Hi3D V1.0 vs CARI4D: A Mesma Base, Duas Perguntas Diferentes

O fato mais esclarecedor sobre Hi3D V1.0 e CARI4D é que ambos podem chamar o Hunyuan3D-2 da Tencent. O Hi3D V1.0, lançado em 23 de outubro de 2026 como o sucessor open-source do Sparc3D, usa um adaptador mini do Hunyuan3D-2 em sua demonstração para produzir a malha grosseira que depois refina. O CARI4D, a reconstrução 4D categoria-agnóstica da NVIDIA de interação humano-objeto, usa o Hunyuan3D-2 para reconstruir a malha do objeto a partir do primeiro quadro de um vídeo antes de rastrear como esse objeto se move. Mesmo modelo de geometria upstream, duas tarefas completamente diferentes: o Hi3D pergunta como a superfície do objeto deve parecer em alta resolução, e o CARI4D pergunta o que a pessoa e o objeto fizeram ao longo do tempo.

Onde o Hunyuan3D-2 realmente se situa

Vale a pena ser preciso, porque “ambos usam Hunyuan3D” pode implicar uma relação mais próxima do que aquela que existe.

A biblioteca principal do Hi3D não requer o Hunyuan de forma alguma. O pipeline de refinamento recebe uma imagem de referência e uma malha grosseira, e demo/refine_mesh.py não importa nada da Tencent. O adaptador mini do Hunyuan3D-2 fica em demo/coarse_stage.py, é opcional e existe para que alguém com apenas uma imagem possa produzir a malha grosseira de que o refinador precisa. O código, os pesos e as saídas da Tencent mantêm sua própria licença e devem ser obtidos separadamente. Em um pipeline de produção, o Hunyuan é um possível upstream entre muitos.

A dependência do CARI4D é estrutural. Sua etapa de reconstrução do objeto usa o primeiro quadro, segmenta o objeto manipulado e reconstrói sua geometria com Hunyuan3D-2. Essa malha é então posicionada em escala métrica usando UniDepth e uma busca do grosseiro ao fino por meio do FoundationPose. O restante do pipeline — NLF para o humano, uma etapa de seleção de hipóteses de pose, CoCoNet para correção por renderização e comparação, e uma otimização conjunta sensível ao contato — depende de que essa malha do objeto seja boa o suficiente para o rastreamento.

A consequência é o enquadramento útil para esta comparação. O propósito do Hi3D como um todo é corrigir o tipo de geometria que o Hunyuan3D-2 produz. O propósito do CARI4D é recuperar movimento, e ele trata a malha como uma entrada que herda. Um modelo visa o ponto fraco do outro sem que nenhum dos projetos o diga.

Para que serve cada modelo aprendido

O componente aprendido do Hi3D é um fluxo esparso condicionado a características de imagem, definido sobre coordenadas extraídas da malha grosseira. Ele amostra latentes esparsos, decodifica-os com um VAE esparso com auto-poda, extrai uma superfície, revoxeliza e repete. Três passagens levam a grade estrutural de 64³ para 128³ para 192³ e a grade de extração esparsa de 512³ para 1024³ para 1536³, com 25 atualizações do agendador por passagem. O modelo está aprendendo detalhes geométricos locais: arestas, estruturas finas, continuidade de superfície, as partes que um gerador grosseiro suaviza.

O componente aprendido do CARI4D é o CoCoNet, uma rede de renderização e comparação. Ele renderiza a estimativa atual do objeto e do humano em RGB, profundidade e máscaras, codifica essa renderização com um ViT-B/14 DINOv2 e um codificador ViT-S/14 de seis canais XYZ e máscara, executa atenção espaçotemporal e regride correções de pose por quadro, além de dois logits de contato das mãos. O checkpoint de pesquisa tem 194 milhões de parâmetros; a variante MHR licenciada comercialmente, lançada em 30 de agosto de 2026, tem 231 milhões. O que ele aprende não é o detalhe da forma, mas a relação entre uma hipótese renderizada e um quadro observado.

Esses são sinais de treinamento diferentes e modos de falha diferentes. O Hi3D pode tornar mais nítida uma silhueta errada. O CARI4D pode rastrear com precisão, ao longo de um vídeo, um objeto com formato ruim e ainda assim fornecer uma malha ruim, porque suas métricas são sobre pose e contato, não sobre fidelidade de superfície.

O que sai, linha por linha

• Entrada — Hi3D V1.0 uma imagem de referência mais uma malha grosseira vs. CARI4D um vídeo RGB monocular

• Saída — Hi3D V1.0 uma malha trimesh apenas de geometria vs CARI4D pose e forma humana por quadro, rotação e translação do objeto, e dois logits de contato das mãos

• Escala — Hi3D V1.0 recentralizado e normalizado para raio máximo unitário vs. escala métrica do CARI4D recuperada através de UniDepth e FoundationPose

• Textura — Hi3D V1.0 nenhum vs CARI4D nenhum; ele retorna poses e contato, não um asset texturizado

• Computação — Hi3D V1.0 medido em uma NVIDIA H20 de 96 GB, sem caminho de CPU, tamanho de lote um vs. CARI4D PyTorch em NVIDIA Ampere, validado em A100, com uma imagem Docker

• Licença — Hi3D V1.0, a Hi3D Open License 1.0, uso comercial com gatilho de 200.000 MAU ou USD 1M de receita mensal vs. CARI4D, o NVIDIA Open Model Agreement para o checkpoint comercial de 231M, apenas para pesquisa no lançamento de 194M

• Evidências — Hi3D V1.0 sem nenhum benchmark numérico publicado, em comparação com o CARI4D, um artigo da CVPR 2026 com ablações e resultados no BEHAVE, relatados pelo fornecedor e não reproduzidos de forma independente

O experimento que ninguém publicou

Aqui está a composição que a espinha dorsal compartilhada torna óbvia, enunciada como um experimento em vez de um recurso.

O CARI4D reconstrói sua malha de objeto a partir de um único primeiro quadro por meio do Hunyuan3D-2. O Hi3D refina exatamente esse tipo de malha grosseira, condicionado a uma imagem de referência do mesmo objeto — e o CARI4D tem uma, porque o primeiro quadro é a referência. Em princípio, um pipeline poderia pegar a imagem do primeiro quadro e a malha do Hunyuan do CARI4D, executar o Hi3D em 1024³ ou 1536³ e devolver a superfície refinada ao estágio que a posiciona e a rastreia.

Na prática, há quatro obstáculos, e nenhum deles é pequeno.

• Escala. O Hi3D recentra a sua saída e normaliza-a para raio máximo unitário. O CARI4D precisa de uma malha em escala métrica para inicializar o FoundationPose. A transformação de volta não é publicada, e errá-la altera o tamanho aparente do objeto em todos os quadros.

• Estrutura. O Hi3D refina a estrutura grosseira que recebe; não a corrige. Se o Hunyuan3D-2 interpretou mal a topologia do objeto a partir de um quadro, o Hi3D torna essa interpretação equivocada mais detalhada. A seleção de hipóteses de pose do CARI4D consegue absorver parte do erro do objeto — o artigo relata a redução da distância Chamfer do objeto de cerca de 1.565 cm para 16,85 cm na inicialização —, mas não é uma etapa de reparo de forma.

• Runtime. O Hi3D executa um objeto por vez, com até três passagens, 25 etapas cada, sem latência publicada. O pipeline do CARI4D já encadeia Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet e uma otimização conjunta. Adicionar um estágio de refinamento de 96 GB antes de um loop por clipe pode ser defensável offline e impossível interativamente.

• Validação. Ninguém publicou essa integração. Os números no artigo do CARI4D medem a precisão de pose e de contato, não o efeito de uma malha de objeto melhor sobre esses números. É perfeitamente possível que o refinamento melhore a malha e quase não altere as métricas de reconstrução, porque o rastreamento é robusto a detalhes da superfície. Também é possível que uma malha mais nítida melhore as correspondências do FoundationPose. Até alguém executar a ablação, ambas são suposições.

O valor honesto desta observação não é "usá-los juntos". É que os dois lançamentos são complementares em um ponto de junção específico, e esse ponto traz uma questão mensurável que nenhum dos fornecedores respondeu.

Dois tipos de evidência, nenhum deles independente

O CARI4D parece ter melhores evidências do que o Hi3D, e de fato tem, mas a diferença é menor do que parece à primeira vista. O CARI4D tem um artigo revisado por pares na CVPR 2026, um benchmark nomeado, ablações e um erro de reconstrução relatado 38% menor em distribuição e 36% em dados não vistos. Esses são números da NVIDIA provenientes da avaliação da NVIDIA. Nenhum laboratório neutro os reproduziu. O código e os scripts de avaliação são públicos, o que torna a reprodução possível, não realizada.

A Hi3D não tem nenhum benchmark numérico. O repositório publica comparações visuais entre nove métodos para geometria local, uma alegação de escala de treinamento de aproximadamente dois milhões de ativos curados e uma alegação de resolução de extração esparsa de 1536³. O comunicado de imprensa acrescenta uma taxa de sucesso de fatiamento de 90% e a alegação das maiores pontuações de fidelidade e detalhe em múltiplas vistas na avaliação relatada, sem pontuações, sem linha de base e sem fatiador nomeado. O código de treinamento e o arnês de avaliação estão ausentes, então as tabelas do artigo não podem ser reconstruídas a partir do comunicado.

{{1}}Ambos, em outras palavras, são relatados pelo fornecedor.{{/1}} Um tem um artigo anexado e o outro tem um comunicado à imprensa. {{2}}Um comprador deve tratar o selo CVPR como um motivo para levar a metodologia a sério e não como substituto de um teste independente.{{/2}}

Qual pergunta você realmente tem?

Se tiver um vídeo de uma pessoa a manusear um objeto e precisar de saber como se moveram a mão, o objeto e o corpo — poses à escala métrica, pontos de contacto, fotograma a fotograma — o CARI4D é o sistema concebido para isso, e o checkpoint comercial torna-o implementável. O Hi3D não consegue responder de todo a essa pergunta. Não tem modelo temporal, nem saída de poses, nem raciocínio sobre contacto.

Se você tem uma imagem de referência e uma malha aproximada e precisa de um ativo estático mais nítido, o Hi3D é a ferramenta direta. O CARI4D também não consegue responder a essa pergunta: sua malha de objeto é um subproduto de um pipeline de rastreamento, produzida com a fidelidade que o Hunyuan3D-2 oferece a partir de um único quadro, e expõe poses em vez de uma superfície refinada.

Se você está construindo o compósito — um pipeline de reconstrução em que a geometria do objeto é o elo fraco —, a jogada interessante é testar se o refinamento do Hi3D melhora as métricas downstream do CARI4D. Essa é uma questão de pesquisa com um experimento claro e nenhuma resposta publicada. Reserve orçamento para a transformação de escala e para a GPU antes de reservar para o artigo.

A camada que envolve ambos

Nenhum dos dois modelos é servido pelo OrcaRouter, e nenhum deles é um modelo de linguagem. O catálogo é texto, visão, vídeo, embedding e fala; a reconstrução 3D é feita no seu próprio hardware. As chamadas em torno da reconstrução, porém, são chamadas de modelo: gerar a legenda do primeiro quadro, descrever o objeto para um registro de ativo ou avaliar se uma renderização refinada ainda corresponde à referência a partir de três ângulos.

Essa última opção é uma boa escolha para fusão de modelos. Em vez de confiar na opinião de um único modelo de visão de que uma malha refinada é fiel, envie a mesma comparação de múltiplas vistas a um painel de modelos e deixe que as respostas deles sejam agregadas. O OrcaRouter expõe fusão e mais de 200 modelos individuais por trás de uma única API, com o preço de tabela do provedor repassado com 0% de margem e failover automático se um provedor apresentar degradação. A geometria permanece na sua GPU; o julgamento em torno dela pode ser redundante sem ser caro de integrar.

O que resolveria isso

Uma única ablação faria mais do que qualquer quantidade de comparação de especificações: pegue uma sequência BEHAVE, refine a malha do objeto com o Hi3D em 1024³, desfaça a normalização e relate as métricas de pose e contato em relação à linha de base não refinada. Se os números mudarem, o backbone compartilhado se torna um pipeline. Se não mudarem, o valor do Hi3D permanece onde é mais forte — como uma ferramenta de geometria autônoma para quem já possui a malha grosseira.

Até que esse experimento exista, a divisão defensável é simples. O Hi3D V1.0 é um refinador de geometria com pesos abertos e sem benchmark. O CARI4D é um reconstrutor de movimento com um artigo e um checkpoint comercial. Eles se encontram no Hunyuan3D-2, e nenhum dos dois substitui o outro.