Hi3D V1.0 vs CARI4D: ten sam szkielet, dwa różne pytania

Najwięcej wyjaśnia fakt dotyczący Hi3D V1.0 i CARI4D: oba mogą wywoływać Hunyuan3D-2 firmy Tencent. Hi3D V1.0, wydany 23 października 2026 r. jako następca Sparc3D o otwartym kodzie źródłowym, wykorzystuje w swoim demo adapter Hunyuan3D-2 mini do wytworzenia zgrubnej siatki, którą następnie dopracowuje. CARI4D, niezależna od kategorii rekonstrukcja 4D interakcji człowieka z obiektem firmy NVIDIA, wykorzystuje Hunyuan3D-2 do odtworzenia siatki obiektu z pierwszej klatki wideo, zanim zacznie śledzić, jak ten obiekt się porusza. Ten sam bazowy model geometrii, dwa całkowicie różne zadania: Hi3D pyta, jak powinna wyglądać powierzchnia obiektu w wysokiej rozdzielczości, a CARI4D pyta, co dana osoba i obiekt robiły w czasie.

Gdzie faktycznie plasuje się Hunyuan3D-2

Warto być precyzyjnym, ponieważ stwierdzenie „oba korzystają z Hunyuan3D” może sugerować bliższy związek, niż jest w rzeczywistości.

Podstawowa biblioteka Hi3D w ogóle nie wymaga Hunyuan. Potok udoskonalania przyjmuje obraz referencyjny i siatkę zgrubną, a demo/refine_mesh.py nie importuje niczego od Tencent. Adapter mini Hunyuan3D-2 znajduje się w demo/coarse_stage.py, jest opcjonalny i istnieje po to, aby ktoś mający tylko obraz mógł wytworzyć siatkę zgrubną potrzebną modułowi udoskonalającemu. Kod, wagi i wyniki Tencent zachowują własną licencję i muszą być pozyskane osobno. W potoku produkcyjnym Hunyuan jest jednym z wielu możliwych elementów wejściowych.

Zależność CARI4D ma charakter strukturalny. Jej etap rekonstrukcji obiektu pobiera pierwszą klatkę, segmentuje manipulowany obiekt i rekonstruuje jego geometrię za pomocą Hunyuan3D-2. Ta siatka jest następnie umieszczana w skali metrycznej przy użyciu UniDepth oraz wyszukiwania od zgrubnego do dokładnego poprzez FoundationPose. Reszta potoku — NLF dla człowieka, etap wyboru hipotez pozy, CoCoNet do korekcji metodą renderuj-i-porównaj oraz optymalizacja łączna uwzględniająca kontakt — zależy od tego, czy ta siatka obiektu jest wystarczająco dobra, by można było na niej śledzić.

Konsekwencja stanowi użyteczną ramę dla tego porównania. Całym celem Hi3D jest poprawianie tego rodzaju geometrii, jaki wytwarza Hunyuan3D-2. Celem CARI4D jest odtworzenie ruchu, a siatkę traktuje jako dane wejściowe, które dziedziczy. Jeden model celuje w słaby punkt drugiego, choć żaden z projektów tego nie przyznaje.

Do czego służy każdy z nauczonych modeli

Wyuczonym komponentem Hi3D jest rzadki przepływ warunkowany cechami obrazu, zdefiniowany na współrzędnych pobranych z grubej siatki. Próbkuje rzadkie latenty, dekoduje je za pomocą samoprzycinającego się rzadkiego VAE, wyodrębnia powierzchnię, ponownie wokselizuje i powtarza. Trzy przebiegi przenoszą siatkę strukturalną z 64³ do 128³ do 192³, a siatkę rzadkiej ekstrakcji z 512³ do 1024³ do 1536³, przy 25 aktualizacjach harmonogramu na przebieg. Model uczy się lokalnego detalu geometrycznego: krawędzi, cienkich struktur, ciągłości powierzchni, tych części, które zgrubny generator wygładza.

Wyuczonym komponentem CARI4D jest CoCoNet, sieć typu render-and-compare. Renderuje bieżące oszacowanie obiektu i człowieka do RGB, głębi i masek, koduje ten render za pomocą DINOv2 ViT-B/14 oraz sześciokanałowego enkodera XYZ-i-masek ViT-S/14, przeprowadza uwagę czasoprzestrzenną i regresuje korekty pozy dla poszczególnych klatek oraz dwa logity kontaktu dłoni. Checkpoint badawczy ma 194 mln parametrów; komercyjnie licencjonowany wariant MHR wydany 30 sierpnia 2026 r. ma 231 mln. To, czego się uczy, to nie szczegóły kształtu, lecz związek między wyrenderowaną hipotezą a obserwowaną klatką.

To są różne sygnały treningowe i różne tryby awarii. Hi3D może wyostrzyć błędną sylwetkę. CARI4D może dokładnie śledzić źle ukształtowany obiekt przez film i nadal dać ci słabą siatkę, ponieważ jego metryki dotyczą pozy i kontaktu, a nie wierności powierzchni.

Co wychodzi, wiersz po wierszu

• Wejście — Hi3D V1.0: obraz referencyjny oraz zgrubna siatka vs CARI4D: monokularowe wideo RGB

• Dane wyjściowe — Hi3D V1.0 wyłącznie geometryczna trimesh-siatka w porównaniu z CARI4D: poza i kształt ciała człowieka w każdej klatce, obrót i translacja obiektu oraz dwa logity kontaktu dłoni

• Skala — Hi3D V1.0 ponownie wyśrodkowany i znormalizowany do jednostkowego maksymalnego promienia względem skali metrycznej CARI4D odzyskanej za pomocą UniDepth i FoundationPose

• Tekstura — Hi3D V1.0: brak vs CARI4D: brak; zwraca pozy i kontakt, a nie teksturowany zasób

• Obliczenia — Hi3D V1.0 mierzony na 96 GB NVIDIA H20, bez ścieżki CPU, rozmiar partii jeden vs CARI4D PyTorch na NVIDIA Ampere, zweryfikowany na A100, z obrazem Docker

• Licencja — Hi3D V1.0: Hi3D Open License 1.0, użycie komercyjne z progiem 200 000 MAU lub 1 mln USD miesięcznego przychodu w porównaniu z CARI4D: NVIDIA Open Model Agreement dla komercyjnego checkpointu 231M, wyłącznie do badań dla wydania 194M

• Dowody — Hi3D V1.0: nie opublikowano liczbowego benchmarku; w porównaniu z CARI4D — artykułem z CVPR 2026 z ablacjami i wynikami BEHAVE, dane zgłoszone przez dostawcę i nieodtworzone niezależnie

Eksperyment, którego nikt nie opublikował

Oto kompozycja, którą wspólny szkielet czyni oczywistą, przedstawiona jako eksperyment, a nie funkcja.

CARI4D rekonstruuje swoją siatkę obiektu z pojedynczej pierwszej klatki za pomocą Hunyuan3D-2. Hi3D dopracowuje dokładnie tego rodzaju zgrubną siatkę, warunkowaną obrazem referencyjnym tego samego obiektu — a CARI4D go ma, ponieważ pierwsza klatka jest referencją. W zasadzie pipeline mógłby pobrać obraz pierwszej klatki i siatkę Hunyuan z CARI4D, uruchomić Hi3D przy 1024³ lub 1536³ i przekazać dopracowaną powierzchnię z powrotem do etapu, który ją umieszcza i śledzi.

W praktyce istnieją cztery przeszkody i żadna z nich nie jest mała.

• Skala. Hi3D ponownie centruje swoje dane wyjściowe i normalizuje je do jednostkowego maksymalnego promienia. CARI4D wymaga siatki w skali metrycznej, aby zainicjować FoundationPose. Przekształcenie powrotne nie jest publikowane, a jego błędne zastosowanie zmienia pozorny rozmiar obiektu w każdej klatce.

• Struktura. Hi3D udoskonala zgrubną strukturę, którą otrzymuje; nie poprawia jej. Jeśli Hunyuan3D-2 błędnie odczytał topologię obiektu z jednej klatki, Hi3D sprawia, że ten błąd odczytu staje się bardziej szczegółowy. Selekcja hipotez pozycji w CARI4D może pochłonąć część błędu obiektu — w pracy podano, że na etapie inicjalizacji odległość Chamfera obiektu spada z około 1 565 cm do 16,85 cm — ale nie jest to etap naprawy kształtu.

• Czas działania. Hi3D przetwarza jeden obiekt naraz, wykonując do trzech przebiegów po 25 kroków każdy, bez publikowanego opóźnienia. Potok CARI4D już łączy Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet i wspólną optymalizację. Dodanie etapu dopracowywania o pojemności 96 GB przed pętlą przetwarzającą poszczególne klipy może być uzasadnione w trybie offline i niemożliwe w trybie interaktywnym.

• Walidacja. Nikt nie opublikował tej integracji. Liczby w artykule CARI4D mierzą dokładność pozy i kontaktu, a nie wpływ lepszej siatki obiektu na te wartości. Jest całkiem możliwe, że ulepszenie poprawia siatkę, ale ledwo zmienia metryki rekonstrukcji, ponieważ śledzenie jest odporne na szczegóły powierzchni. Możliwe jest również, że ostrzejsza siatka poprawia korespondencje FoundationPose. Dopóki ktoś nie przeprowadzi ablacji, oba warianty są domysłami.

Rzetelna wartość tej obserwacji nie polega na „używaniu ich razem”. Polega ona na tym, że te dwa wydania są komplementarne w konkretnym miejscu styku, a z tym miejscem styku wiąże się mierzalne pytanie, na które żaden z dostawców nie odpowiedział.

Dwa rodzaje dowodów, z których żaden nie jest niezależny

CARI4D wygląda na lepiej udokumentowany niż Hi3D — i faktycznie tak jest — ale różnica jest mniejsza, niż się początkowo wydaje. CARI4D ma recenzowany artykuł na CVPR 2026, nazwany benchmark, ablacje i raportowany błąd rekonstrukcji niższy o 38% w rozkładzie treningowym i o 36% na niewidzianych danych. To liczby NVIDII z ewaluacji przeprowadzonej przez NVIDIĘ. Żadne neutralne laboratorium ich nie odtworzyło. Kod i skrypty ewaluacyjne są publiczne, co czyni reprodukcję możliwą, ale niewykonaną.

Hi3D nie ma żadnego numerycznego benchmarku. Repozytorium publikuje porównania wizualne dziewięciu metod dla lokalnej geometrii, deklarację skali treningowej wynoszącej około dwóch milionów wyselekcjonowanych zasobów oraz deklarację rozdzielczości 1536³ dla rzadkiej ekstrakcji. Komunikat prasowy dodaje 90% wskaźnik sukcesu slicingu i twierdzenie o najwyższych wynikach wierności i szczegółowości wielowidokowej w raportowanej ewaluacji, bez podania wyników, punktu odniesienia ani nazwy slicera. Brak kodu treningowego i środowiska ewaluacyjnego, więc tabel z artykułu nie można odtworzyć na podstawie komunikatu.

Innymi słowy, oba są zgłaszane przez dostawcę. Do jednego załączono artykuł, a do drugiego komunikat prasowy. Kupujący powinien traktować oznaczenie CVPR jako powód, by poważnie potraktować metodologię, a nie jako substytut niezależnego testu.

Jakie pytanie tak naprawdę masz?

Jeśli masz nagranie wideo osoby manipulującej przedmiotem i musisz wiedzieć, jak poruszały się dłoń, przedmiot i ciało — pozy w skali metrycznej, punkty kontaktu, klatka po klatce — CARI4D to system stworzony właśnie do tego, a komercyjny checkpoint umożliwia jego wdrożenie. Hi3D w ogóle nie potrafi odpowiedzieć na to pytanie. Nie ma modelu czasowego, nie generuje pozycji ani nie wnioskuje o kontaktach.

Jeśli masz obraz referencyjny i zgrubną siatkę i potrzebujesz ostrzejszego statycznego zasobu, Hi3D jest bezpośrednim narzędziem. CARI4D również nie potrafi odpowiedzieć na to pytanie: jego siatka obiektu jest produktem ubocznym potoku śledzenia, tworzona z taką wiernością, jaką Hunyuan3D-2 zapewnia na podstawie jednej klatki, i udostępnia pozy zamiast dopracowanej powierzchni.

Jeśli budujesz kompozyt — pipeline rekonstrukcyjny, w którym geometria obiektu jest słabym ogniwem — ciekawym posunięciem jest sprawdzenie, czy udoskonalenie Hi3D poprawia metryki downstream CARI4D. To pytanie badawcze z jasnym eksperymentem i bez opublikowanej odpowiedzi. Zaplanuj budżet na transformację skali i GPU, zanim zaplanujesz budżet na artykuł.

Warstwa, która otacza oba

Żaden z tych modeli nie jest obsługiwany przez OrcaRouter i żaden nie jest modelem językowym. Katalog obejmuje tekst, wizję, wideo, embeddingi i mowę; rekonstrukcja 3D odbywa się na własnym sprzęcie. Wywołania wokół rekonstrukcji są jednak wywołaniami modeli: generowanie podpisu pierwszej klatki, opisywanie obiektu na potrzeby rekordu zasobu albo ocena, czy dopracowany render nadal odpowiada referencji z trzech kątów.

Ten ostatni świetnie nadaje się do fuzji modeli. Zamiast ufać opiniom pojedynczego modelu wizyjnego, że udoskonalona siatka jest wierna, wyślij to samo porównanie wielowidokowe do panelu modeli i pozwól, aby ich odpowiedzi się agregowały. OrcaRouter udostępnia fuzję oraz ponad 200 pojedynczych modeli za jednym API, z ceną katalogową dostawcy przekazywaną bez narzutu (0%) oraz automatycznym przełączaniem awaryjnym, jeśli jeden z dostawców ulegnie degradacji. Geometria pozostaje na Twoim GPU; otaczająca ją ocena może być nadmiarowa, bez kosztownego podłączania.

Co by to rozstrzygnęło

Pojedyncza ablacja zrobiłaby więcej niż dowolna liczba porównań specyfikacji: weź jedną sekwencję BEHAVE, udoskonal siatkę obiektu za pomocą Hi3D przy 1024³, cofnij normalizację i podaj metryki pozy oraz kontaktu w porównaniu z baseline’em bez rafinacji. Jeśli liczby się zmienią, wspólny backbone staje się pipeline’em. Jeśli nie, wartość Hi3D pozostaje tam, gdzie jest największa — jako samodzielne narzędzie geometryczne dla osób, które już mają zgrubną siatkę.

Dopóki ten eksperyment nie istnieje, podział, którego można bronić, jest prosty. Hi3D V1.0 to narzędzie do dopracowywania geometrii z otwartymi wagami i bez benchmarku. CARI4D to rekonstruktor ruchu z publikacją i komercyjnym checkpointem. Spotykają się na Hunyuan3D-2 i żaden z nich nie zastępuje drugiego.