Hi3D V1.0 vs Hunyuan3D WorldClaw: jeden zasób dopracowany czy świat zrobiony byle jak

Hunyuan3D WorldClaw Scena nie jest jednym modelem 3D. To teren, budynki, roślinność, pojazdy i postacie — każdy z nich zrekonstruowany jako osobna siatka, umieszczony na wygenerowanym krajobrazie, a następnie sprawdzany przez agenta wizyjnego, który odsyła wadliwe obszary do naprawy. Hi3D V1.0 nie buduje światów. Bierze jedną zgrubną siatkę i jeden obraz referencyjny, po czym angażuje kartę graficzną o 96 GB, aby wyostrzyć geometrię tego jednego obiektu. Porównanie nie jest więc zestawieniem sceny ze sceną. To przepustowość kontra wierność, a oba systemy znajdują się po przeciwnych stronach tej samej linii produkcyjnej.

Czego WorldClaw potrzebuje, zanim będzie mógł zbudować świat

WorldClaw to framework agentowy Tencent Hunyuan do przekształcania jednego promptu tekstowego w duży, eksplorowalny i edytowalny świat 3D. Artykuł „WorldClaw: Agentic 3D Open-World Generation at Scale” ukazał się na arXiv jako 2608.05248 w dniu 7 sierpnia 2026 r., a strona projektu i repozytorium GitHub pojawiły się w tym samym tygodniu. Architektura działa w czterech etapach:

• Analiza intencji i planowanie scen — dwa agenty oparte na modelach językowych przetwarzają prompt. Jeden wyodrębnia wyłącznie ograniczenia podane przez użytkownika; drugi uzupełnia szczegóły, których prompt nie zawiera. Artykuł wskazuje Claude Opus 4.8 jako model na tym etapie.

• Globalna generacja terenu — semantyczna mapa układu i pola wysokości uwzględniające regiony tworzą ciągły szkielet terenu z materiałami, skałami i roślinnością przypisanymi według regionu.

• Generowanie obiektów regionalnych — szczegółowe regiony są renderowane do kompozycji 2D ograniczonych przez teren, segmentowane na instancje za pomocą GPT-Image-2 i SAM3D, rekonstruowane jako indywidualne siatki 3D przez Hunyuan3D i umieszczane z powrotem na terenie.

• Udoskonalanie na podstawie renderów — agent wizyjny renderuje scenę z wielu punktów widzenia, wyszukuje unoszące się obiekty, przenikanie się, nieprawidłową skalę i nieprawidłową pozę, poprawia problematyczny region i renderuje ponownie, aż przejdzie weryfikację. Montaż odbywa się w Blenderze za pośrednictwem MCP.

Ten trzeci etap jest tym, który ma tu znaczenie. Każdy obiekt w scenie WorldClaw to osobna rekonstrukcja z obrazu do 3D. Scena z dwustoma odrębnymi rekwizytami to dwieście generacji siatek, z których każda jest warunkowana segmentowaną kompozycją 2D i każda ma taką wierność, jaką może zapewnić bazowy model rekonstrukcji. Górny pułap wizualny sceny wyznacza najgorszy znajdujący się w niej zasób, a własna ewaluacja frameworka tego nie mierzy. Artykuł przedstawia jakościowe porównania obok siebie z SynCity, WorldGen od Meta, MajutsuCity i Marble od World Labs — żadnego FID, żadnego wyniku CLIP, żadnego badania użytkowników ani metryki wierności dla poszczególnych obiektów.

Co Hi3D mógłby wnieść, a czego nie

Hi3D V1.0, wydany 23 października 2026 r., to model udoskonalający zbudowany na Sparc3D. Wystarczy podać mu obraz referencyjny obiektu oraz zgrubną siatkę tego samego obiektu, a będzie stopniowo próbkować rzadkie reprezentacje utajone, dekodować je przez rzadki VAE z samoprzycinaniem i wyodrębniać powierzchnię o wyższej rozdzielczości. Trzy przebiegi zwiększają rozdzielczość siatki strukturalnej do 64³, 128³ i 192³, a siatki ekstrakcji rzadkiej do 512³, 1024³ i 1536³, przy 25 aktualizacjach schedulera na przebieg. Przetwarza jeden obiekt naraz.

Dopasowanie do trzeciego etapu WorldClaw jest oczywiste na papierze. WorldClaw ma już segmentowany kompozyt 2D dla każdego obiektu i już tworzy siatkę za pomocą Hunyuan3D. To są dokładnie dwa dane wejściowe, których potrzebuje Hi3D: obraz referencyjny i zgrubna siatka. Udoskonalenie każdego obiektu przed jego umieszczeniem zwiększyłoby szczegółowość geometryczną zasobów, które decydują o jakości zbliżeń w scenie.

Trzy ograniczenia sprawiają, że nie jest to aktualizacja możliwa do wdrożenia bezpośrednio.

Po pierwsze, Hi3D zajmuje się wyłącznie geometrią. Nie generuje tekstury, materiału ani koloru wierzchołków, a wynik WorldClaw to jawnie teksturowane, indywidualnie edytowalne siatki przeznaczone dla silnika gry. Hi3D poprawiłby sylwetkę i lokalne szczegóły powierzchni, a następnie przekazałby asset do etapu teksturowania, którego nie zapewnia żadne z tych repozytoriów. Świat zbudowany z dopracowanych, ale nieoteksturowanych siatek nie jest rezultatem, który obiecuje WorldClaw.

Po drugie, obraz referencyjny musi przedstawiać ten sam obiekt. Segmentacja WorldClaw daje wycinek obrazu obiektu wewnątrz kompozytu regionalnego, który jest bliski, ale nie identyczny z czystym odniesieniem produktu. Czy to wystarczy, jest pytaniem empirycznym, na które nikt nie odpowiedział.

Po trzecie, przepustowość. Hi3D udoskonala jedną siatkę naraz, a zmierzona konfiguracja to H20 z 96 GB pamięci, bez ścieżki CPU i bez trybu wsadowego. Według opisu w artykule WorldClaw działa już na 4× H20. Dodanie etapu udoskonalania dla każdego obiektu przed rozmieszczaniem mnoży najdroższą część potoku przez liczbę obiektów w scenie.

Liczba, której nie podaje ci żadna ze stron

Nie można wycenić tej kompozycji na podstawie opublikowanych materiałów, a to najważniejsze praktyczne odkrycie w tym porównaniu.

Hi3D nie publikuje żadnego opóźnienia mierzonego czasem zegarowym. README podaje aktualizacje harmonogramu, liczby przebiegów i zmierzony GPU, ale nie podaje sekund na obiekt przy 512³, 1024³ lub 1536³. WorldClaw również nie publikuje czasu rekonstrukcji na obiekt. Stwierdzenie dotyczące obliczeń w artykule dotyczy całego systemu na 4× H20, a nie kosztu krańcowego jednego dodatkowego rekwizytu. Bez obu tych liczb obliczenia decydujące o tym, czy dopracowanie jest opłacalne — obiekty na scenę razy sekundy na obiekt razy godziny GPU — nie da się przeprowadzić na podstawie źródeł.

Można powiedzieć, że chodzi o kształt kosztu. Ustawienie 512³ w Hi3D wykonuje jeden przebieg; 1024³ wykonuje dwa; 1536³ wykonuje wszystkie trzy. Każdy przebieg to 25 aktualizacji schedulera. Wyższa rozdzielczość daje szczegółowość i kosztuje przebiegi. Rozmiar partii wynosi jeden, więc koszt skaluje się liniowo wraz z liczbą obiektów i nie można go rozłożyć na partię. Jeśli scena WorldClaw zawiera dziesiątki obiektów pierwszoplanowych i setki rekwizytów tła, rozsądny potok przetwarzania dopracowałby obiekty pierwszoplanowe, a tło pozostawił na etapie zgrubnym — decyzja, która wymaga dokładnie takiego pomiaru czasu przypadającego na obiekt, jakiego nie opublikował żaden z projektów.

Pięć wymiarów, które tak naprawdę je odróżniają

• Jednostka pracy — Hi3D V1.0 jeden obiekt vs Hunyuan3D WorldClaw jedna scena otwartego świata zawierająca wiele obiektów

• Wynik — Hi3D V1.0: siatka zawierająca wyłącznie geometrię w porównaniu z edytowalnymi, teksturowanymi siatkami Hunyuan3D WorldClaw złożonymi w Blenderze

• Wejście — Hi3D V1.0: obraz referencyjny plus zgrubna siatka kontra Hunyuan3D WorldClaw: jedno otwarte polecenie tekstowe

• Kod i wagi — Hi3D V1.0 do pobrania już dziś na licencji Hi3D Open License 1.0 w porównaniu z Hunyuan3D WorldClaw: README i artykuł, bez kodu, bez wag, bez API, bez cennika

• Dowody — Hi3D V1.0 brak numerycznego benchmarku w porównaniu z Hunyuan3D WorldClaw, wyłącznie porównania jakościowe, brak FID, brak CLIP, brak badania użytkowników

Dostępność decyduje o wyniku kwartału

Jedno z nich to narzędzie, a drugie to dokument projektowy.

Hi3D V1.0 można już klonować, instalować i uruchamiać. Wymaga systemu Linux, Pythona 3.10, CUDA od 12.0 do 12.5, karty GPU o zdolności obliczeniowej 8.0 oraz kompilacji źródłowej flash-attn, a pełna drabinka rozdzielczości 1536³ została zweryfikowana tylko na H20 z 96 GB. Licencja zezwala na użycie komercyjne, z wymogiem powiadomienia i uzyskania odrębnej licencji, gdy produkt przekroczy 200 000 miesięcznych aktywnych użytkowników lub 1 000 000 USD miesięcznego przychodu, oraz z wymogiem atrybucji w przypadku integracji komercyjnych. Wagi to osiem plików na Hugging Face. Nie ma hostowanego punktu końcowego — karta modelu mówi, że nie jest on wdrażany przez żadnego dostawcę usług inferencji — a komercyjna wersja v3.0 firmy, z wokselami 2048³ i teksturami 8K, jest osobnym produktem sprzedawanym za pośrednictwem własnej platformy.

WorldClaw nie może dziś zostać uruchomiony przez nikogo spoza Tencenta. Repozytorium GitHub zawiera folder assets, plik .gitignore oraz README. Nie ma implementacji, punktu kontrolnego, API ani cennika, a zgłoszenie z prośbą o kod pozostaje bez odpowiedzi. Artykuł jest wystarczająco szczegółowy, aby odtworzyć architekturę, a strona projektu stanowi dobrą demonstrację, ale żadne z nich nie jest zależnością, którą można zaplanować. Jeśli tworzysz generator światów, WorldClaw to wzorzec wart przeczytania; nie jest to komponent, który możesz wywołać.

Ta asymetria jest praktyczną odpowiedzią na to zestawienie. Zespół, który w tym miesiącu potrzebuje lepszej geometrii obiektów, może użyć Hi3D. Zespół, który w tym miesiącu potrzebuje możliwości na poziomie sceny oferowanych przez WorldClaw, musi je zbudować, a publikacja naukowa to jedyne, co Tencent udostępnił, co w tym pomaga.

Gdzie trafia rachunek za LLM

Architektura WorldClaw jest niezwykle szczera co do tego, gdzie znajdują się kosztowne wywołania. Planowanie sceny, wydobywanie ograniczeń użytkownika, uzupełnianie szczegółów pominiętych w prompcie i przeprowadzanie krytyki wizualnej, która decyduje, co wyrenderować ponownie, to wszystko wywołania językowe lub językowo-wizualne. Framework kieruje je do modeli frontier zamiast trenować własne. To świadomy zakład: orkiestracja zamiast trenowania, z jakością ograniczoną przez komponenty, których nie kontrolujesz.

To również warstwa, którą obejmuje OrcaRouter. Rekonstrukcja 3D pozostaje na Twoich GPU i nie jest czymś, co udostępniamy — katalog obejmuje modele tekstowe, wizyjne, wideo, embeddingowe i mowy, a nie geometrię. Planista i krytyk to inna historia. Umieszczenie ponad 200 modeli za jednym API oznacza, że planista i krytyk nie potrzebują oddzielnych umów, oddzielnych kluczy i oddzielnych domen awarii; cena katalogowa dostawcy jest przekazywana bez narzutu (0%), więc zmiana ceny u dostawcy dociera do punktu końcowego tego samego dnia; automatyczne przełączanie awaryjne nie pozwala, aby jeden zdegradowany dostawca zablokował świat w połowie generowania; a DSL routingu łączy kilka modeli w jedno wywołanie, czym w istocie jest pętla planowania i krytyki. Dla potoku, w którym koszt przypadający na scenę jest zdominowany przez powtarzane wywołania agentów, ta powierzchnia sterowania ma większe znaczenie niż jakikolwiek pojedynczy wybór modelu.

Kto powinien działać i w jakiej sprawie?

Jeśli Twoim wąskim gardłem jest jakość pojedynczego zasobu — części do druku, modelu produktu, kluczowego rekwizytu — Hi3D V1.0 jest już dostępny, a rozpoczęcie eksperymentu jest tanie, pod warunkiem że masz GPU o pamięci 96 GB i dysponujesz już zgrubną siatką. Przeczytaj sekcję z ograniczeniami przed komunikatem prasowym: model dopracowuje strukturę, nie poprawia błędnej sylwetki i nie zwraca tekstury.

Jeśli Twoim wąskim gardłem jest składanie scen, WorldClaw jest bardziej ambitnym systemem, ale też mniej dostępnym. Jego wkład ma charakter architektoniczny: pętla agenta od zgrubnego do szczegółowego z krytykiem opartym na renderowaniu oraz jasne stwierdzenie, że to na etapie rekonstrukcji obiektów rozstrzyga się wierność poszczególnych zasobów. Oczywistym następnym eksperymentem jest umieszczenie za tym etapem refinera takiego jak Hi3D i zmierzenie, czy jakość zbliżeń w scenie poprawia się wystarczająco, aby uzasadnić dodatkowe przebiegi. Nikt nie opublikował tego pomiaru i dopóki ktoś tego nie zrobi, porównanie pozostaje hipotezą dotyczącą linii produkcyjnej, a nie wynikiem.