PAN 2 vs Hunyuan3D WorldClaw: één model met twee helften, of vijftig modellen in een trenchcoat

Put these two side by side and the first thing you notice is that they are not the same kind of object. PAN 2 is a model: 29 billion parameters of multi-modal diffusion transformer from the Institute of Foundation Models, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, and it does one thing — given a starting frame and a described action it renders up to twenty seconds of 704×1248 video at 24 frames per second predicting the consequence. Hunyuan3D WorldClaw is a framework: T​encent Hunyuan's agentic pipeline for turning one open-ended text prompt into an explorable 3D scene made of explicit textured per-object meshes, described in arXiv 2608.05248 on 5 August 2026 and announced on 11 August, with a repository that holds a README and assets and no code. One is a downloadable checkpoint you run. The other is a published method you would have to rebuild.

Het tweede dat je opvalt, is nuttiger. WorldClaw's eigen paper noemt de modellen waarop het draait, en die lijst is een boodschappenlijst van andermans componenten: Claude Opus 4.8 voor planning, GPT-Image-2 voor beeldmateriaal, SAM3 en SAM3D voor segmentatie, Hunyuan3D voor reconstructie, Blender 5.1.1 aangestuurd via MCP voor assemblage, allemaal op vier NVIDIA H20's. PAN 2 noemt één component en laat die verwisselbaar: elk instructievolgend taalmodel schrijft de gestructureerde caption, en IFM rangschikte er vier. Dat is de echte vergelijking — niet scènes versus video, maar wat er met een systeem gebeurt wanneer intelligentie is verdeeld over een keten van leveranciers in plaats van geconcentreerd in één checkpoint.

Twee architecturen, eerlijk getekend

Het ontwerp van PAN 2 is Generative Latent Prediction uit Critique of World Models (arXiv 2507.05169). Een conceptuele redeneercomponent schrijft de volgende wereldtoestand als een gestructureerde, tijdsgeankerde beschrijving — gebeurtenissen in volgorde, acties gekoppeld aan actoren, camerabeweging — een bevroren Qwen3.5-9B-tekstencoder zet die om naar conditioneringskenmerken, een 29B-diffusietransformer vult perceptuele details aan, en een Wan 2.2 VAE decodeert de frames. Twee helften, één repository, één licentie.

WorldClaw's ontwerp is een verfijningslus in vier fasen die de auteurs ervan omschrijven als van grof naar fijn: taalmodel-agenten lezen de prompt en maken een scèneplan; een globale pass genereert semantische lay-out, hoogtevelden en materialen zodat de grond samenhangend is voordat er iets op staat; regio's worden gerenderd, gesegmenteerd en via Hunyuan3D gereconstrueerd tot afzonderlijke meshes; en een vision-agent inspecteert de render op zwevende objecten, interpenetratie, verkeerde schaal en verkeerde pose, en stuurt vervolgens correcties terug. De belofte van expliciete geometrie wordt nagekomen — je krijgt objecten, geen samengesmolten blob of een Gaussian splat — en de agenten doen hun werk één keer, voordat je de scène ooit laadt.

Where the two converge is the part worth internalising: in both systems the pixels are the fast, cheap half and a language model decides what should exist. Where they diverge is who owns the language model. IFM treated the reasoner as a variable and published the harness that ranked the candidates. T​encent treated the reasoner as a dependency and named one.

Wat het woord 'agentic' oplevert, en wat het kost

De valkuil in deze vergelijking is dat beide aankondigingen het woord gebruiken, en geen van beide bedoelt er hetzelfde mee.

• Agents als auteurs — de planners van WorldClaw decomponeren een prompt tot een scèneplan en de vision-agent ervan levert correcties; de reasoner van PAN 2 schrijft een bijschrift dat beschrijft wat er daarna gebeurt.

• Wanneer de intelligentie draait — die van WorldClaw draait één keer, in de authoring-lus, en is verdwenen wanneer de meshes worden geëxporteerd; die van PAN 2 draait één keer per clip, bij elke aanroep, gedurende de hele levensduur van het systeem.

Uitvoertype — WorldClaw retourneert een scènebestand met afzonderlijke meshes, materialen en transformaties; PAN 2 retourneert een MP4 met helemaal geen geometrie erin.

• Bewerkbaarheid — de output van WorldClaw opent in een modelleringsprogramma, wordt geretopologiseerd en geplaatst; bij PAN 2 is het enige bewerkbare oppervlak het onderschrift, dus herzien betekent opnieuw renderen.

• Afhankelijkheidsoppervlak — WorldClaw vereist zes afzonderlijk gelicentieerde componenten en een Blender-installatie; PAN 2 vereist de gewichten, een tekstencoder en een VAE.

• Wat "goed" betekent — WorldClaw wordt beoordeeld op de vraag of de scène zonder zwevende objecten wordt samengesteld; PAN 2 wordt beoordeeld op de vraag of de consequentie die het weergeeft, degene is die de actie daadwerkelijk zou opleveren.

De kosten van de verspreide intelligentie van WorldClaw zijn niet conceptueel, maar operationeel: zes componenten betekent zes sets voorwaarden, zes faalmodi en zes plekken waar een versie-update de output kan veranderen. De kosten van de geconcentreerde intelligentie van PAN 2 zijn het omgekeerde: één licentie, één afhankelijkheidsboom en een redeneermodule die je zelf moet beoordelen, omdat de rangschikking die de leverancier eraan geeft, die van de leverancier is.

Geen van beide kosten is een defect. Maar het verklaart waarom de twee zelden het juiste antwoord zijn op dezelfde vraag: de ene is een contentpipeline, de andere een consequentiemotor, en een team dat meshes nodig heeft, zal niets in PAN 2 vinden dat het helpt.

Twee pipelines, geschreven als een opeenvolging van fasen

Sequence is waar het verschil tussen een model en een framework het duidelijkst naar voren komt.

• PAN 2, één aanroep — lees de observatie en de gevraagde actie, schrijf de gestructureerde wereldtoestand, codeer die, voer vijftig diffusiestappen uit bij guidance 2.5, decodeer twintig seconden van 704×1248. Niets in die reeks blijft behouden na de clip.

• {{1}}WorldClaw{{/1}}, vier fasen — plan de scène met een taalmodel, genereer een globale semantische lay-out en hoogtevelden, render en segmenteer regio's en reconstrueer elk daarvan tot een mesh, inspecteer vervolgens de render met een visie-agent en stuur correcties terug. Niets in die reeks is één enkel model.

• Waar de state leeft — het enige duurzame artefact van PAN 2 bestaat uit de ondertitel en de MP4; dat van WorldClaw is een scènebestand met afzonderlijke meshes, materialen en transformaties dat de pipeline overleeft.

• Waar het kan mislukken — PAN 2 faalt binnen de render: een overgeslagen stap, drift, een fysica-shortcut. WorldClaw faalt bij een naad: een planner die de prompt verkeerd begreep, een segmenter die een object doormidden sneed, een reconstructor die de verkeerde schaal produceerde, een assembler die twee meshes door elkaar liet dringen.

• Wat je kunt inspecteren — PAN 2 geeft je een video en een tokenbudget; WorldClaw geeft je geometrie die je kunt meten, en dus fouten die je kunt toeschrijven.

De laatste rij is de moeite waard om te behouden. Een fout waarvan je de oorzaak kunt herleiden, is goedkoper op te lossen dan een fout die je alleen kunt waarnemen, en een mesh-pijplijn geeft je dat gratis omdat de tussenliggende artefacten inspecteerbaar zijn. Een videopijplijn geeft je een eindantwoord en een bijschrift, en als het antwoord verkeerd is, is je enige hefboom het bijschrift.

Het verklaart ook waarom de vision-agent-correctiefase van WorldClaw überhaupt bestaat. Interpenetratie, zwevende objecten, een verkeerde pose en een verkeerde schaal zijn de faalmodi bij het samenstellen van geometrie uit afzonderlijk gegenereerde onderdelen, en geen daarvan is zichtbaar tot je rendert en kijkt. Een enkel model heeft die fase niet nodig, omdat een enkel model geen scène kan produceren waarvan de onderdelen met elkaar in tegenspraak zijn — het kan alleen een scène produceren die als geheel verkeerd is.

De evaluatiekloof is niet symmetrisch en wijst de andere kant op dan de licenties.

De gepubliceerde evaluatie van WorldClaw is kwalitatief. Het paper vergelijkt de output naast elkaar met SynCity, WorldGen, MajutsuCity en Marble, en er is geen FID, geen CLIP-score, geen gebruikersonderzoek met een concreet getal erbij. Voor een paper dat een scènegeneratiekader beschrijft, is dat een echte lacune, en elk team dat het opnieuw implementeert, zou "ziet er beter uit dan SynCity" als een hypothese moeten behandelen in plaats van als een resultaat.

PAN 2 publiceerde meer, en labelde de bijbehorende condities nauwkeuriger dan bij de meeste releases van videomodellen gebeurt. Driehonderd testcases met één actie verdeeld over zes capaciteitscategorieën, 201 image-to-video en 99 text-to-video; honderd egocentrische alledaagse taken, op beide manieren gesteld, 200 prompts en 456 stappen, gescoord op stapvoltooiing en volledige planvoltooiing over drie seeds; Physics-IQ Verified op de image-to-video-instelling, genormaliseerd zodat de variantie tussen twee echte opnames gelijk is aan 100; PhyGround op een vijfpuntsschaal beoordeeld door Qwen3.8-27B; RBench als een ongewogen gemiddelde over vijf taak- en vier embodiment-categorieën; en een blinde paarsgewijze menselijke studie met 140 prompts, dertien beoordelaars en 1.400 vergelijkingen, waarbij Elo via Bradley–Terry werd gefit en gecentreerd op 1500.

Dertien reviewers vormen een klein panel, en ze beoordeelden het model van de auteurs aan de baselines van de auteurs, waarbij de gesloten vergelijkingsmodellen één keer werden gegenereerd via een inference-API van een derde partij en meerdere rijen als single-seed waren gemarkeerd. Niets ervan is onafhankelijk. Alles ervan is leesbaar, wat het op één na beste is — en het is het verschil tussen een release waar je tegenin kunt gaan en een die je alleen kunt bekijken.

De licenties wijzen dan juist de andere kant op dan het bewijs. PAN 2 is Apache-2.0, zonder toegangsdrempel, 86,17 gigabyte verdeeld over zestig bestanden, geen attributievereiste, geen gebruikersdrempel. Bij WorldClaw valt geen licentie te lezen, omdat er niets te licenseren valt: het GitHub-project bevat een README en assets, geen code, geen gewichten, geen inferentiescript, geen API en geen prijs. Een raamwerkpaper zonder implementatie is een beschrijving van een methode, geen tool, en de vereiste van vier H20's plus de afhankelijkheid van een stapel afzonderlijk gelicentieerde modellen betekent dat een release geen kant-en-klare download zou zijn, zelfs als die er zou komen.

Waar een router daadwerkelijk dragend is, en dat is niet waar je het verwacht

Dit is het zeldzame paar waarbij het interessante commerciële feit aan de frameworkzijde ligt. De planningshelft van WorldClaw is geen geheimzinnig model achter een API — het wordt in de paper genoemd, en de componenten die het noemt zijn gewone catalogusmodellen. Claude Opus 4.8 staat in de catalogus van OrcaRouter. Net als GPT-Image-2. En ook de vier redeneermodellen die IFM rangschikte voor de captionfase van PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 en Qwen3.8-Flash.

Dat betekent dat een team dat de WorldClaw-decompositie — plannen, terrein, objecten, verfijnen — opnieuw implementeert, de taal- en beeldstadia vandaag via één sleutel kan samenstellen, tegen de listprijs van elke provider, doorgegeven met 0% opslag, met automatische failover wanneer een planningsaanroep tijdens de build een time-out krijgt. Dezelfde sleutel bedient de reasoner-slot van PAN 2 wanneer je de caption writer tussen experimenten verwisselt en de 29B-renderer vast op je eigen node houdt. Wat OrcaRouter niet doet, is PAN 2 of Hunyuan3D WorldClaw hosten: het ene is een videodiffusiemodel dat je op je eigen hardware draait, het andere bestaat nergens als uitvoerbare code. Niets in dit artikel mag worden opgevat als een suggestie van het tegendeel.

De eerlijke formulering is dat wij de routering op de overgangen verzorgen. In een pipeline in WorldClaw-stijl zijn er drie — prompt naar plan, plan naar afbeelding, render naar critic — en elk daarvan is een aanroep die per gebruik wordt afgerekend. In een PAN 2-pipeline is er één, en dat is het enige onderdeel dat geen GPU nodig heeft. Dat is een beperktere bewering dan 'wij draaien wereldmodellen', en dat is de bewering die klopt.

Wat elk ontwerp je leert, zelfs als je geen van beide uitvoert

Het meest overdraagbare idee van WorldClaw is de decompositie, niet de scène. Plan, leg terrein aan, reconstrueer objecten afzonderlijk en inspecteer en corrigeer vervolgens — die vierfasige structuur is een degelijke architectuur voor elke pipeline waarvan de output later moet worden bewerkt, en de keuze voor expliciete meshes is de juiste voor alles wat de pipeline verlaat en in een game-engine belandt. De correctielus met een vision-agent die controleert op zwevende objecten en een verkeerde schaal is het onderdeel dat de meeste teams overslaan en waar de meeste teams spijt van krijgen.

Het meest overdraagbare idee van PAN 2 is het captioncontract. De interface is geen promptvak; het is een gestructureerde, aan tijd gekoppelde beschrijving met een tokenbudget van 1.480 soft en 1.536 hard, een meegeleverde prompt-herschrijver-skill, een vaste negatieve prompt en een validator die captions toetst aan de limiet van de encoder. Vrije tekst wordt vóór gebruik herschreven, en de modelcard zegt ronduit dat de casestudies met agents vertrouwden op handmatig verfijnde prompts. Elk team dat een wereldmodel bouwt of er een gebruikt, zou dat moeten overnemen: het contract tussen de redeneerhelft en de weergavehelft is waar kwaliteit wordt gewonnen of verloren, en het verdient een schema in plaats van een onderbuikgevoel.

Beide ontwerpen delen ook een tekortkoming die het vakgebied nog niet heeft opgelost, en ze falen er op verschillende manieren in. PAN 2 vertoont drift in uiterlijk van clip tot clip, omdat elk ervan wordt gesimuleerd op basis van hoogstens één beginframe plus tekst, en op zijn kaart wordt perceptueel geheugen genoemd als het ontbrekende stuk; in zijn eigen beperkingensectie staat vooraan de erkenning dat ongeveer twee op de drie gesimuleerde plannen minstens één stap bevatten die niet wordt uitgevoerd. De drift van WorldClaw is geometrisch en ruimtelijk: interpenetratie, verkeerde schaal, objecten die zweven, waardoor het überhaupt een visie-agent in de lus nodig heeft. De ene heeft een geheugen nodig, de andere een inspecteur, en geen van beide heeft een gemeten curve gepubliceerd van hoe erg het na verloop van tijd wordt.

De beslissing, in één keer

Als je een plek nodig hebt — een level, een synthetische interieurdataset, een virtualproductieset — dan is WorldClaw de relevantere referentie, en je kunt het niet draaien. Neem de vierfasige decompositie en de expliciete-mesh-output op in je eigen build, begroot de machineklasse met vier H20's plus een Blender-afhankelijkheid, en vervang de kwalitatieve evaluatie door iets dat je kunt meten, want de paper geeft je die niet.

Als je een consequentie nodig hebt — wat een plan doet, voordat je je eraan vastlegt — is PAN 2 vanmiddag te downloaden, met een permissieve licentie, en het is eerlijk over het falen in twee van de drie plannen. Lees eerst de pagina met beperkingen, betrek een checker bij het proces, en reken op GPU-uren in plaats van dollars per token: dertien seconden video kost ongeveer 119 seconden op vier B300s, en de sampler voert honderd forward passes per clip uit.

Als je het ding bouwt dat geen van beide labs heeft uitgebracht — een wereld die je als geometrie kunt bewerken en daarna kunt zien gedragen — zet je het zelf in elkaar uit een refiner, een scènebouwer, een renderer en een taalmodel bij elke koppeling. Dat is meer werk dan beide aankondigingen doen vermoeden, en dat is waar het komende jaar het praktische werk in deze categorie gaat plaatsvinden.

Wat deze pagina zou veranderen, is code. Een WorldClaw-release met gewichten en een inferencescript zou een methode in een tool veranderen en de vergelijking actueel maken; een PAN 2-variant die diepte naast RGB zou opleveren, zou hetzelfde vanuit de andere richting doen. Geen van beide bestaat vandaag. Totdat een ervan bestaat, is de accurate samenvatting een downloadbare consequentiemotor en een onbouwbaar scèneframework, en het enige dat ze echt delen, is de ambitie om een wereld te voorspellen in plaats van er een beeld van te renderen.