하는 이 4단계 구조는 나중에 출력을 편집해야 하는 모든 파이프라인에 건전한 아키텍처다. 그리고 명시적 메시를 선택한 것은 파이프라인을 떠나 게임 엔진에 들어가는 모든 결과물에 올바른 선택이다. 비전 에이전트가 떠 있는 객체와 잘못된 스케일을 검사하는 수정 루프는 대부분의 팀이 건너뛰는 부분이며, 대부분의 팀이 건너뛴 것을 후회하는 부분이다.

PAN 2에서 가장 전이 가능한 아이디어는 캡션 계약이다. 인터페이스는 프롬프트 상자가 아니라 1,480개의 소프트 토큰과 1,536개의 하드 토큰 예산, 제공되는 프롬프트 재작성 스킬, 고정 네거티브 프롬프트, 그리고 캡션이 인코더의 한도를 준수하는지 확인하는 검증기를 갖춘 구조화된 시간 기반 설명이다. 자유 텍스트는 사용 전에 재작성되며, 모델 카드는 에이전트 사례 연구가 손수 다듬은 프롬프트에 의존했다고 분명히 밝힌다. 월드 모델을 구축하거나 소비하는 모든 팀은 이것을 훔쳐야 한다. 추론 담당 부분과 렌더링 담당 부분 사이의 계약이야말로 품질이 결정되는 지점이며, 그것은 분위기가 아니라 스키마를 가질 자격이 있다.

두 설계 모두 이 분야가 아직 해결하지 못한 실패를 공유하며, 그 실패 방식은 서로 다르다. PAN 2는 클립 전반에서 외형이 드리프트하는데, 각 클립이 많아야 하나의 시작 프레임과 텍스트로부터 시뮬레이션되기 때문이며, 해당 카드에서는 지각적 기억을 빠진 조각으로 지목한다. 자체 한계 섹션은 약 3개 중 2개의 시뮬레이션된 계획에 실행되지 않는 단계가 최소 하나 포함된다는 인정으로 시작한다. WorldClaw의 드리프트는 기하학적이고 공간적이다: 상호 관통, 잘못된 스케일, 떠 있는 객체, 그래서 루프에 비전 에이전트가 애초에 필요한 것이다. 하나는 기억이 필요하고, 다른 하나는 검사자가 필요하며, 둘 다 시간이 지나면서 얼마나 나빠지는지에 대한 측정된 곡선을 공개하지 않았다.

결정, 한 번에

장소, 즉 레벨, 합성 실내 데이터셋, 버추얼 프로덕션 세트가 필요하다면 WorldClaw가 더 관련성 높은 참조이며, 당신은 그것을 실행할 수 없습니다. 4단계 분해와 명시적 메시 출력을 자체 빌드에 반영하고, 4×H20급 머신과 Blender 의존성에 대한 예산을 잡고, 정성적 평가는 측정 가능한 것으로 대체하십시오. 논문이 그러한 평가를 제공하지 않기 때문입니다.

결과가 필요하다면, 즉 계획에 확정하기 전에 그 계획이 무엇을 하는지 알고 싶다면, PAN 2는 오늘 오후에 다운로드할 수 있으며 관대한 라이선스로 제공되고 세 가지 계획 중 두 가지에서 실패한다는 점을 솔직히 밝힌다. 제한 사항 페이지를 먼저 읽고, 검사기를 과정에 포함해 두고, 토큰당 달러보다 GPU 시간을 쓰게 될 것으로 예상하라. 13초 영상은 B300 네 대에서 약 119초 걸리며, 샘플러는 클립당 100회의 순전파를 실행한다.

두 연구소 어느 쪽도 내놓지 않은 것, 즉 형상으로 편집한 뒤 그 동작을 지켜볼 수 있는 세계를 만들고 있다면, 당신은 정제기, 장면 빌더, 렌더러, 그리고 언어 모델을 이음새마다 직접 조립하고 있는 것이다. 그것은 어느 발표문이 시사하는 것보다 더 큰 작업이며, 이 범주에서 앞으로 1년의 실질적인 작업이 일어날 지점이 바로 거기다.

이 페이지를 바꿀 것은 코드다. 가중치와 추론 스크립트가 포함된 WorldClaw 릴리스는 방법을 도구로 바꾸고 비교를 실제 작동하는 것으로 만들 것이다. RGB와 함께 깊이를 출력하는 PAN 2 변형은 반대 방향에서 같은 일을 할 것이다. 오늘날 둘 다 존재하지 않는다. 하나가 존재하기 전까지 정확한 요약은 다운로드 가능한 결과 엔진과 구축할 수 없는 장면 프레임워크이며, 이들이 진정으로 공유하는 유일한 것은 세계를 그림으로 렌더링하는 것이 아니라 세계를 예측하려는 야망이다.