CARI4D kontra ABot-Earth 0.7: Dwa modele 4D, które nigdy nie konkurują

Jeśli szukałeś CARI4D w zestawieniu z ABot-Earth 0.7 spodziewając się bezpośredniego starcia, szczera odpowiedź brzmi: takie porównanie nie istnieje i nie powstanie. Te dwa systemy nie wykonują tej samej pracy, nie przyjmują tych samych danych wejściowych, nie zwracają tego samego wyniku i nigdy nie zostałyby porównane w benchmarku przez kogokolwiek, kto rozumie którykolwiek z nich. CARI4D to niezależna od kategorii rekonstrukcja 4D interakcji człowieka z obiektem autorstwa NVIDIA — obserwuje jedną osobę manipulującą jednym obiektem w zwykłym wideo i odtwarza ich pozycje w skali metrycznej w czasie. ABot-Earth 0.7 to natywny dla 3D miejski model świata firmy Amap — przyjmuje zdjęcie satelitarne lub prompt tekstowy i generuje miasto w skali kilometrowej, które można eksplorować, jako scenę w technologii Gaussian splatting. Powód, dla którego ta strona jednak istnieje, jest taki, że oś, która je dzieli, jest naprawdę użyteczna, a te dwa systemy różnią się znacznie bardziej pod względem tego, co można zrobić z nimi, niż pod względem tego, czym się wydają.

Jest też drugi, bardziej zasadniczy powód. Te dwa wydania znajdują się na przeciwnych krańcach spektrum, które ma większe znaczenie niż jakakolwiek pozycja w specyfikacji: jedno z nich możesz pobrać i uruchomić jeszcze dziś po południu, a drugiego nie możesz uruchomić wcale.

Odpowiedź, której nie chce nikt szukający tego zapytania

Oba są opisywane jako 4D. Oba pochodzą od dużych dostawców. Oba zostały wydane w ciągu ostatniego roku. I na tym mniej więcej kończy się to, co je łączy.

CARI4D rekonstruuje. Na podstawie wideo szacuje, co się tam znajdowało. Artykuł — Niezależna od kategorii rekonstrukcja 4D interakcji człowiek–obiekt autorstwa Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll i Stan Birchfield — ukazał się na arXiv jako 2512.11988 w grudniu 2025 i został przyjęty na CVPR 2026. Jego tematem jest człowiek i sztywny obiekt w kontakcie, a jego kluczowym twierdzeniem jest skala: odzyskiwanie metrycznych wymiarów z kamery monokularowej bez czujnika głębi i bez zestawu wielowidokowego, co było tym, z czym zmagały się wcześniejsze prace.

ABot-Earth 0.7 generuje. Na podstawie georeferencyjnego obrazu satelitarnego lub opisu tekstowego tworzy scenę, która wcześniej nie istniała jako dane. Amap, chińska firma zajmująca się mapami i nawigacją, zaprezentowała go 10 września 2026 r. podczas swojej gali Street Stars w Hangzhou, zastępując ABot-Earth 0.5 z 8 czerwca. Generuje splaty 3D Gaussa, eksportuje do Unreal Engine i Unity oraz obejmuje — jak podaje Amap — ponad 196 krajów i regionów, w porównaniu z ponad 190 w wersji 0.5.

Jeden jest estymatorem. Jeden jest generatorem. Ta różnica znaczy więcej niż jakakolwiek tabela benchmarków.

Osoba i krzesło, albo miasto

Różnica skali to ta, którą ludzie nie doceniają. Jednostką zainteresowania CARI4D jest ludzkie ciało i trzymany w dłoni przedmiot, mierzone w centymetrach, śledzone w klatkach pojedynczego klipu. Jednostką zainteresowania ABot-Earth 0.7 jest kilometr kwadratowy miasta, generowany w ciągu około dziesięciu minut na pojedynczym GPU klasy konsumenckiej, jak podaje sam Amap.

• Dane wejściowe — CARI4D monokularowy film RGB, MP4 vs ABot-Earth 0.7 obraz satelitarny lub prompt tekstowy

• Dane wyjściowe — CARI4D: poza i kształt człowieka dla każdej klatki, obrót i przesunięcie obiektu oraz dwa logity kontaktu dłoni w porównaniu z ABot-Earth 0.7 — scena 3D Gaussian splatting, z możliwością eksportu do Unreal Engine i Unity

• Jednostka analizy — CARI4D jeden człowiek i jeden sztywny obiekt w kontakcie vs ABot-Earth 0.7 teren, budynki, roślinność i punkty orientacyjne w skali miasta

• Twierdzenie temporalne — CARI4D rekonstruuje obserwowany ruch klatka po klatce, podczas gdy ABot-Earth 0.7 jest pozycjonowany jako model świata z warstwą predykcyjną tego, co wydarzy się dalej

• Skala metryczna — skala metryczna CARI4D odtworzona z monokularowego wideo za pomocą UniDepth i przeszukiwania skali od zgrubnego do dokładnego w porównaniu z ABot-Earth 0.7 zgeoreferencjonowanym na podstawie zdjęcia satelitarnego, bez problemu odtwarzania skali metrycznej

• Koszt uruchomienia — CARI4D PyTorch na GPU NVIDIA Ampere, zwalidowany na A100, 38 godzin na 8×A100 w przypadku badawczego przebiegu treningowego w porównaniu z ABot-Earth 0.7, który potrzebuje około dziesięciu minut na km² na jednym GPU klasy konsumenckiej, według własnego porównania Amap

Zauważ, że w pojedynczym wierszu żadna z kolumn nie jest lepsza od drugiej. Mierzą one różne światy. Model, który odtwarza punkt styku między dłonią a butlą gazową, nie zyskuje na tym, że zna również położenie budynków, a model, który generuje wiarygodną panoramę miasta, nie zyskuje na tym, że zna dokładny kąt nadgarstka pieszego.

Asymetria, która tak naprawdę to rozstrzyga

Oto różnica, którą kupujący odczuje w ciągu pierwszej godziny, i nie ma ona nic wspólnego z możliwościami.

CARI4D ma kod i wagi, które możesz zdobyć już dziś. Repozytorium NVlabs zawiera oficjalną implementację, wydaną 28 lutego 2026 r., a 4 kwietnia dodano kod treningowy oraz przetwarzanie wstępne niestandardowego wideo. Wstępnie wytrenowany checkpoint CoCoNet można pobrać z Hugging Face, obraz Dockera xiexh20/cari4d jest opublikowany, a od 30 sierpnia 2026 r. dostępny jest objęty licencją komercyjną checkpoint 231M jako nvidia/cari4d_commercial w ramach NVIDIA Open Model Agreement — z ograniczonym dostępem, ale do uzyskania. Zależności są udokumentowane, w tym te kłopotliwe elementy: wagi torchscript NLF, wagi FoundationPose, zasoby SMPL-H, plik kid_template.npy z AGORA oraz Hunyuan3D do siatek obiektów. Możesz uruchomić wnioskowanie na demo BEHAVE, na udostępnionym klipie z warunków rzeczywistych lub na własnym wideo, i ocenić je za pomocą dołączonych skryptów.

ABot-Earth 0.7 nie jest dostępny w żadnym z tych sensów. Amap nie opublikował żadnych wag modelu, karty modelu, publicznego API, cennika ani dokumentacji dla deweloperów. Strona z doświadczeniem jest dostępna, ale Amap opisuje generowanie jako tylko na zaproszenie lub dla wpisanych na białą listę, interfejs jest wyłącznie w uproszczonym chińskim, a repozytorium GitHub z ery 0.5 miało zawierać raport techniczny i nic, co dałoby się uruchomić. Każda kluczowa liczba — dziesięć minut na kilometr kwadratowy, około 1000× większa wydajność niż tradycyjna rekonstrukcja, około jednej setnej kosztu, ponad 196 krajów — wywodzi się od Amap i nie została niezależnie odtworzona przez nikogo spoza Amap. To dane raportowane przez dostawcę i obecnie nie istnieje żadna droga, by mogły stać się czymkolwiek innym.

A więc praktyczne porównanie nie polega na tym, „który model jest lepszy”. Chodzi o to, że jeden z nich to artefakt badawczy z licencją komercyjną i obrazem Dockera, a drugi to demonstracja produktu z cyklem prasowym. Oba są prawdziwymi osiągnięciami. Tylko jeden z nich można umieścić w kompilacji.

Gdzie te dwa naprawdę by się spotkały

Jest tu prawdziwa kompozycja i warto być konkretnym na jej temat, ponieważ jest to jedyny sens, w jakim te rzeczy należą do tej samej rozmowy.

Wynik CARI4D to interakcja człowiek–obiekt w metrycznym układzie odniesienia świata. Wynik ABot-Earth 0.7 to środowisko. Wypełnij to drugie tym pierwszym, a otrzymasz coś, czego żadne z nich nie wytwarza w pojedynkę: wygenerowane miasto, w którym ludzie wykonują czynności mierzone fizycznie, a nie umieszczane artystycznie. Symulacja robotyki, planowanie układu przestrzeni handlowej i generowanie zbiorów danych o interakcjach — wszystkie potrzebują dokładnie takiej kombinacji: środowiska wystarczająco taniego, by generować je od nowa, oraz ruchu człowieka wystarczająco dokładnego, by na nim trenować.

Styk między nimi to transformacja współrzędnych i konwencja skali, i nie jest to trywialne, ponieważ metryczny układ odniesienia CARI4D jest zdefiniowany względem pojedynczej kamery, a ten dla ABot-Earth 0.7 — przez geolokalizację. Nikt nie opublikował tej integracji. To coś, co zespół buduje w ciągu tygodnia i nie dokumentuje.

Krok, o którym zapomina się w tym potoku, to część, która zamienia surowe dane interakcyjne w coś, co da się odpytywać — opisywanie klipów, tagowanie zdarzeń kontaktowych, budowanie indeksów wyszukiwania i filtrów kontroli jakości na wynikach. Ta praca przechodzi przez modele wizyjno-językowe i modele językowe, i to jest warstwa, którą obejmuje OrcaRouter: ponad 200 modeli za jednym API, cena katalogowa dostawcy przekazywana dalej przy 0% marży, automatyczne przełączanie awaryjne, gdy dostawca zaczyna działać gorzej, oraz DSL routingu, który komponuje kilka modeli w jedno wywołanie, dzięki czemu opisanie i przebieg kontroli jakości nie muszą być osobnymi integracjami. Ani CARI4D, ani ABot-Earth 0.7 nie są tam udostępniane, podobnie jak żaden LLM — ale narzędzia, którymi je otaczasz, prawie na pewno tak.

Którego właściwie chcesz

Wybierz CARI4D, jeśli masz wideo osoby wchodzącej w interakcję z obiektem i potrzebujesz jej póz w jednostkach metrycznych, klatka po klatce — do analizy ruchu, percepcji robotycznej, referencji animacji lub budowania zbioru danych interakcji. Jest już dostępny, jest udokumentowany, a licencja komercyjna pojawiła się 30 sierpnia 2026 r. Zaplanuj budżet na łańcuch zależności i przeczytaj warunki licencji dotyczące części, które nie należą do NVIDIA.

Wybierz ABot-Earth 0.7, jeśli potrzebujesz środowisk, a nie aktorów — scen w skali miasta generowanych na podstawie lokalizacji lub opisu, szybko i z możliwością eksportu do silnika gry. Pamiętaj, że oceniasz zademonstrowaną możliwość, a nie przyjmujesz narzędzie, że dostęp jest uznaniowy, a dane liczbowe dotyczące wydajności pochodzą od samego Amap.

Wybierz oba tylko wtedy, gdy budujesz opisany powyżej system złożony, i przystępuj do tego ze świadomością, że szew będziesz pisać samodzielnie.

Pytanie, które warto zadać, nie brzmi, które z tych dwóch wygrywa. Brzmi ono: czy to, co faktycznie budujesz, potrzebuje modelu rekonstrukcyjnego, modelu generatywnego, czy żadnego z nich — i w tej kwestii te dwie odpowiedzi nigdy się nie pokrywają.