PAN 2 vs Hi3D v1.0: Dois modelos que ambos se recusam a dizer o tamanho de qualquer coisa

Peça a qualquer um desses modelos um mundo e a primeira coisa que você perde é a régua. O PAN 2 é o modelo de mundo de pesos abertos com 29 bilhões de parâmetros do Institute of Foundation Models, disponível no Hugging Face como checkpoint Apache-2.0 desde 7 de outubro de 2026, com código em 5 de novembro e suporte vLLM-Omni Day-0 em 10 de novembro: dê a ele um quadro inicial e uma ação descrita e ele renderiza até vinte segundos de vídeo em 704×1248 a 24 quadros por segundo mostrando a consequência. O Hi3D v1.0, anteriormente Sparc3D, é um refinador de geometria de pesos abertos anunciado em 23 de outubro de 2026 que recebe uma imagem mais uma malha grosseira e devolve uma mais densa, apenas em geometria, com cada resultado recentralizado e normalizado para raio unitário. Um produz uma imagem em movimento sem qualquer pretensão métrica; o outro produz uma forma estática com sua escala absoluta deliberadamente eliminada. Nenhum dos dois dirá se a coisa à sua frente tem um metro de diâmetro, e ambos são mais úteis quando você deixa de esperar que digam.

Essa omissão compartilhada é a base honesta para uma comparação. O enquadramento usual — 3D versus vídeo, ou geometria versus dinâmica — é verdadeiro e pouco útil, porque faz a escolha soar como uma preferência. O enquadramento que decide alguma coisa é o que cada modelo entrega a você, o que ele descarta para chegar lá e o que você tem permissão para fazer com o resultado depois.

O que cada um entrega a você, item por item

Nomeie o objeto de saída antes de nomear qualquer capacidade, pois os dois objetos não são o mesmo tipo de coisa.

• Entrada — O PAN 2 recebe um primeiro quadro opcional, além de uma legenda de ação estruturada refinada por uma habilidade de reescrita de prompt; o Hi3D v1.0 recebe uma imagem e uma malha grosseira do mesmo objeto.

• Saída — PAN 2 retorna um MP4 de até vinte segundos; Hi3D retorna geometria de vértices e nada mais, sem cor, sem textura, sem material e sem cor de vértice.

• Tempo — O PAN 2 existe para ser executado para frente, e cada clipe é uma previsão de uma consequência; o Hi3D não tem eixo temporal algum e retornaria a mesma malha para as mesmas duas entradas para sempre.

• Escala — o PAN 2 não faz qualquer afirmação métrica sobre aquilo que renderiza; o Hi3D normaliza todos os resultados para raio unitário, descartando intencionalmente o tamanho absoluto.

• Formato do lote — o PAN 2 renderiza um clipe por chamada; o Hi3D executa com tamanho de lote igual a um.

• 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.

• Acesso — PAN 2 tem 86,17 gigabytes em sessenta arquivos, sem restrições, Apache-2.0; Hi3D pode ser baixado sob sua própria Hi3D Open License, livre de royalties para uso comercial com uma atribuição "Powered by Hi3D 1.0".

• Hardware — o padrão documentado do PAN 2 é de oito H200s em BF16, com uma receita que coloca treze segundos de vídeo em aproximadamente 119 segundos em quatro B300s; o Hi3D foi validado em um único H20 de 96GB, sem caminho de inferência em 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.

O número que ambos os modelos excluem, e por quê

A normalização do Hi3D está documentada e é fácil de passar despercebida: cada malha refinada é recentralizada e normalizada para raio unitário. Essa é uma prática padrão no aprendizado de geometria, porque uma rede que precisa regredir coordenadas absolutas desperdiça capacidade com uma escala que poderia receber como informação, e porque conjuntos de treinamento montados a partir de digitalizações e ativos raramente concordam quanto às unidades. Isso também significa que uma malha que sai do Hi3D não pode ser simplesmente inserida em uma cena em tamanho real sem que você reaplique um fator de escala que precisa conhecer de outro lugar. A geometria refinada é livre de métrica por construção.

A omissão do PAN 2 é mais sutil e recebe menos atenção do que merece. O modelo produz uma consequência fisicamente coerente — a demo do morango, em que trocar a fruta ou o líquido altera o respingo, é a declaração mais clara da ideia que alguém já produziu — e o faz sem jamais afirmar uma distância. O sinal de treinamento é vídeo, a saída é vídeo, e vídeo não tem escala intrínseca: um close-up de um dedal e um plano aberto de um balde são o mesmo tensor. A própria lista de atalhos do model card aponta para a mesma lacuna pelo outro lado, com o macarrão aparecendo no escorredor antes de ser escorrido — uma cena que avançou sem a física que teria de ter acontecido.

É por isso que um simulador de condução não pode ser construído a partir do PAN 2, por melhor que ele se torne a representar salpicos. Uma rede viária precisa de larguras de faixa em metros e de retornos de lidar em centímetros, e um modelo cuja representação integral do mundo é vídeo latente não tem onde colocar nenhuma das duas coisas. É também por isso que o Hi3D não consegue fornecer esses metros: ele refina a forma de um único objeto, a uma escala que normalizou e eliminou, a partir de uma imagem que não tinha profundidade.

Se o seu pipeline precisa de saída métrica, a métrica tem de entrar em algum ponto antes de qualquer um dos modelos — de um sensor de profundidade, de um marcador de tamanho conhecido no quadro, de um arquivo CAD — e ambos os modelos ficam a jusante dessa decisão, em vez de tomá-la. Vale dizer isso claramente, porque a alternativa é uma equipe descobrir isso depois de uma semana de integração.

A editabilidade é a diferença que sobrevive ao contato com um projeto

O vídeo gerado é um beco sem saída para revisão. Se o PAN 2 renderiza um plano no qual uma gaveta se abre e um copo é derrubado, e você quer que a gaveta abra mais devagar, você não edita o clipe; você reescreve a legenda e paga por mais cem passagens diretas por um transformer de 29B. A legenda é a única superfície editável, e é genuinamente boa — estruturada, ancorada no tempo, com ações vinculadas aos atores e movimento de câmera explicitado —, mas opera no nível de "o que acontece", não de "para onde este vértice vai".

Uma malha refinada é o tipo oposto de artefato. A saída do Hi3D abre num modelador, é retopologizada, é texturizada noutro lugar, é colocada. O refinamento é um passo irreversível num fluxo de trabalho que, de resto, está cheio de passos reversíveis, e é exatamente isso que uma equipa de conteúdo quer: uma ferramenta que melhora um blockout e depois sai do caminho.

Aqui está a composição que de fato existe, dita sem exageros. Um blockout grosseiro refinado pelo Hi3D se torna um prop detalhado; um montador de cena posiciona o prop; um modelo de mundo no estilo PAN 2 renderiza o que acontece quando algo age sobre ele. Os dois são etapas adjacentes, não concorrentes. O que não existe é um loop: o Hi3D não consegue pegar um quadro do PAN 2 e devolver geometria, porque um único quadro de vídeo sem profundidade e com escala desconhecida não é um problema de malha que o Hi3D tenha sido criado para resolver.

O ponto em que uma camada de roteamento se justifica nesse pipeline é o trabalho de linguagem conectivo, e não qualquer um dos modelos. Legendar uma renderização para que um simulador possa se condicionar a ela, escrever a descrição estruturada do estado do mundo que o codificador de texto do PAN 2 consome com um orçamento de 1.480 tokens flexíveis e 1.536 rígidos, julgar se um quadro gerado corresponde ao briefing — essas são chamadas de modelo com medição comuns, e elas cercam ambas as ferramentas. O OrcaRouter carrega mais de 200 modelos por trás de uma única API com 0% de markup sobre o preço de tabela do provedor, com failover automático entre provedores, para que um gerador de legendas e um crítico de renderizações possam compartilhar uma chave e um caminho de fallback. Nem o PAN 2 nem o Hi3D v1.0 estão nesse catálogo, e nada aqui sugere o contrário: o renderizador é seu nó, o refinador é sua GPU, e o que roteamos é a cola.

Duas licenças que lhe dizem quem o cliente deveria ser

Ambos os modelos são abertos o suficiente para serem baixados, e os termos divergem de uma forma mais informativa do que os pesos.

PAN 2 é Apache-2.0: nenhum requisito de atribuição além do texto da licença, nenhum limite de usuários, nenhum gatilho de receita, nenhuma restrição de campo de uso. Você pode fazer fine-tuning nele, quantizá-lo, distribuí-lo dentro de um produto e não dizer nada sobre isso. Para um transformer de difusão de 29 bilhões de parâmetros treinado do zero em centenas de milhões de vídeos por um laboratório afiliado a uma universidade, essa é uma escolha excepcionalmente permissiva, e é a maior diferença prática entre o PAN 2 e os modelos de mundo fechados com os quais ele costuma ser comparado.

Hi3D v1.0 é livre de royalties para uso comercial com a atribuição "Powered by Hi3D 1.0", e um acordo separado entra em vigor acima de 200.000 usuários ativos mensais ou US$ 1 milhão em receita mensal. Esse limite é uma marca reveladora: indica que o cliente pretendido é um estúdio, uma plataforma ou um fornecedor de ferramentas, e que os autores esperam que o modelo seja incorporado, não estudado. Abaixo da linha, não custa nada; acima dela, você está negociando.

Nenhuma das licenças é uma armadilha. São apostas diferentes sobre para que serve a abertura: a da PAN 2 é uma aposta na adoção como infraestrutura; a da Hi3D é uma aposta na adoção com uma conversa comercial atrelada assim que você for grande o bastante para ter uma.

A conta de hardware, que não está próxima

Os requisitos do Hi3D são rígidos e baratos de atender se você já tem a máquina: Linux, Python 3.10, uma GPU NVIDIA com compute capability 8.0 ou superior, CUDA entre 12.0 e 12.5, flash-attn sem caminho de fallback, sem inferência em CPU, validado em uma única H20 de 96GB. Uma estação de trabalho de estúdio atende a isso. O modo de falha é a fixação da versão do CUDA e a ausência de fallback, não a memória.

Os requisitos do PAN 2 são de outra categoria. Oito H200s em BF16 é o padrão documentado, com paralelismo de patches do VAE em quatro tiles por cima, porque decodificar um clipe de vinte segundos em 704×1248 é um problema de memória à parte. O número de 119 segundos para treze segundos em quatro B300s vem da receita do vLLM, e é o número que transforma toda questão de design em uma questão aritmética: cinquenta etapas do amostrador com deslocamento de fluxo de 9 e orientação de 2,5 em cada etapa são cem passagens diretas pelo transformer de 29B por clipe, e um planejador que avalia cinco ações candidatas por etapa de uma tarefa de dez etapas quer cinquenta clipes.

Portanto, a comparação de custos não é “qual é mais barato”. É que uma delas é uma ferramenta de estação de trabalho e a outra é uma carga de trabalho de cluster, e uma equipe que pode pagar pela primeira pode não conseguir executar a segunda de jeito nenhum. Essa assimetria não torna o PAN 2 pior. Ela torna a decisão fácil para qualquer pessoa cujo orçamento de GPU seja de uma única placa.

Qual pergunta você está realmente fazendo?

Se o seu problema é que um blockout está grosseiro demais, ou que um objeto escaneado não tem detalhes finos, o Hi3D v1.0 é a ferramenta e o PAN 2 é irrelevante — não há nada em um gerador de vídeo que lhe dê vértices. Planeje o orçamento do stack CUDA, verifique a dependência flash-attn antes de prometer uma data de entrega e lembre-se de que a malha chega com raio unitário.

Se o seu problema é que você precisa ver o que uma ação faz antes de se comprometer com ela — avaliação de planos, dados contrafactuais, um robô ou um agente que pré-visualiza suas escolhas — o PAN 2 é o único dos dois que responde, e responde em pixels com uma etapa omitida em cerca de dois em cada três planos, segundo sua própria ficha. Projete um verificador no ciclo, mantenha seus prompts dentro do orçamento de tokens e trate cada clipe como uma hipótese, não como uma medição.

Se você precisar dos dois, construa o pipeline na ordem em que os artefatos realmente fluem: entrada métrica primeiro, geometria em segundo, consequência em terceiro, e um modelo de linguagem em cada ponto de junção onde uma representação precisa se transformar em outra. Isso é mais engenharia do que o anúncio de qualquer um dos modelos sugere, e é o formato com que toda pilha séria de modelos de mundo de 2026 acabou.

O que mudaria esta página é um modelo que emite geometria com escala métrica e um eixo temporal — uma saída 4D com unidades. Nada em nenhum dos dois lançamentos aponta para isso. Até que algo aponte, o resumo preciso é que o PAN 2 mostra o que acontece e o Hi3D aprimora o que está lá, que nenhum dos dois dirá qual é o tamanho, e que a segunda limitação é a que decide silenciosamente quais dos seus projetos podem usar qualquer um dos dois.