PAN 2 vs Hunyuan3D WorldClaw: Um Modelo com Duas Metades, ou Cinquenta Modelos em um Sobretudo

Coloque esses dois lado a lado e a primeira coisa que você percebe é que eles não são o mesmo tipo de objeto. O PAN 2 é um modelo: 29 bilhões de parâmetros de um transformer de difusão multimodal do Institute of Foundation Models, Apache-2.0 no Hugging Face desde 7 de outubro de 2026, código em 5 de novembro, suporte Day-0 do vLLM-Omni em 10 de novembro, e ele faz uma coisa só — dado um quadro inicial e uma ação descrita, ele renderiza até vinte segundos de vídeo em 704×1248 a 24 quadros por segundo, prevendo a consequência. O Hunyuan3D WorldClaw é um framework: o pipeline agêntico da Tencent Hunyuan para transformar um prompt de texto aberto em uma cena 3D explorável feita de malhas explícitas texturizadas por objeto, descrito no arXiv 2608.05248 em 5 de agosto de 2026 e anunciado em 11 de agosto, com um repositório que contém um README e assets e nenhum código. Um é um checkpoint baixável que você executa. O outro é um método publicado que você teria que reconstruir.

A segunda coisa que você nota é mais útil. O próprio paper da WorldClaw nomeia os modelos em que roda, e essa lista é uma lista de compras de componentes de terceiros: Claude Opus 4.8 para planejamento, GPT-Image-2 para imagens, SAM3 e SAM3D para segmentação, Hunyuan3D para reconstrução, Blender 5.1.1 acionado via MCP para montagem, tudo em quatro NVIDIA H20. O PAN 2 nomeia um componente e o deixa intercambiável: qualquer modelo de linguagem que segue instruções escreve a legenda estruturada, e o IFM classificou quatro deles. Essa é a comparação real — não cenas versus vídeo, mas o que acontece com um sistema quando a inteligência é distribuída por uma cadeia de fornecedores em vez de concentrada em um único checkpoint.

Duas arquiteturas, desenhadas com honestidade

O design do PAN 2 é a Predição Latente Generativa a partir de Crítica dos Modelos de Mundo (arXiv 2507.05169). Um raciocinador conceitual escreve o próximo estado do mundo como uma descrição estruturada e ancorada no tempo — eventos em ordem, ações vinculadas a atores, movimento de câmera —, um codificador de texto Qwen3.5-9B congelado o mapeia para características de condicionamento, um transformador de difusão de 29B preenche os detalhes perceptivos, e um VAE Wan 2.2 decodifica os quadros. Duas metades, um repositório, uma licença.

O design do WorldClaw é um ciclo de refinamento em quatro etapas que seus autores descrevem como do grosseiro ao refinado: agentes de modelo de linguagem leem o prompt e produzem um plano de cena; uma passada global gera layout semântico, campos de altura e materiais para que o solo seja coerente antes de qualquer coisa repousar sobre ele; regiões são renderizadas, segmentadas e reconstruídas em malhas individuais por meio do Hunyuan3D; e um agente de visão inspeciona a renderização em busca de objetos flutuando, interpenetração, escala errada e pose errada, e então envia correções de volta. A promessa de geometria explícita é cumprida — você obtém objetos, não uma massa fundida ou um splat gaussiano — e os agentes fazem seu trabalho uma única vez, antes de você carregar a cena.

Onde os dois convergem é a parte que vale a pena internalizar: em ambos os sistemas, os pixels são a metade rápida e barata, e um modelo de linguagem decide o que deve existir. Onde eles divergem é em quem é dono do modelo de linguagem. A IFM tratou o raciocinador como uma variável e publicou o harness que ranqueou os candidatos. A Tencent tratou o raciocinador como uma dependência e nomeou um.

O que a palavra "agentic" oferece, e o que custa

A armadilha nesta comparação é que ambos os anúncios usam a palavra, e nenhum dos dois quer dizer a mesma coisa com ela.

{{1}}Agentes como autores{{/1}} — Os planejadores do WorldClaw decompõem um prompt em um plano de cena e seu agente de visão emite correções; o raciocinador do PAN 2 escreve uma legenda descrevendo o que acontece a seguir.

Quando a inteligência é executada — a do WorldClaw é executada uma vez, no loop de autoria, e some quando as malhas são exportadas; a do PAN 2 é executada uma vez por clipe, a cada chamada, durante toda a vida do sistema.

• Tipo de saída — o WorldClaw retorna um arquivo de cena com malhas, materiais e transformações individuais; o PAN 2 retorna um MP4 sem geometria alguma.

• Editabilidade — a saída do WorldClaw abre num modelador, é retopologizada e posicionada; a única superfície editável do PAN 2 é a legenda, portanto revisar significa renderizar novamente.

• Superfície de dependências — WorldClaw exige seis componentes licenciados separadamente e uma instalação do Blender; PAN 2 exige os pesos, um codificador de texto e um VAE.

• O que significa "bom" — o WorldClaw é avaliado por se a cena se monta sem objetos flutuantes; o PAN 2 é avaliado por se a consequência que ele apresenta é a que a ação realmente produziria.

O custo da inteligência distribuída do WorldClaw não é conceitual, é operacional: seis componentes significam seis conjuntos de termos, seis modos de falha e seis lugares onde uma atualização de versão pode alterar a saída. O custo da inteligência concentrada do PAN 2 é o inverso — uma licença, uma árvore de dependências e um motor de raciocínio que você precisa avaliar por conta própria, porque a classificação dele feita pelo fornecedor é do fornecedor.

Nenhum dos dois custos é um defeito. Mas isso explica por que os dois raramente são a resposta certa para a mesma pergunta: um é um pipeline de conteúdo, o outro é um motor de consequências, e uma equipe que precisa de malhas não encontrará nada no PAN 2 que a ajude.

Dois pipelines, escritos como uma sequência de estágios

A sequência é onde a diferença entre um modelo e um framework aparece de forma mais evidente.

• PAN 2, uma chamada — leia a observação e a ação solicitada, escreva o estado estruturado do mundo, codifique-o, execute cinquenta etapas de difusão com orientação 2.5, decodifique vinte segundos de 704×1248. Nada nessa sequência persiste após o clipe.

• WorldClaw, quatro etapas — planeje a cena com um modelo de linguagem, gere o layout semântico global e os campos de altura, renderize e segmente regiões e reconstrua cada uma em uma malha, depois inspecione a renderização com um agente de visão e envie correções de volta. Nada nessa sequência é um único modelo.

• Onde o estado reside — o único artefacto durável do PAN 2 é a legenda e o MP4; o do WorldClaw é um ficheiro de cena com malhas, materiais e transformações individuais que sobrevive ao pipeline.

• Onde pode falhar — PAN 2 falha dentro da renderização: uma etapa omitida, deriva, um atalho de física. WorldClaw falha em uma costura: um planejador que interpretou mal o prompt, um segmentador que cortou um objeto ao meio, um reconstruidor que produziu a escala errada, um montador que fez duas malhas se interpenetrarem.

• O que você pode inspecionar — PAN 2 oferece um vídeo e um orçamento de tokens; WorldClaw oferece geometria que você pode medir e, portanto, erros que você pode atribuir.

A última linha é a que vale a pena manter. Uma falha à qual você consegue atribuir uma causa é mais barata de corrigir do que uma falha que você só consegue enxergar, e um pipeline de malha oferece isso de graça, porque os artefatos intermediários são inspecionáveis. Um pipeline de vídeo oferece uma resposta final e uma legenda e, quando a resposta está errada, sua única alavanca é a legenda.

Isso também explica por que o estágio de correção do agente de visão da WorldClaw existe. Interpenetração, objetos flutuantes, pose incorreta e escala incorreta são os modos de falha de montar geometria a partir de peças geradas separadamente, e nenhum deles é visível até você renderizar e olhar. Um único modelo não precisa desse estágio porque um único modelo não consegue produzir uma cena cujas partes discordem — ele só consegue produzir uma cena que está errada como um todo.

A lacuna de avaliação não é simétrica e aponta na direção oposta à das licenças.

A avaliação publicada do WorldClaw é qualitativa. O artigo compara sua saída lado a lado com SynCity, WorldGen, MajutsuCity e Marble, e não há FID, nem pontuação CLIP, nem estudo de usuário com um número associado. Para um artigo que descreve um framework de geração de cenas, isso é uma lacuna real, e qualquer equipe que o reimplemente deve tratar "parece melhor que o SynCity" como uma hipótese, e não como um resultado.

O PAN 2 publicou mais — e rotulou suas condições com mais precisão — do que a maioria dos lançamentos de modelos de vídeo. Trezentos casos de teste de ação única em seis categorias de capacidade, 201 de imagem para vídeo e 99 de texto para vídeo; cem tarefas cotidianas egocêntricas propostas das duas formas, 200 prompts e 456 etapas, pontuadas quanto à conclusão de etapas e à conclusão do plano completo em três seeds; Physics-IQ Verified na configuração de imagem para vídeo, normalizado de modo que a variância entre duas tomadas reais seja igual a 100; PhyGround em uma escala de cinco pontos avaliado pelo Qwen3.8-27B; RBench como média não ponderada sobre cinco categorias de tarefa e quatro categorias de encarnação; e um estudo humano cego com comparações pareadas em 140 prompts, com treze avaliadores e 1.400 comparações, Elo ajustado por Bradley–Terry e centrado em 1500.

Treze revisores são um painel pequeno, e eles estavam julgando o modelo dos autores em relação às baselines dos autores, com os modelos de comparação fechados gerados uma única vez por meio de uma API de inferência de terceiros e várias linhas sinalizadas como de semente única. Nada disso é independente. Tudo isso é legível, o que é a segunda melhor coisa — e é a diferença entre um lançamento com o qual você pode discutir e um que você só pode olhar.

As licenças, então, seguem na direção oposta à das evidências. O PAN 2 é Apache-2.0, sem restrições de acesso, 86,17 gigabytes em sessenta arquivos, sem exigência de atribuição, sem limite de usuários. O WorldClaw não tem licença a ser lida, porque não há nada para licenciar: o projeto no GitHub contém um README e recursos, nenhum código, nenhum peso, nenhum script de inferência, nenhuma API e nenhum preço. Um artigo de framework sem implementação é uma descrição de um método, não uma ferramenta, e a exigência de quatro H20, além de sua dependência de uma pilha de modelos licenciados separadamente, significa que um lançamento não seria um download direto, mesmo se acontecesse.

Onde um roteador é de fato estrutural — e não é onde você espera.

Este é o par raro em que o fato comercial interessante fica do lado do framework. A metade de planejamento da WorldClaw não é um modelo misterioso por trás de uma API — ela é nomeada no artigo, e os componentes que ela nomeia são modelos comuns de catálogo. Claude Opus 4.8 está no catálogo da OrcaRouter. GPT-Image-2 também. Assim como os quatro modelos de raciocínio que a IFM classificou para a etapa de legendas do PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 e Qwen3.8-Flash.

Isso significa que uma equipe que esteja reimplementando a decomposição do WorldClaw — planejamento, terreno, objetos, refinamento — pode montar os estágios de linguagem e imagem hoje por meio de uma única chave, ao preço de tabela de cada provedor, repassado com 0% de markup, com failover automático quando uma chamada de planejamento expira no meio da construção. A mesma chave alimenta o slot de raciocínio do PAN 2 quando você troca o gerador de legendas entre experimentos e mantém o renderizador de 29B fixo no seu próprio nó. O que o OrcaRouter não faz é hospedar nem o PAN 2 nem o Hunyuan3D WorldClaw: um é um modelo de difusão de vídeo que você executa no seu hardware; o outro não existe como código executável em lugar nenhum. Nada neste artigo deve ser interpretado como uma sugestão em contrário.

A formulação honesta é que nós roteamos as costuras. Em um pipeline no estilo WorldClaw, há três delas — prompt para plano, plano para imagem, render para crítico — e cada uma é uma chamada tarifada. Em um pipeline PAN 2, há uma, e é a única parte que não precisa de GPU. Essa é uma afirmação mais restrita do que "executamos modelos de mundo", e é a verdadeira.

O que cada design ensina a você mesmo que você não execute nenhum dos dois

A ideia mais transferível da WorldClaw é a decomposição, não a cena. Planejar, dispor o terreno, reconstruir objetos individualmente e, em seguida, inspecionar e corrigir — essa estrutura em quatro estágios é uma arquitetura sólida para qualquer pipeline cuja saída precise ser editada posteriormente, e a escolha de malha explícita é a certa para qualquer coisa que saia do pipeline e chegue a um motor de jogo. O loop de correção com um agente de visão inspecionando objetos flutuantes e escala errada é a parte que a maioria das equipes pula e que a maioria se arrepende de pular.

A ideia mais transferível do PAN 2 é o contrato de legenda. A interface não é uma caixa de prompt; é uma descrição estruturada e ancorada no tempo, com um orçamento de tokens de 1.480 flexível e 1.536 rígido, uma skill de reescrita de prompt já incluída, um prompt negativo fixo e um validador que confere as legendas contra o limite do encoder. Texto livre é reescrito antes do uso, e o model card diz claramente que os estudos de caso do agente dependiam de prompts refinados manualmente. Qualquer equipe que esteja construindo um world model ou consumindo um deveria copiar isso: o contrato entre a metade de raciocínio e a metade de renderização é onde a qualidade se ganha ou se perde, e ele merece um schema em vez de uma intuição.

Os dois projetos também compartilham uma falha que a área ainda não resolveu, e falham nela de maneiras diferentes. O PAN 2 sofre deriva de aparência entre clipes porque cada um é simulado a partir de no máximo um quadro inicial mais texto, e sua ficha aponta a memória perceptual como a peça que falta; sua própria seção de limitações começa com a admissão de que cerca de dois em cada três planos simulados contêm pelo menos uma etapa que não é executada. A deriva do WorldClaw é geométrica e espacial: interpenetração, escala errada, objetos que flutuam, e é por isso que ele precisa de um agente de visão no loop. Um precisa de memória, o outro precisa de um inspetor, e nenhum dos dois publicou uma curva medida de quão ruim isso fica ao longo do tempo.

A decisão, de uma só vez

Se você precisa de um lugar — um nível, um conjunto de dados sintético de interiores, um set de produção virtual —, o WorldClaw é a referência mais relevante, e você não consegue executá-lo. Leve a decomposição em quatro estágios e a saída de malha explícita para a sua própria implementação, inclua no orçamento a máquina da classe de quatro H20 mais uma dependência do Blender, e substitua a avaliação qualitativa por algo que você consiga medir, porque o artigo não fornece uma.

Se você precisa de uma consequência — o que um plano faz, antes de você se comprometer com ele —, o PAN 2 pode ser baixado hoje à tarde, tem licença permissiva e é honesto quanto a falhar em dois de três planos. Leia primeiro a página de limitações, mantenha um verificador no circuito e espere gastar horas de GPU em vez de dólares por token: treze segundos de vídeo levam cerca de 119 segundos em quatro B300s, e o amostrador executa cem passagens diretas por clipe.

Se você está construindo a coisa que nenhum dos dois laboratórios lançou — um mundo que você pode editar como geometria e depois observar se comportar —, você está montando isso sozinho a partir de um refinador, um construtor de cenas, um renderizador e um modelo de linguagem em cada junção. Isso dá mais trabalho do que qualquer um dos anúncios sugere, e é aí que vai acontecer o próximo ano de trabalho prático nesta categoria.

O que mudaria esta página é código. Um lançamento do WorldClaw com pesos e um script de inferência transformaria um método em uma ferramenta e tornaria a comparação algo vivo; uma variante do PAN 2 que emitisse profundidade junto com o RGB faria o mesmo na direção oposta. Nenhum dos dois existe hoje. Até que um exista, o resumo preciso é: um motor de consequências baixável e uma estrutura de cenas impossível de construir, e a única coisa que eles realmente compartilham é a ambição de prever um mundo em vez de renderizar uma imagem dele.