PAN 2 vs Hunyuan3D WorldClaw: Jeden model z dwiema połowami czy pięćdziesiąt modeli w prochowcu

Postaw te dwa obok siebie, a pierwszą rzeczą, jaką zauważysz, jest to, że nie są tym samym rodzajem obiektu. PAN 2 to model: 29 miliardów parametrów multimodalnego transformera dyfuzyjnego z Institute of Foundation Models, Apache-2.0 na Hugging Face od 7 października 2026, kod 5 listopada, wsparcie vLLM-Omni od dnia zero 10 listopada, i robi jedną rzecz — mając klatkę początkową i opisaną akcję, renderuje do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę, przewidując konsekwencję. Hunyuan3D WorldClaw to framework: potok agentowy Tencent Hunyuan do przekształcania jednego otwartego promptu tekstowego w eksplorowalną scenę 3D złożoną z jawnych, teksturowanych siatek poszczególnych obiektów, opisany w arXiv 2608.05248 z 5 sierpnia 2026 i ogłoszony 11 sierpnia, z repozytorium zawierającym README i zasoby, a nie zawierającym kodu. Jeden to pobieralny checkpoint, który uruchamiasz. Drugi to opublikowana metoda, którą musiałbyś odtworzyć.

Druga rzecz, którą zauważasz, jest bardziej użyteczna. Własny artykuł WorldClaw wymienia modele, na których działa, a ta lista to lista zakupów cudzych komponentów: Claude Opus 4.8 do planowania, GPT-Image-2 do generowania obrazów, SAM3 i SAM3D do segmentacji, Hunyuan3D do rekonstrukcji, Blender 5.1.1 sterowany przez MCP do montażu — wszystko na czterech NVIDIA H20s. PAN 2 wymienia jeden komponent i pozostawia go wymiennym: dowolny model językowy podążający za instrukcjami pisze ustrukturyzowany opis, a IFM uszeregował cztery z nich. To jest prawdziwe porównanie — nie sceny kontra wideo, ale to, co dzieje się z systemem, gdy inteligencja jest rozproszona w łańcuchu dostawców, zamiast skoncentrowana w jednym checkpoincie.

Dwie architektury, narysowane uczciwie

Projekt PAN 2 to Generative Latent Prediction z Critique of World Models (arXiv 2507.05169). Rozumujący model pojęciowy zapisuje następny stan świata jako ustrukturyzowany, zakotwiczony w czasie opis — zdarzenia w kolejności, działania przypisane aktorom, ruch kamery — zamrożony enkoder tekstowy Qwen3.5-9B odwzorowuje go na cechy warunkujące, 29B transformator dyfuzyjny uzupełnia szczegóły percepcyjne, a VAE Wan 2.2 dekoduje klatki. Dwie połówki, jedno repozytorium, jedna licencja.

Projekt WorldClaw to czteroetapowa pętla udoskonalania, którą jej autorzy opisują jako przejście od zgrubnego do dokładnego: agenci oparci na modelach językowych czytają prompt i tworzą plan sceny; przebieg globalny generuje układ semantyczny, pola wysokości i materiały, aby podłoże było spójne, zanim cokolwiek na nim stanie; regiony są renderowane, segmentowane i rekonstruowane w pojedyncze siatki za pomocą Hunyuan3D; a agent wizyjny sprawdza render pod kątem unoszących się obiektów, przenikania, niewłaściwej skali i niewłaściwej pozy, po czym odsyła poprawki. Obietnica jawnej geometrii jest dotrzymywana — otrzymujesz obiekty, a nie stopioną bryłę czy splat gaussowski — a agenci wykonują swoją pracę raz, zanim w ogóle wczytasz scenę.

To, gdzie oba podejścia się zbiegają, jest tym, co warto przyswoić: w obu systemach piksele to szybka, tania połowa, a model językowy decyduje, co powinno istnieć. Różnica polega na tym, kto jest właścicielem modelu językowego. IFM traktował moduł rozumowania jako zmienną i opublikował środowisko testowe, które uszeregowało kandydatów. Tencent traktował moduł rozumowania jako zależność i wskazał jeden.

Co daje słowo „agentic” i ile kosztuje

Pułapka w tym porównaniu polega na tym, że oba komunikaty używają tego słowa, a w żadnym z nich nie znaczy ono tego samego.

• Agenci jako autorzy — planiści WorldClaw rozkładają polecenie na plan sceny, a jego agent wizyjny zgłasza korekty; moduł rozumowania PAN 2 pisze podpis opisujący, co dzieje się dalej.

• Gdy inteligencja zostaje uruchomiona — w WorldClaw uruchamia się raz, w pętli autorskiej, i znika wraz z eksportem siatek; w PAN 2 uruchamia się raz na klip, przy każdym wywołaniu, przez cały okres działania systemu.

• Typ danych wyjściowych — WorldClaw zwraca plik sceny z osobnymi siatkami, materiałami i transformacjami; PAN 2 zwraca plik MP4, w którym w ogóle nie ma żadnej geometrii.

• Edytowalność — wynik WorldClaw otwiera się w programie do modelowania, zostaje poddany retopologii i umieszczony w scenie; jedyną edytowalną powierzchnią PAN 2 jest podpis, więc każda poprawka oznacza ponowne renderowanie.

• Zakres zależności — WorldClaw wymaga sześciu osobno licencjonowanych komponentów i instalacji Blendera; PAN 2 wymaga wag, enkodera tekstu i VAE.

• Co znaczy „dobry” — WorldClaw ocenia się po tym, czy scena składa się bez unoszących się obiektów; PAN 2 ocenia się po tym, czy konsekwencja, którą przedstawia, jest tą, którą dane działanie faktycznie by wywołało.

Koszt rozproszonej inteligencji WorldClaw nie jest koncepcyjny, lecz operacyjny: sześć komponentów oznacza sześć zestawów warunków, sześć trybów awarii i sześć miejsc, w których podniesienie wersji może zmienić wynik. Koszt skoncentrowanej inteligencji PAN 2 jest odwrotny — jedna licencja, jedno drzewo zależności i silnik wnioskowania, który musisz ocenić sam, ponieważ ranking dostawcy jest rankingiem dostawcy.

Żaden z tych kosztów nie jest wadą. Ale to wyjaśnia, dlaczego te dwa rzadko są właściwą odpowiedzią na to samo pytanie: jeden jest pipeline’em treści, drugi silnikiem konsekwencji, a zespół, który potrzebuje siatek, nie znajdzie w PAN 2 niczego, co mu pomoże.

Dwa potoki, zapisane jako sekwencja etapów

Sekwencja to miejsce, w którym najwyraźniej widać różnicę między modelem a frameworkiem.

• PAN 2, jedno wywołanie — odczytaj obserwację i żądaną akcję, zapisz ustrukturyzowany stan świata, zakoduj go, wykonaj pięćdziesiąt kroków dyfuzji przy skali guidance 2.5, zdekoduj dwadzieścia sekund materiału 704×1248. Nic z tej sekwencji nie pozostaje po klipie.

• WorldClaw, cztery etapy — zaplanuj scenę za pomocą modelu językowego, wygeneruj globalny układ semantyczny i pola wysokości, wyrenderuj i podziel regiony oraz zrekonstruuj każdy z nich w siatkę, a następnie sprawdź render za pomocą agenta wizyjnego i prześlij korekty z powrotem. Żaden element tej sekwencji nie jest pojedynczym modelem.

• Gdzie przechowywany jest stan — jedynym trwałym artefaktem PAN 2 jest podpis i plik MP4; w przypadku WorldClaw jest to plik sceny z poszczególnymi siatkami, materiałami i transformacjami, który przeżywa pipeline.

• Gdzie może zawieść — PAN 2 zawodzi wewnątrz renderu: pominięty krok, dryf, uproszczenie fizyki. WorldClaw zawodzi na styku: planista, który błędnie odczytał prompt, segmentator, który przeciął obiekt na pół, rekonstruktor, który wytworzył niewłaściwą skalę, asembler, który spowodował przenikanie się dwóch siatek.

• Co możesz sprawdzić — PAN 2 daje ci wideo i budżet tokenów; WorldClaw daje ci geometrię, którą możesz zmierzyć, a zatem błędy, które możesz przypisać.

Ostatni wiersz jest tym, który warto zachować. Błąd, którego przyczynę można przypisać, taniej naprawić niż błąd, który można tylko zobaczyć, a potok mesh daje to za darmo, ponieważ pośrednie artefakty można sprawdzić. Potok wideo daje ostateczną odpowiedź i podpis, a gdy odpowiedź jest błędna, jedyną dźwignią jest podpis.

To także wyjaśnia, dlaczego etap korekty agenta wizyjnego WorldClaw w ogóle istnieje. Przenikanie się obiektów, unoszące się obiekty, niewłaściwa poza i niewłaściwa skala to tryby awarii składania geometrii z osobno generowanych części, a żadnego z nich nie widać, dopóki nie wyrenderujesz i nie spojrzysz. Pojedynczy model nie potrzebuje tego etapu, ponieważ pojedynczy model nie może utworzyć sceny, której części są ze sobą sprzeczne — może jedynie utworzyć scenę, która jest błędna jako całość.

Luka w ocenie nie jest symetryczna i wskazuje w przeciwnym kierunku niż licencje.

Opublikowana ewaluacja WorldClaw ma charakter jakościowy. W artykule porównuje się jego wyniki bezpośrednio z SynCity, WorldGen, MajutsuCity i Marble, i nie ma tam FID, wyniku CLIP ani badania użytkowników z przypisaną liczbą. W przypadku artykułu opisującego framework generowania scen jest to realna luka, a każdy zespół, który go reimplementuje, powinien traktować „wygląda lepiej niż SynCity” jako hipotezę, a nie wynik.

PAN 2 opublikował więcej i opisał swoje warunki precyzyjniej niż większość wydań modeli wideo. Trzysta przypadków testowych pojedynczych akcji w sześciu kategoriach możliwości, 201 image-to-video i 99 text-to-video; sto egocentrycznych codziennych zadań postawionych w obu wariantach, 200 promptów i 456 kroków, ocenianych pod kątem ukończenia kroku i ukończenia całego planu w trzech ziarnach; Physics-IQ Verified w wariancie image-to-video, znormalizowany tak, aby wariancja między dwoma rzeczywistymi ujęciami wynosiła 100; PhyGround w pięciopunktowej skali oceniany przez Qwen3.8-27B; RBench jako nieważona średnia po pięciu kategoriach zadań i czterech kategoriach ucieleśnienia; oraz zaślepione badanie parowe z udziałem ludzi na 140 promptach, z trzynastoma oceniającymi i 1400 porównań, Elo dopasowane metodą Bradleya–Terry’ego i wyśrodkowane na 1500.

Trzynaścioro recenzentów to niewielki panel, a oceniali oni model autorów na tle baseline’ów autorów, przy czym zamknięte modele porównawcze wygenerowano jednorazowo przez zewnętrzne API inferencji, a kilka wierszy oznaczono jako oparte na pojedynczym seedzie. Nic z tego nie jest niezależne. Wszystko jest czytelne, co jest następną najlepszą rzeczą — i stanowi różnicę między wydaniem, z którym można się spierać, a takim, które można tylko obejrzeć.

Licencje układają się zatem odwrotnie niż dowody. PAN 2 jest objęty licencją Apache-2.0, bez ograniczeń dostępu, ma 86,17 gigabajta w sześćdziesięciu plikach, bez wymogu podawania autorstwa i bez progu liczby użytkowników. WorldClaw nie ma licencji do przeczytania, ponieważ nie ma czego licencjonować: projekt na GitHubie zawiera README i zasoby, żadnego kodu, żadnych wag, żadnego skryptu wnioskowania, żadnego API ani ceny. Artykuł o frameworku bez implementacji jest opisem metody, a nie narzędziem, a wymóg czterech H20 wraz z zależnością od stosu osobno licencjonowanych modeli oznacza, że wydanie nie byłoby pobraniem gotowym do użycia od razu, nawet gdyby do niego doszło.

Gdzie router faktycznie jest elementem nośnym — i nie tam, gdzie się tego spodziewasz.

To rzadka para, w której ciekawy fakt komercyjny leży po stronie frameworku. Część planistyczna WorldClaw nie jest tajemniczym modelem ukrytym za API — jest wymieniona w pracy, a wymieniane przez nią komponenty to zwykłe modele z katalogu. Claude Opus 4.8 jest w katalogu OrcaRouter. Podobnie GPT-Image-2. Podobnie cztery modele rozumujące, które IFM uszeregował na potrzeby etapu podpisów PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 i Qwen3.8-Flash.

To oznacza, że zespół ponownie wdrażający rozkład WorldClaw — planowanie, teren, obiekty, dopracowanie — może dziś złożyć etapy językowe i obrazowe za pośrednictwem jednego klucza, w cenie katalogowej każdego dostawcy przekazywanej z 0% marży, z automatycznym przełączeniem awaryjnym, gdy wywołanie planowania przekroczy limit czasu w trakcie budowy. Ten sam klucz obsługuje slot rozumowania PAN 2, gdy podmieniasz generator opisów między eksperymentami, a renderer 29B pozostaje na stałe na własnym węźle. OrcaRouter nie hostuje natomiast ani PAN 2, ani Hunyuan3D WorldClaw: jeden to model dyfuzji wideo uruchamiany na własnym sprzęcie, drugi nie istnieje nigdzie jako kod możliwy do uruchomienia. Nic w tym artykule nie powinno być odczytywane jako sugerujące inaczej.

Uczciwe ujęcie sprawy jest takie, że kierujemy ruchem na szwach. W potoku w stylu WorldClaw są trzy takie szwy — od promptu do planu, od planu do obrazu, od renderu do krytyka — i każdy z nich jest wywołaniem rozliczanym. W potoku PAN 2 jest jeden i to jedyna część, która nie wymaga GPU. To węższe twierdzenie niż „uruchamiamy modele świata”, i to jest to prawdziwe.

Czego każde z tych projektów może cię nauczyć, nawet jeśli nie przeprowadzisz żadnego z nich

Najbardziej uniwersalnym pomysłem WorldClaw jest dekompozycja, a nie scena. Zaplanuj, rozplanuj teren, zrekonstruuj obiekty pojedynczo, a następnie sprawdź i popraw — ta czteroetapowa struktura to solidna architektura dla każdego potoku, którego wynik trzeba później edytować, a wybór jawnej siatki jest właściwy dla wszystkiego, co opuszcza potok i trafia do silnika gry. Pętla korekcji z agentem wizyjnym, który sprawdza unoszące się obiekty i niewłaściwą skalę, to część, którą większość zespołów pomija i której pominięcia większość zespołów żałuje.

Najbardziej przenośnym pomysłem z PAN 2 jest kontrakt opisu. Interfejs nie jest polem na prompt; to ustrukturyzowany, zakotwiczony w czasie opis z budżetem tokenów wynoszącym 1,480 w trybie miękkim i 1,536 w trybie twardym, dostarczoną umiejętnością prompt-rewriter, stałym negatywnym promptem i walidatorem, który sprawdza opisy względem limitu kodera. Wolny tekst jest przepisywany przed użyciem, a karta modelu wprost mówi, że studia przypadków agentów opierały się na ręcznie dopracowanych promptach. Każdy zespół budujący model świata lub korzystający z takiego modelu powinien to przejąć: kontrakt między częścią odpowiedzialną za rozumowanie a częścią odpowiedzialną za renderowanie jest miejscem, w którym wygrywa się lub przegrywa jakość, i zasługuje na schemat, a nie na wyczucie.

Oba rozwiązania mają też wspólną wadę, której ta dziedzina nie rozwiązała, i każde zawodzi w tym inaczej. PAN 2 dryfuje pod względem wyglądu między klipami, ponieważ każdy jest symulowany z co najwyżej jednej ramki początkowej plus tekstu, a jego karta wskazuje pamięć percepcyjną jako brakujący element; jego własna sekcja ograniczeń rozpoczyna się od przyznania, że około dwie trzecie symulowanych planów zawiera co najmniej jeden krok, który nie jest realizowany. Dryf WorldClaw ma charakter geometryczny i przestrzenny: przenikanie się obiektów, niewłaściwa skala, unoszące się obiekty — dlatego w ogóle potrzebuje agenta wizyjnego w pętli. Jedno potrzebuje pamięci, drugie inspektora, a żadne nie opublikowało zmierzonej krzywej pokazującej, jak bardzo pogarsza się to z czasem.

Decyzja, w jednym przebiegu

Jeśli potrzebujesz miejsca — poziomu, syntetycznego zbioru danych wnętrz, planu zdjęciowego do produkcji wirtualnej — WorldClaw jest bardziej odpowiednim punktem odniesienia, a nie możesz go uruchomić. Wpleć czteroetapową dekompozycję i wyjście w postaci jawnej siatki we własną implementację, zaplanuj budżet na maszynę klasy czterech H20 plus zależność od Blendera i zastąp ocenę jakościową czymś, co da się zmierzyć, ponieważ artykuł nie daje ci takiej oceny.

Jeśli potrzebujesz konsekwencji — co plan robi, zanim się na niego zdecydujesz — PAN 2 można pobrać jeszcze dziś po południu, na liberalnej licencji, i jest uczciwy co do porażki w dwóch z trzech planów. Najpierw przeczytaj stronę z ograniczeniami, trzymaj w pętli mechanizm weryfikacji i oczekuj, że spędzisz godziny GPU, a nie dolary na token: trzynaście sekund wideo zajmuje około 119 sekund na czterech B300, a sampler wykonuje sto przejść w przód na klip.

Jeśli budujesz rzecz, której nie wypuściło żadne z dwóch laboratoriów — świat, który możesz edytować jako geometrię, a potem obserwować, jak się zachowuje — składasz go samodzielnie z refinera, konstruktora scen, renderera i modelu językowego na każdym styku. To więcej pracy, niż sugeruje którakolwiek z zapowiedzi, i właśnie tam będzie się dziać następny rok praktycznej pracy w tej kategorii.

To, co zmieniłoby tę stronę, to kod. Wydanie WorldClaw z wagami i skryptem wnioskowania zamieniłoby metodę w narzędzie i uczyniło porównanie żywym; wariant PAN 2, który emitowałby głębię obok RGB, zrobiłby to samo z przeciwnej strony. Żaden z nich dziś nie istnieje. Dopóki tak się nie stanie, trafnym podsumowaniem jest możliwy do pobrania silnik konsekwencji i niemożliwy do zbudowania framework scen, a jedyne, co je naprawdę łączy, to ambicja przewidywania świata, a nie renderowania jego obrazu.