PAN 2 vs Hi3D v1.0: Dwa modele, które oba odmawiają powiedzenia ci, jak duże jest cokolwiek.

Poproś którykolwiek z tych modeli o świat, a pierwszą rzeczą, którą tracisz, jest linijka. PAN 2 to model świata o otwartych wagach z 29 miliardami parametrów od Institute of Foundation Models, dostępny w Hugging Face jako checkpoint Apache-2.0 od 7 października 2026, z kodem udostępnionym 5 listopada i wsparciem vLLM-Omni od dnia zero 10 listopada: podaj mu klatkę początkową i opisaną akcję, a wyrenderuje do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę, pokazując konsekwencję. Hi3D v1.0, wcześniej Sparc3D, to ogłoszony 23 października 2026 model dopracowujący geometrię o otwartych wagach, który przyjmuje jeden obraz plus zgrubną siatkę i zwraca gęstszą, wyłącznie pod względem geometrii, przy czym każdy wynik jest ponownie wyśrodkowany i znormalizowany do promienia jednostkowego. Jeden generuje ruchomy obraz bez żadnego twierdzenia metrycznego; drugi generuje statyczny kształt z celowo usuniętą skalą bezwzględną. Żaden z nich nie powie ci, czy rzecz przed tobą ma metr szerokości, a oba stają się bardziej użyteczne, gdy przestaniesz tego od nich oczekiwać.

Owo wspólne pominięcie jest uczciwą podstawą porównania. Zwykłe ujęcie — 3D kontra wideo albo geometria kontra dynamika — jest prawdziwe, ale niepomocne, ponieważ sprawia, że wybór brzmi jak preferencja. Ujęcie, które cokolwiek rozstrzyga, to to, co każdy model ci przekazuje, co wyrzuca, żeby do tego dotrzeć, i co wolno ci później zrobić z wynikiem.

Co każde z nich ci wręcza, punkt po punkcie

Nazwij obiekt wynikowy, zanim nazwiesz jakąkolwiek zdolność, ponieważ te dwa obiekty nie są tym samym rodzajem rzeczy.

• Wejście — PAN 2 przyjmuje opcjonalną pierwszą klatkę oraz ustrukturyzowany opis akcji dopracowany przez umiejętność przepisywania promptów; Hi3D v1.0 przyjmuje jeden obraz i zgrubną siatkę tego samego obiektu.

• Dane wyjściowe — PAN 2 zwraca plik MP4 o długości do dwudziestu sekund; Hi3D zwraca geometrię wierzchołków i nic więcej, bez koloru, bez tekstury, bez materiału i bez koloru wierzchołków.

• Czas — PAN 2 istnieje po to, by uruchamiać go do przodu, a każdy klip jest przewidywaniem konsekwencji; Hi3D w ogóle nie ma osi czasu i na zawsze zwracałby ten sam mesh dla tych samych dwóch danych wejściowych.

• Skala — PAN 2 nie formułuje żadnych twierdzeń metrycznych o tym, co renderuje; Hi3D normalizuje każdy wynik do promienia jednostkowego, celowo odrzucając bezwzględny rozmiar.

• Kształt partii — PAN 2 renderuje jeden klip na jedno wywołanie; Hi3D działa z rozmiarem partii równym jeden.

• Resolution of the output — PAN 2 renders 704×1248 at 24 frames per second for up to twenty seconds; Hi3D refines to an effective sparse extraction-grid resolution of up to 1536°, which is a density of vertices rather than a pixel count.

Dostęp — PAN 2 to 86,17 gigabajta w sześćdziesięciu plikach, bez ograniczeń dostępu, na licencji Apache-2.0; Hi3D można pobrać na warunkach jego własnej licencji Hi3D Open License, bez opłat licencyjnych do użytku komercyjnego, pod warunkiem podania atrybucji „Powered by Hi3D 1.0”.

• Sprzęt — udokumentowanym ustawieniem domyślnym PAN 2 jest osiem H200 w BF16, a przepis pozwala uzyskać trzynaście sekund wideo w około 119 sekund na czterech B300; Hi3D zweryfikowano na pojedynczym H20 96 GB bez ścieżki wnioskowania na CPU.

• What you can check yourself — PAN 2's card describes its harness in enough detail to argue with: 300 single-action cases across six capability categories, 100 multi-step tasks scored on step and full-plan completion over three seeds, and a blind pairwise study with thirteen reviewers; Hi3D's card states that training code and the paper's evaluation harness are not included in the release, so its quality claims cannot be re-run from the download.

Those nine rows are the whole purchase decision, and eight of them are descriptions of what each tool accepts and returns rather than claims about how good it is.

Liczba, którą oba modele usuwają, i dlaczego

Normalizacja w Hi3D jest udokumentowana i łatwo ją przeoczyć: każda udoskonalona siatka jest ponownie wyśrodkowywana i normalizowana do promienia jednostkowego. To standardowa praktyka w uczeniu geometrii, ponieważ sieć, która musi regresować współrzędne bezwzględne, marnuje pojemność na skalę, którą można by jej podać, a także ponieważ zbiory treningowe składane ze skanów i zasobów rzadko zgadzają się co do jednostek. Oznacza to również, że siatki uzyskanej z Hi3D nie można wstawić do sceny w rozmiarze rzeczywistym bez ponownego zastosowania współczynnika skali, który trzeba znać skądinąd. Udoskonalona geometria jest z założenia pozbawiona metryki.

Pominięcie w PAN 2 jest subtelniejsze i poświęca się mu mniej uwagi, niż na to zasługuje. Model oddaje fizycznie spójną konsekwencję — demonstracja z truskawką, w której zmiana owocu lub płynu zmienia rozbryzg, jest najczystszym ujęciem tej idei, jakie ktokolwiek dotąd przedstawił — i robi to, nigdy nie deklarując odległości. Sygnałem treningowym jest wideo, wynikiem jest wideo, a wideo nie ma wewnętrznej skali: zbliżenie naparstka i szeroki kadr wiadra to ten sam tensor. Sama lista skrótów w karcie modelu wskazuje tę samą lukę z drugiej strony: makaron pojawia się w durszlaku, zanim zostanie odcedzony — scena, która rozwinęła się bez fizyki, która musiałaby się wydarzyć.

To jest powód, dla którego nie da się zbudować symulatora jazdy na bazie PAN 2, niezależnie od tego, jak dobrze radziłby sobie z rozbryzgami. Sieć drogowa potrzebuje szerokości pasów w metrach i pomiarów lidaru w centymetrach, a model, którego całą reprezentacją świata jest utajone wideo, nie ma gdzie umieścić ani jednych, ani drugich. To jest również powód, dla którego Hi3D nie może dostarczyć tych metrów: dopracowuje kształt jednego obiektu w skali, którą wyeliminował przez normalizację, na podstawie obrazu, który nie miał w sobie głębi.

Jeśli Twój potok wymaga wyników w skali metrycznej, informacja metryczna musi trafić gdzieś przed którymkolwiek z modeli — z czujnika głębi, znacznika o znanym rozmiarze w kadrze, pliku CAD — a oba modele znajdują się poniżej tej decyzji, zamiast ją podejmować. Warto powiedzieć to wprost, ponieważ alternatywą jest zespół, który odkrywa to po tygodniu integracji.

Edytowalność to ta różnica, która przetrwa kontakt z projektem.

Wygenerowane wideo to ślepy zaułek, jeśli chodzi o wprowadzanie poprawek. Jeśli PAN 2 wyrenderuje plan, w którym otwiera się szuflada i zostaje przewrócony kubek, a ty chcesz, żeby szuflada otwierała się wolniej, nie edytujesz klipu; przepisujesz podpis i płacisz za kolejne sto przebiegów w przód przez transformer 29B. Podpis to jedyna edytowalna powierzchnia i jest naprawdę dobra — ustrukturyzowana, osadzona w czasie, z akcjami przypisanymi do aktorów i wyraźnie rozpisanym ruchem kamery — ale działa na poziomie „co się dzieje”, a nie „dokąd trafia ten wierzchołek”.

Dopracowana siatka to artefakt zupełnie innego rodzaju. Wynik działania Hi3D otwiera się w programie do modelowania, przechodzi retopologizację, jest teksturowany gdzie indziej i umieszczany w scenie. Dopracowanie to jeden nieodwracalny etap w procesie, który poza tym pełen jest etapów odwracalnych — i dokładnie tego chce zespół tworzący treści: narzędzia, które ulepsza blockout, a potem usuwa się z drogi.

Oto kompozycja, która faktycznie istnieje, przedstawiona bez przesady. Zgrubny blockout dopracowany przez Hi3D staje się szczegółowym rekwizytem; narzędzie do budowy scen umieszcza ten rekwizyt; model świata w stylu PAN 2 renderuje to, co się dzieje, gdy coś na niego działa. To dwa sąsiednie etapy, a nie konkurenci. Nie istnieje natomiast pętla: Hi3D nie może wziąć klatki z PAN 2 i zwrócić ci geometrii, ponieważ pojedyncza klatka wideo bez głębi i o nieznanej skali nie jest problemem z siatką, do którego rozwiązania zbudowano Hi3D.

Miejscem, w którym warstwa trasowania zarabia na siebie w tym potoku, jest łącząca praca językowa, a nie którykolwiek z modeli. Opisywanie rendera, aby symulator mógł się na nim warunkować, pisanie ustrukturyzowanego opisu stanu świata, który enkoder tekstowy PAN 2 zużywa przy budżecie 1 480 tokenów w limicie miękkim i 1 536 w twardym, ocenianie, czy wygenerowana klatka odpowiada specyfikacji — to zwykłe rozliczane wywołania modeli, które otaczają oba narzędzia. OrcaRouter udostępnia ponad 200 modeli za jednym API z 0% marży względem ceny katalogowej dostawcy, z automatycznym przełączaniem awaryjnym między dostawcami, dzięki czemu twórca opisów i krytyk renderów mogą współdzielić klucz i ścieżkę awaryjną. Ani PAN 2, ani Hi3D v1.0 nie znajdują się w tym katalogu i nic tu nie sugeruje inaczej: renderer to twój węzeł, refiner to twoja GPU, a tym, co trasujemy, jest klej.

Dwie licencje, które mówią, kim ma być klient

Oba modele są na tyle otwarte, że można je pobrać, a ich warunki różnią się w sposób, który mówi więcej niż same wagi.

PAN 2 jest objęty licencją Apache-2.0: brak wymogu atrybucji poza tekstem licencji, brak progu liczby użytkowników, brak zapisów uzależniających od przychodów, brak ograniczeń dotyczących pola zastosowania. Możesz go dostroić, skwantyzować, dostarczać w ramach produktu i nic o tym nie mówić. W przypadku 29-miliardowego transformera dyfuzyjnego z parametrami, wytrenowanego od zera na setkach milionów filmów przez laboratorium afiliowane przy uczelni, to niezwykle permisywny wybór i największa praktyczna różnica między PAN 2 a zamkniętymi modelami światowymi, z którymi zwykle się go porównuje.

Hi3D v1.0 jest wolny od opłat licencyjnych do użytku komercyjnego pod warunkiem umieszczenia atrybucji „Powered by Hi3D 1.0”, a osobna umowa zaczyna obowiązywać po przekroczeniu 200 000 aktywnych użytkowników miesięcznie lub 1 mln USD miesięcznego przychodu. Ten próg jest jak odcisk palca: mówi, że docelowym klientem jest studio, platforma lub dostawca narzędzi, i wskazuje, że autorzy oczekują osadzenia modelu, a nie jego badania. Poniżej tego progu nic nie kosztuje; powyżej — negocjujesz.

Żadna z tych licencji nie jest pułapką. To odmienne zakłady o to, czemu ma służyć otwartość: PAN 2 to zakład o przyjęcie jako infrastruktura, a Hi3D to zakład o przyjęcie z dołączoną rozmową handlową, gdy będziesz już wystarczająco duży, by ją odbyć.

Rachunek za sprzęt, który nie jest bliski

Wymagania Hi3D są rygorystyczne i łatwe do spełnienia, jeśli już masz tę maszynę: Linux, Python 3.10, GPU NVIDIA o zdolności obliczeniowej 8.0 lub wyższej, CUDA w wersji od 12.0 do 12.5, flash-attn bez ścieżki awaryjnej, brak wnioskowania na CPU, zweryfikowane na pojedynczej karcie H20 z 96 GB pamięci. Stacja robocza w studiu to spełnia. Trybem awarii jest przypięcie do konkretnej wersji CUDA i brak mechanizmu awaryjnego, a nie pamięć.

Wymagania PAN 2 to inna kategoria. Osiem H200 w BF16 to udokumentowana konfiguracja domyślna, z dodatkową równoległością patchy VAE na czterech kafelkach, ponieważ dekodowanie dwudziestosekundowego klipu 704×1248 to odrębny problem pamięciowy. Wynik 119 sekund na trzynaście sekund na czterech B300 pochodzi z receptury vLLM i to właśnie ta liczba zamienia każde pytanie projektowe w pytanie arytmetyczne: pięćdziesiąt kroków próbkowania przy przesunięciu przepływu wynoszącym 9 i guidance 2,5 na każdym kroku to sto przejść do przodu przez transformator 29B na klip, a planista oceniający pięć kandydujących działań na każdy krok dziesięciokrokowego zadania potrzebuje pięćdziesięciu klipów.

Zatem porównanie kosztów nie polega na tym, „co jest tańsze”. Chodzi o to, że jedno z nich jest narzędziem na stację roboczą, a drugie obciążeniem dla klastra, i zespół, którego stać na to pierwsze, może w ogóle nie móc uruchomić drugiego. Ta asymetria nie czyni PAN 2 gorszym. Sprawia, że decyzja jest łatwa dla każdego, czyj budżet na GPU to jedna karta.

Które pytanie właściwie zadajesz?

Jeśli Twój problem polega na tym, że blockout jest zbyt zgrubny albo że zeskanowany prop nie ma drobnych detali, to Hi3D v1.0 jest właściwym narzędziem, a PAN 2 nie ma tu nic do rzeczy — w generatorze wideo nie ma niczego, co da Ci wierzchołki. Zaplanuj budżet na stos CUDA, sprawdź zależność flash-attn, zanim obiecasz termin dostawy, i pamiętaj, że siatka trafia w promieniu jednostkowym.

Jeśli Twoim problemem jest to, że musisz zobaczyć, co robi dana akcja, zanim się na nią zdecydujesz — ocena planu, dane kontrfaktyczne, robot lub agent, który podgląda swoje wybory — PAN 2 jest jedynym z dwóch, który odpowiada, i odpowiada w pikselach, z pominiętym krokiem w około dwóch na trzy plany według własnej karty. Wbuduj weryfikator w pętlę, utrzymuj prompty w ramach budżetu tokenów i traktuj każdy klip jako hipotezę, a nie pomiar.

Jeśli potrzebujesz obu, zbuduj potok w kolejności, w której artefakty faktycznie przepływają: najpierw wejście metryczne, potem geometria, na końcu konsekwencja, oraz model językowy na każdym styku, gdzie jedna reprezentacja musi stać się inną. To więcej inżynierii, niż sugeruje zapowiedź któregokolwiek z modeli, i taki kształt ostatecznie przyjął każdy poważny stos modeli świata w 2026 roku.

To, co zmieniłoby tę stronę, to model generujący geometrię ze skalą metryczną i osią czasu — wynik 4D z jednostkami. Nic w żadnym z tych wydań na to nie wskazuje. Dopóki coś takiego się nie pojawi, trafnym podsumowaniem jest to, że PAN 2 pokazuje, co się dzieje, a Hi3D wyostrza to, co jest, że żaden z nich nie powie, jak duże to jest, oraz że to drugie ograniczenie po cichu decyduje o tym, które z Twoich projektów mogą używać któregokolwiek z nich.