PAN 2 vs Hy-Nomas: ta sama licencja, ta sama rodzina architektur, dwie definicje „działania”

This is the only pair in the current crop of world models where the comparison is a real choice rather than a category error. PAN 2 is the Institute of Foundation Models' 29-billion-parameter world model, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, which turns a starting frame and a described action into up to twenty seconds of 704×1248 video at 24 frames per second. Hy-Nomas is T​encent Hunyuan's interactive video world model, Apache 2.0, roughly 8 billion parameters, described in arXiv 2610.36729 on 27 October 2026, which turns a text prompt plus a continuous camera trajectory into 720p video at 24 frames per second in eight distilled steps. Both are open-weight. Both are diffusion transformers generating video from a conditioning signal. Both are downloadable this afternoon. Anyone choosing between them cannot use licence, availability or category as a tiebreak, which is exactly what makes it worth doing carefully.

Rozstrzygnięciem, które faktycznie działa, jest zdanie, którego żaden z zespołów nie umieszcza w swoim abstrakcie: co liczy się jako działanie. Sygnałem sterującym Hy-Nomas jest to, dokąd trafia kamera. Sygnałem sterującym PAN 2 jest to, co dzieje się w scenie, zapisane przez model językowy jako sekwencja zdarzeń przypisanych aktorom. Różnią się one na tyle, że prompt, który dobrze działa na jednym, jest niemal bez znaczenia na drugim, a jeśli z tego porównania nauczysz się tylko jednej rzeczy, to właśnie tej.

Dwa interfejsy kondycjonowania, a nie dwa poziomy jakości

Hy-Nomas warunkuje na tekście i ścieżce kamery. Ścieżka jest ciągła i geometryczna: mówisz mu, gdzie przesuwa się punkt widzenia, a model generuje segment uwarunkowany historią zapisaną w pamięci podręcznej, dzięki czemu świat pozostaje spójny podczas podróży. Jego wzmacniacz promptów, Nomas-PE, przepisuje luźną prozę na ustrukturyzowane opisy w formacie JSON — to ten sam instynkt, który przepisywacz promptów PAN 2 realizuje z przeciwnej strony; oba zespoły doszły do wniosku, że swobodny tekst jest zbyt nieprecyzyjny, by warunkować na nim transformer dyfuzyjny.

To, gdzie się rozchodzą, jest tym, co opisuje ustrukturyzowana forma. Struktura Hy-Nomas jest przestrzenna i zorientowana na punkt widzenia; dokładnie modelowanym zjawiskiem jest ruch kamery przez scenę. Struktura PAN 2 jest czasowa i zorientowana na aktora: zdarzenia w kolejności, każda akcja przypisana do wykonującego ją aktora, a ruch kamery jako jedno z kilku pól. Wystarczy przeczytać, jak IFM samo to ujmuje, a akcent jest nie do przeoczenia — podpis opisuje, co dzieje się po akcji, a demonstracją, która rozsławiła model, jest truskawka wrzucona do miski, w której zamiana owocu lub płynu zmienia rozbryzg.

• Warunkowanie — Hy-Nomas przyjmuje swobodny tekst oraz ciągłą trajektorię kamery; PAN 2 przyjmuje opcjonalną pierwszą klatkę oraz ustrukturyzowany, osadzony w czasie opis akcji.

• Co oznacza „akcja” — Hy-Nomas: ruch kamery, czyli to, gdzie patrzysz; PAN 2: zdarzenie z aktorem, czyli to, co się dzieje.

• Struktura segmentów — Hy-Nomas działa autoregresyjnie na poziomie segmentów w oparciu o historię KV w pamięci podręcznej, więc kontekst jest przenoszony między segmentami; PAN 2 symuluje każdy klip na podstawie co najwyżej jednej klatki początkowej oraz tekstu, bez stanu przenoszonego między klipami.

• Wyjście — Hy-Nomas: 720×1280 przy 24 fps w ośmiu destylowanych krokach; PAN 2: 704×1248 przy 24 fps w pięćdziesięciu krokach próbkowania przy współczynniku guidance 2,5.

• Rozmiar — Hy-Nomas: około 8B w 54 dwustrumieniowych blokach MMDiT przy rozmiarze ukrytym 2048, plus dostrojony dekoder PixelUMM na latentach DCAE-V; PAN 2: MMDiT 29B oraz zamrożony enkoder tekstu Qwen3.5-9B i Wan 2.2 VAE.

• Sprzęt — Hy-Nomas: osiem GPU w referencyjnym wdrożeniu, ze ścieżką pojedynczego RTX 4090 wykorzystującą INT8 DiT, KV cache, dekoder FP8 i CPU offload przy około 38 GB; PAN 2: osiem H200 w BF16 jako udokumentowana konfiguracja domyślna, z recepturą renderującą trzynaście sekund wideo w około 119 sekund na czterech B300.

• Rozmiar wag — Hy-Nomas: około 196 GB na Hugging Face jako tencent/Hy-Nomas; PAN 2: 86,17 GB w sześćdziesięciu plikach jako IFM/PAN2.

Siedem wymiarów i ani jeden z nich nie jest punktacją. Opisują one rozbieżność projektową: Hy-Nomas ulokował swoje parametry w utrzymywaniu spójności świata podczas poruszania się po nim, a PAN 2 ulokował swoje parametry w przewidywaniu, co powoduje dana akcja. Ścieżkę kamery można tanio zdefiniować, ale trudno ją podrobić; sekwencja zdarzeń jest wyrazista i kosztowna w generowaniu.

Gdzie różnica daje się we znaki: trzy zadania, oba modele

Abstrakcyjne kontrasty są tanie. Te są konkretne.

Oprowadź mnie po mieszkaniu. Hy-Nomas wygrywa bezapelacyjnie. Chcesz ciągłej ścieżki przez korytarz do kuchni, przy czym pomieszczenie za tobą pozostaje pomieszczeniem za tobą. To jest generowanie segmentowo-autoregresyjne na podstawie buforowanej historii — dokładnie do tego służy jego architektura — a PAN 2 nie potrafi tego zrobić: renderuje klip, a następny klip zaczyna się od klatki, którą dostarczysz, bez pamięci tego, co było wcześniej. Łączenie klipów PAN 2 w celu uzyskania oprowadzania po mieszkaniu powoduje dryf, przed którym ostrzega jego własna karta modelu, gdzie wygląd zmienia się między klipami w długich interakcjach, ponieważ każdy jest symulowany z co najwyżej jednej klatki początkowej.

Otwieram szufladę i kubek spada. PAN 2 wygrywa i nie jest to blisko. Żądanie jest zdarzeniem z aktorem i fizyczną konsekwencją. Warunkowanie Hy-Nomas nie ma pola dla „otwarcia szuflady” oddzielonego od kamery — można umieścić to w podpowiedzi tekstowej, a jego wzmacniacz podpowiedzi to ustrukturyzuje, ale budżet precyzji modelu został wydany na punkt widzenia, a nie na kontakt i konsekwencję. Kontrakt opisów PAN 2 istnieje właśnie po to, by wiązać działania z aktorami i porządkować je w czasie, dlatego IFM dostarczył walidator, który sprawdza opisy względem budżetu enkodera tekstu wynoszącego 1 480 tokenów w trybie miękkim i 1 536 w trybie twardym, zamiast przepuszczać prozę.

Wygeneruj dwieście wariantów sceny manipulacji do zestawu danych.Oba są błędne, tyle że na różne sposoby. Hy-Nomas da ci dwieście spójnych ruchów kamery przez dwieście scen i bardzo niewielką kontrolę nad tym, czy ramię faktycznie coś chwyci. PAN 2 da ci dwieście klipów warunkowanych akcją i, zgodnie z jego własną kartą, około dwa na trzy plany będą zawierać co najmniej jeden krok, który nie zostanie wykonany — więc jedna trzecia twojego zestawu danych będzie bezużyteczna, chyba że zbudujesz mechanizm sprawdzający. Żaden z nich nie jest gotowym silnikiem danych; różnica polega na tym, czy awaria to dryf geometryczny, czy pominięty krok, i który z tych rodzajów błędów twoje zadanie downstreamowe jest w stanie tolerować.

To trzecie zadanie jest również tym, które decyduje o twojej konfiguracji sprzętowej. Dwieście klipów 720p generowanych w ośmiu krokach na pojedynczej skwantyzowanej karcie 4090 to kwestia popołudnia. Dwieście klipów na węźle z czterema B300 przy 119 sekundach na każde trzynaście sekund wideo to kilka dni — i ta arytmetyka jest prawdziwym powodem, dla którego oba modele nie są wymienne, nawet tam, gdzie ich możliwości się pokrywają.

Ta sama awaria pod dwiema różnymi nazwami

Obie karty przyznają tę samą słabość i żadna jej nie naprawia: model świata o długim horyzoncie gubi swój świat. PAN 2 twierdzi, że wygląd dryfuje między klipami, i wskazuje pamięć percepcyjną jako brakujący element. Hy-Nomas rozwiązuje to bezpośrednio za pomocą przenoszonego cache’u KV i wzorca przyczynowej uwagi, który utrzymuje kontekst opisowy przy życiu między segmentami, jednocześnie ograniczając instrukcje działania do okna, w którym zostały wydane — a następnie w swojej własnej ocenie donosi, że nadal ustępuje Genie 3 pod względem długoterminowej pamięci przestrzennej.

To ostatnie przyznanie jest ciekawsze niż zwycięstwo. Mówi ono, że mechanizm pamięci działa wystarczająco dobrze, by pobić Genie 3 i LingBot-World v2 w interakcji i podążaniu za promptami — około 65% współczynnika zwycięstw w podążaniu za promptami na benchmarku obejmującym 280 przypadków, pokrywającym wieloturowy tekst, nawigację kamerą, przeplatany tekst i kamerę oraz pamięć przestrzenną — a mimo to nadal przegrywa na ścieżce oceniającej, czy świat pozostaje w miejscu. To porównania autorów z wybranymi przez autorów baseline'ami na benchmarku autorów i, jak każda liczba w tej kategorii, są one niezreprodukowane. Nie są jednak niejasne: model, który publikuje, gdzie przegrywa, to model, wokół którego można planować.

Użyteczny wniosek dla każdego, kto buduje na którymkolwiek z nich: trwałość nie jest właściwością, którą można założyć i sprawdzić później. To pierwsza rzecz, którą należy zmierzyć na własnych scenach, z własną tolerancją dryfu, zanim zwiążesz pipeline z modelem. Żaden z dostawców nie publikuje krzywej czasu do awarii — czasu, po którym scena przestaje być wiarygodna — a ta brakująca liczba ma większe znaczenie niż jakakolwiek pozycja w benchmarku.

Koszt to nie różnica wynikająca z zaokrąglenia, to decyzja.

Odłóż na chwilę argument o możliwościach i spójrz, ile potrzeba, aby każde z nich działało przez tydzień.

Ścieżka Hy-Nomas z pojedynczą kartą 4090 to najdonioślejszy fakt w tym porównaniu i łatwo go przeoczyć w cieniu referencyjnego wdrożenia z ośmioma GPU. DiT w INT8 z pamięcią podręczną KV, dekoder FP8 i odciążaniem na CPU mieści się w około 38 GB, co oznacza, że studio dysponujące jedną kartą klasy stacji roboczej może generować interaktywne wideo 720p bez wynajmowania czegokolwiek. Konfiguracja z ośmioma GPU to ta, którą opisuje benchmark; konfiguracja z 4090 to ta, którą czytelnik może faktycznie uruchomić jeszcze dziś wieczorem.

Dla PAN 2 nie opublikowano porównywalnej ścieżki. Jego udokumentowana konfiguracja domyślna to osiem H200 w BF16 z równoległością patchy VAE na czterech kafelkach, a przepis serwowania, który wszyscy cytują — trzynaście sekund materiału 704×1248 w około 119 sekund — zakłada cztery B300. Co gorsza, sampler jest kosztowny z założenia: pięćdziesiąt kroków z guidance 2,5 stosowanym na każdym kroku to sto przejść forward przez transformer 29B na klip, dlatego classifier-free guidance trzeba rozdzielić między rangi, a równoległość sekwencji rozłożyć na większą liczbę. W wydaniu nie ma żadnej historii kwantyzacji na jednej karcie, a udawanie inaczej byłoby wymyślaniem jej.

Uczciwie mówiąc o kosztach: Hy-Nomas kosztuje GPU, które prawdopodobnie masz, a PAN 2 kosztuje węzeł GPU, którego prawdopodobnie nie masz — i żadna różnica w jakości, w którąkolwiek stronę, tego nie zmieni w przypadku małego zespołu.

Kwestia routingu jest tu wąska i warta precyzyjnego ujęcia, ponieważ oba te modele hostujesz samodzielnie i żaden z nich nie znajduje się w katalogu OrcaRouter. Routowalna jest ta część, którą obie architektury dodały, bo sam wolny tekst nie wystarczał: etap ulepszania promptu. Nomas-PE w Hy-Nomas przepisuje prozę na ustrukturyzowane podpisy JSON; przepisywacz promptów w PAN 2 zawiera prompt systemowy, stały prompt negatywny oraz walidator względem budżetu tokenów enkodera. To wywołania modeli językowych i to etap, na którym inny model w mierzalny sposób zmienia to, co otrzymuje renderer. IFM uszeregował cztery modele rozumujące dla swojego etapu generowania podpisów — Claude Opus 5.5, GPT-6 Astra przy średnim wysiłku, Kimi K3, Qwen3.8-Flash — i wszystkie cztery są w katalogu, więc połowę przepisującą każdego z tych pipeline'ów można podmienić i porównać za pomocą jednego klucza w cenie katalogowej dostawcy z 0% marży, z przełączeniem awaryjnym, gdy wywołanie przepisywania przekroczy limit czasu w trakcie partii. Renderery 29B i 8B pozostają na Twoim sprzęcie. To cała teza.

Co tak naprawdę zawierają dwie karty modeli

Oba wydania ujawniają publicznie kartę, a karty różnią się tym, do czego są skłonne się przyznać.

Raport Hy-Nomas, arXiv 2610.36729 z 27 października 2026 r., opisuje trik, który sprawia, że interakcja wielotur­owa działa: ustrukturyzowane podpisy są dopasowane do wzorca przyczynowej uwagi świadomej działań, dzięki czemu kontekst opisowy utrzymuje się między segmentami, a instrukcje działań są ograniczone do okna, w którym zostały wydane. Ewaluacja to benchmark 280 przypadków w czterech ścieżkach — tekst wielotur­owy, nawigacja kamerą, przeplatany tekst i kamera oraz pamięć przestrzenna — oceniany przez ludzi w porównaniach parami z Genie 3, LingBot-World v2 i Happy Oyster. Wygrywa w interakcji i podążaniu za promptem, z raportowanym odsetkiem wygranych około 65% w podążaniu za promptem, a przegrywa z Genie 3 w długoterminowej pamięci przestrzennej. Wagi mają około 196 GB jako tencent/Hy-Nomas na licencji Apache 2.0, a kod jest na GitHubie wraz z hostowanym demo.

Karta PAN 2 jest dłuższa i mniej pochlebna. Architektura opiera się na generatywnym przewidywaniu latentnym z Critique of World Models (arXiv 2507.05169), a ten sam dokument, który ją opisuje, wymienia wady: około dwa z trzech symulowanych planów pomijają co najmniej jeden krok, wygląd dryfuje między klipami, ponieważ nie ma stanu przenoszonego, sformułowanie obserwacji i działania zmienia wynik, tekst dobrze wyraża „otwórz szufladę”, a źle „połóż każdy palec tutaj”, symulacja może postępować, naruszając prawa fizyki, a symulowanie planów, które powinny się nie udać, nie jest jeszcze mierzone.

Przeczytaj oba obok siebie, a różnica w stylu ujawniania informacji jest oczywista. Hy-Nomas podaje odsetek wygranych i porażkę; PAN 2 podaje odsetek niepowodzeń i listę. Żadna z tych kart nie jest audytem, a obie zostały napisane przez zespoły, które zbudowały modele. Ale karta, która mówi, gdzie model zawodzi, jest dokumentem, na podstawie którego można planować, i obie spełniają ten warunek — a to więcej, niż oferuje większość ich zamkniętych konkurentów.

Który z nich i co zmieniłoby odpowiedź?

Wybierz Hy-Nomas, jeśli Twoim problemem jest eksploracja lub treść: świat, przez który ktoś przechodzi, ruch kamery, który ktoś reżyseruje, spójna scena 720p z promptu na jednej karcie. Jego mechanizm pamięci, warunkowanie kamery i ścieżka 4090 wskazują na tego samego użytkownika — kogoś, kto musi zobaczyć miejsce i się przez nie poruszać, tanio, teraz.

Wybierz PAN 2, jeśli twoim problemem jest decyzja: agent, który musi podejrzeć, co robi dana akcja, planista szeregujący kandydujące plany, pytanie badawcze o to, czy ustrukturyzowany opis zdarzenia wystarcza do wygenerowania jego konsekwencji. Jego kontrakt opisów, opublikowany harness i wagi na licencji Apache-2.0 wskazują na użytkownika, z którym trzeba się uczciwie spierać i którego stać na odpowiedni sprzęt.

Dwie rzeczy przełamałyby remis w sposób, na jaki żaden z dostawców obecnie nie pozwala. Pamięć w stylu Hy-Nomas przenoszona między segmentami na modelu z warunkowaniem działań PAN 2 byłaby produktem wyraźnie lepszym niż którykolwiek z nich. Opublikowane badanie porażek — PAN 2 symulujący plany, które powinny się nie udać, Hy-Nomas mierzący dryf przez dziesięć minut, a nie przez jedną — odpowiedziałoby na pytanie, które obie karty pozostawiają otwarte. Dopóki jedno z nich nie zostanie wdrożone, wybór nie dotyczy tego, który model jest lepszy. Chodzi o to, czy twój świat jest czymś, przez co się przemieszczasz, czy czymś, co ci się przydarza.