Hi3D V1.0 vs. Hunyuan3D WorldClaw: Um asset bem feito ou um mundo feito de forma grosseira?

Uma cena do Hunyuan3D WorldClaw não é um modelo 3D. É terreno, edificações, vegetação, veículos e personagens, cada um reconstruído como uma malha separada, posicionado em uma paisagem gerada e então inspecionado por um agente de visão que envia regiões defeituosas de volta para reparo. Hi3D V1.0 não constrói mundos. Ele pega uma malha grosseira e uma imagem de referência e usa uma GPU de 96 GB para tornar a geometria desse único objeto mais nítida. A comparação, portanto, não é cena contra cena. É vazão contra fidelidade, e os dois sistemas ficam em lados opostos da mesma linha de produção.

Do que o WorldClaw precisa antes de poder construir um mundo

O WorldClaw é o framework agêntico da Tencent Hunyuan para transformar um único prompt de texto em um mundo 3D grande, explorável e editável. O artigo “WorldClaw: Agentic 3D Open-World Generation at Scale” foi publicado no arXiv como 2608.05248 em 7 de agosto de 2026, e a página do projeto e o repositório no GitHub surgiram na mesma semana. A arquitetura funciona em quatro etapas:

• Análise de intenção e planejamento de cena — dois agentes de modelo de linguagem analisam o prompt. Um extrai apenas as restrições declaradas pelo usuário; o outro preenche os detalhes que o prompt deixou de fora. O artigo cita Claude Opus 4.8 para esta etapa.

• Geração global de terreno — um mapa de layout semântico e campos de altura sensíveis à região produzem um esqueleto de terreno contínuo, com materiais, rochas e vegetação atribuídos por região.

• Geração regional de objetos — regiões detalhadas são renderizadas em composições 2D condicionadas pelo terreno, segmentadas em instâncias com GPT-Image-2 e SAM3D, reconstruídas como malhas 3D individuais por meio do Hunyuan3D e recolocadas sobre o terreno.

• Refinamento baseado em renderização — um agente de visão renderiza a cena a partir de múltiplos pontos de vista, procura objetos flutuantes, interpenetração, escala incorreta e pose incorreta, corrige a região problemática e renderiza novamente até que passe. A montagem acontece no Blender por meio do MCP.

Esse terceiro estágio é o que importa aqui. Cada objeto em uma cena do WorldClaw é uma reconstrução imagem-para-3D separada. Uma cena com duzentos props distintos são duzentas gerações de malha, cada uma condicionada a um composto 2D segmentado e cada uma carregando qualquer fidelidade que o modelo de reconstrução subjacente consiga produzir. O teto visual da cena é definido pelo pior ativo nela, e a avaliação do próprio framework não mede isso. O artigo relata comparações qualitativas lado a lado contra SynCity, o WorldGen da Meta, MajutsuCity e o Marble da World Labs — sem FID, sem pontuação CLIP, sem estudo de usuário e sem métrica de fidelidade por objeto.

O que o Hi3D contribuiria, e o que não contribuiria

O Hi3D V1.0, lançado em 23 de outubro de 2026, é um modelo de refinamento construído sobre o Sparc3D. Forneça a ele uma imagem de referência de um objeto e uma malha grosseira do mesmo objeto, e ele amostra progressivamente latentes esparsos, decodifica-os por meio de um VAE esparso com poda automática e extrai uma superfície de maior resolução. As três passagens levam a grade estrutural para 64³, 128³ e 192³ e a grade de extração esparsa para 512³, 1024³ e 1536³, com 25 atualizações do agendador por passagem. Ele processa um objeto por vez.

O encaixe com o terceiro estágio do WorldClaw é óbvio no papel. O WorldClaw já tem um composto 2D segmentado para cada objeto e já produz uma malha por meio do Hunyuan3D. Essas são exatamente as duas entradas que o Hi3D deseja: uma imagem de referência e uma malha grosseira. Refinar cada objeto antes que ele seja posicionado aumentaria o detalhe geométrico dos ativos que determinam a qualidade dos close-ups da cena.

Três limitações impedem que isso seja uma atualização direta.

Primeiro, o Hi3D é somente geometria. Ele não produz textura, material nem cor de vértice, e a saída do WorldClaw são malhas explicitamente texturizadas e editáveis individualmente, destinadas a um motor de jogo. O Hi3D melhoraria a silhueta e o detalhe local da superfície e então entregaria o recurso a uma etapa de texturização que nenhum dos repositórios fornece. Um mundo construído a partir de malhas refinadas, mas sem textura, não é o entregável que o WorldClaw promete.

Em segundo lugar, a imagem de referência tem de mostrar o mesmo objeto. A segmentação do WorldClaw gera um recorte da imagem do objeto dentro de uma composição regional, que é próxima, mas não idêntica, a uma referência de produto limpa. Se isso é bom o suficiente é uma questão empírica que ninguém respondeu.

Terceiro, a vazão. O Hi3D refina uma malha por vez, e a configuração avaliada é uma H20 de 96 GB sem caminho de CPU e sem modo de lote. O WorldClaw já é executado em 4× H20 segundo o artigo. Adicionar um estágio de refinamento por objeto antes do posicionamento multiplica a parte mais cara do pipeline pelo número de objetos na cena.

O número que nenhuma das páginas lhe fornece

Não é possível orçar esta composição com base no material publicado, e essa é a constatação prática mais importante desta comparação.

O Hi3D não publica nenhuma latência de relógio real. O README fornece atualizações do agendador, contagens de passagens e uma GPU medida, mas não segundos por objeto em 512³, 1024³ ou 1536³. O WorldClaw também não publica tempo de reconstrução por objeto. A declaração de computação do artigo diz respeito ao sistema completo em 4× H20, não ao custo marginal de mais um prop. Sem ambos os números, a aritmética que decide se o refinamento é viável — objetos por cena vezes segundos por objeto vezes horas de GPU — não pode ser feita a partir das fontes.

O que se pode dizer é a forma do custo. A configuração 512³ do Hi3D executa uma passada; a 1024³ executa duas; a 1536³ executa todas as três. Cada passada corresponde a 25 atualizações do agendador. Resolução mais alta compra detalhe e custa passadas. O tamanho do lote é um, então o custo escala linearmente com o número de objetos e não pode ser amortizado em um lote. Se uma cena do WorldClaw contém dezenas de objetos principais e centenas de adereços de fundo, um pipeline sensato refinaria os principais e deixaria o fundo no estágio grosseiro — uma decisão que exige exatamente a medição de tempo por objeto que nenhum dos dois projetos publicou.

Cinco dimensões que de fato os separam

• Unidade de trabalho — Hi3D V1.0 um objeto vs Hunyuan3D WorldClaw uma cena de mundo aberto contendo muitos objetos

• Saída — Hi3D V1.0 uma malha apenas de geometria vs. Hunyuan3D WorldClaw malhas editáveis e texturizadas montadas no Blender

• Entrada — Hi3D V1.0, uma imagem de referência mais uma malha grosseira vs Hunyuan3D WorldClaw, um prompt de texto aberto

• Código e pesos — Hi3D V1.0 disponível para download hoje sob a Hi3D Open License 1.0 vs. Hunyuan3D WorldClaw: um README e um artigo, sem código, sem pesos, sem API, sem preço

• Evidência — Hi3D V1.0 sem benchmark numérico vs Hunyuan3D WorldClaw apenas comparações qualitativas, sem FID, sem CLIP, sem estudo com usuários

A disponibilidade decide o trimestre

Um deles é uma ferramenta e o outro é um documento de design.

Hoje, o Hi3D V1.0 pode ser clonado, instalado e executado. Ele requer Linux, Python 3.10, CUDA 12.0 a 12.5, uma GPU com capacidade de computação 8.0 e uma compilação a partir do código-fonte do flash-attn, e a escada completa de 1536³ só foi validada em uma H20 de 96 GB. A licença permite uso comercial, com a exigência de notificação e de licença separada assim que um produto ultrapassar 200.000 usuários ativos mensais ou USD 1.000.000 em receita mensal, e uma exigência de atribuição para integrações comerciais. Os pesos são oito arquivos no Hugging Face. Não há endpoint hospedado — o cartão do modelo diz que ele não é implantado por nenhum provedor de inferência — e a v3.0 comercial da empresa, com voxels de 2048³ e texturas 8K, é um produto separado vendido por meio de sua própria plataforma.

O WorldClaw não pode ser executado por ninguém fora da Tencent hoje. O repositório do GitHub contém uma pasta de assets, um .gitignore e um README. Não há implementação, não há checkpoint, não há API e não há precificação, e uma issue pedindo o código permaneceu sem resposta. O artigo é detalhado o suficiente para reimplementar a arquitetura e a página do projeto é uma boa demonstração, mas nenhum dos dois é uma dependência que você possa agendar. Se você está construindo um gerador de mundos, o WorldClaw é um blueprint que vale a pena ler; não é um componente que você possa chamar.

Essa assimetria é a resposta prática para o confronto. Uma equipe que precisa de uma melhor geometria de objetos neste mês pode usar o Hi3D. Uma equipe que precisa da capacidade de nível de cena do WorldClaw neste mês tem que construí-la, e o artigo é a única coisa que a Tencent publicou que ajuda.

Onde a conta do LLM recai

A arquitetura do WorldClaw é incomumente honesta sobre onde estão as chamadas caras. Planejar a cena, extrair as restrições do usuário, preencher os detalhes que o prompt omitiu e executar a crítica visual que decide o que será renderizado novamente são todas chamadas de linguagem ou de linguagem-visão. O framework as encaminha para modelos de fronteira em vez de treinar os seus próprios. Isso é uma aposta deliberada: orquestração em vez de treinamento, com a qualidade limitada por componentes que você não controla.

É também a camada que o OrcaRouter cobre. A reconstrução 3D permanece nas suas GPUs e não é algo que nós servimos — o catálogo é de modelos de texto, visão, vídeo, embedding e fala, não de geometria. O planejador e o crítico são outra história. Colocar mais de 200 modelos por trás de uma única API significa que o planejador e o crítico não precisam de contratos separados, chaves separadas e domínios de falha separados; o preço de tabela do provedor é repassado com 0% de margem, então uma mudança de preço do fornecedor chega ao endpoint no mesmo dia; o failover automático impede que um provedor degradado trave um mundo no meio da geração; e a DSL de roteamento compõe vários modelos em uma única chamada, que é exatamente o que um ciclo de planejar-e-criticar é. Para um pipeline cujo custo por cena é dominado por chamadas repetidas de agentes, essa superfície de controle importa mais do que qualquer escolha isolada de modelo.

Quem deve agir e sobre o quê?

Se o seu gargalo é a qualidade de um ativo individual — uma peça imprimível, um modelo de produto, um objeto de destaque —, o Hi3D V1.0 já está disponível e o experimento é barato para começar, desde que você tenha uma GPU de 96 GB e já possua uma malha grosseira. Leia a seção de limitações antes do comunicado à imprensa: o modelo refina a estrutura, não corrige uma silhueta errada e não retorna textura.

Se o seu gargalo é a montagem de cena, o WorldClaw é o sistema mais ambicioso e o menos disponível. Sua contribuição é arquitetural: um loop de agente coarse-to-fine com um crítico baseado em renderização, e uma declaração clara de que o estágio de reconstrução de objetos é onde a fidelidade por ativo se ganha ou se perde. O próximo experimento óbvio é colocar um refinador como o Hi3D por trás desse estágio e medir se a qualidade de close-up da cena melhora o suficiente para justificar os passes extras. Ninguém publicou essa medição, e até que alguém o faça, a comparação continua sendo uma hipótese sobre uma linha de produção, e não um resultado.