PAN 2 vs Hy-Nomas: Mesma Licença, Mesma Família de Arquitetura, Duas Definições de "Ação"

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.

O critério de desempate que funciona é uma frase que nenhuma das equipes coloca no resumo: o que conta como ação. O sinal de controle do Hy-Nomas é para onde a câmera vai. O sinal de controle do PAN 2 é o que acontece na cena, registrado por um modelo de linguagem como uma sequência de eventos vinculados a atores. Eles são diferentes o suficiente para que um prompt que funcione bem em um seja quase sem sentido no outro e, se você aprender apenas uma coisa com esta comparação, que seja essa.

Duas interfaces de condicionamento, não dois níveis de qualidade

Hy-Nomas condiciona com base em texto e um caminho de câmera. O caminho é contínuo e geométrico: você informa para onde o ponto de vista se move, e o modelo gera um segmento condicionado a um histórico em cache para que o mundo permaneça coerente à medida que você viaja. Seu aprimorador de prompt, Nomas-PE, reescreve prosa solta em legendas JSON estruturadas, que é o mesmo instinto que o reescritor de prompt do PAN 2 segue na direção oposta — ambas as equipes concluíram que texto livre é vago demais para condicionar um transformador de difusão.

Onde eles divergem é o que a forma estruturada descreve. A estrutura do Hy-Nomas é espacial e centrada no ponto de vista; o que está sendo modelado com precisão é o movimento da câmera por uma cena. A estrutura do PAN 2 é temporal e centrada no ator: eventos em ordem, cada ação vinculada ao ator que a realiza, além do movimento da câmera como um campo entre vários. Leia o enquadramento do próprio IFM e a ênfase é inconfundível — a legenda descreve o que acontece após uma ação, e a demonstração que tornou o modelo famoso é um morango colocado em uma tigela, em que trocar a fruta ou o líquido muda o respingo.

• Condicionamento — Hy-Nomas recebe texto livre mais uma trajetória de câmera contínua; PAN 2 recebe um primeiro quadro opcional mais uma legenda de ação estruturada e ancorada no tempo.

• O que significa “ação” — Hy-Nomas: um movimento de câmera, ou seja, para onde você olha; PAN 2: um evento com um ator, ou seja, o que acontece.

• Estrutura de segmentos — O Hy-Nomas é autoregressivo por segmento sobre um histórico de KV em cache, portanto o contexto é propagado entre segmentos; o PAN 2 simula cada clipe a partir de no máximo um quadro inicial mais texto, sem estado transportado entre clipes.

• Saída — Hy-Nomas: 720×1280 a 24 fps em oito etapas destiladas; PAN 2: 704×1248 a 24 fps em cinquenta etapas do amostrador com orientação 2,5.

• Tamanho — Hy-Nomas: aproximadamente 8B distribuídos em 54 blocos MMDiT de fluxo duplo com tamanho oculto de 2.048, além de um decodificador PixelUMM ajustado sobre latentes DCAE-V; PAN 2: um MMDiT de 29B, além de um codificador de texto Qwen3.5-9B congelado e um VAE Wan 2.2.

• Hardware — Hy-Nomas: oito GPUs na implantação de referência, com um caminho de uma única RTX 4090 usando um DiT INT8, cache KV, decodificador FP8 e offload de CPU em cerca de 38GB; PAN 2: oito H200s em BF16 como padrão documentado, com uma receita que coloca treze segundos de vídeo em cerca de 119 segundos em quatro B300s.

• Tamanho dos pesos — Hy-Nomas: cerca de 196 GB no Hugging Face como tencent/Hy-Nomas; PAN 2: 86,17 GB distribuídos em sessenta arquivos como IFM/PAN2.

Sete dimensões e nenhuma delas é uma pontuação. O que elas descrevem é uma divergência de design: a Hy-Nomas colocou seus parâmetros em manter um mundo coeso à medida que você se move por ele; a PAN 2 colocou seus parâmetros em prever o que uma ação faz. Um caminho de câmera é barato de especificar e difícil de falsificar; uma sequência de eventos é expressiva e cara de gerar.

Onde a diferença realmente aparece: três tarefas, ambos os modelos

Contrastes abstratos são baratos. Estes são concretos.

Faça-me um tour por um apartamento. A Hy-Nomas vence de forma decisiva. Você quer um caminho contínuo por um corredor e entrando em uma cozinha, com o cômodo atrás de você permanecendo o cômodo atrás de você. Isso é geração autorregressiva por segmentos sobre um histórico em cache, que é exatamente para o que a arquitetura dela serve, e o PAN 2 não consegue fazer isso: ele renderiza um clipe, e o próximo clipe começa a partir de um quadro que você fornece, sem memória do que veio antes. Encadear clipes do PAN 2 para criar um percurso produz a deriva sobre a qual a própria ficha do modelo do PAN 2 alerta, em que a aparência muda entre clipes em interações longas porque cada um é simulado a partir de no máximo um quadro inicial.

Eu abro a gaveta e o copo cai. O PAN 2 vence, e não é por pouco. O pedido é um evento com um ator e uma consequência física. O condicionamento do Hy-Nomas não tem campo para "abre a gaveta" separado da câmera — você pode colocá-lo no prompt de texto, e seu aprimorador de prompt vai estruturá-lo, mas o orçamento de precisão do modelo foi gasto em ponto de vista, não em contato e consequência. O contrato de legenda do PAN 2 existe justamente para vincular ações a atores e ordená-las no tempo, e é por isso que a IFM lançou um validador que confere descrições contra o orçamento do codificador de texto de 1.480 tokens flexíveis e 1.536 rígidos, em vez de deixar a prosa passar.

Gere duzentas variantes de uma cena de manipulação para um conjunto de dados. Ambos estão errados, de maneiras diferentes. O Hy-Nomas lhe dará duzentos movimentos de câmera coerentes através de duzentas cenas e muito pouco controle sobre se o braço de fato agarra algo. O PAN 2 lhe dará duzentos clipes condicionados por ação e, segundo seu próprio cartão, cerca de dois em cada três planos conterão pelo menos uma etapa que não é executada — então um terço do seu conjunto de dados será inutilizável a menos que você construa um verificador. Nenhum dos dois é um motor de dados pronto para uso; a diferença é se a falha é deriva geométrica ou uma etapa omitida, e qual dessas sua tarefa a jusante consegue tolerar.

Essa terceira tarefa também é a que determina o seu hardware. Duzentos clipes de 720p em oito etapas em uma única 4090 quantizada levam uma tarde. Duzentos clipes em um nó com quatro B300 a 119 segundos por treze segundos de vídeo levam alguns dias, e essa aritmética é o verdadeiro motivo pelo qual os dois modelos não são intercambiáveis mesmo onde suas capacidades se sobrepõem.

A mesma falha com dois nomes diferentes

Ambos os cartões admitem a mesma fraqueza e nenhum deles a corrige: um modelo de mundo de horizonte longo perde o seu mundo. O PAN 2 diz que a aparência sofre deriva entre clipes e aponta a memória perceptual como a peça que falta. O Hy-Nomas aborda isso diretamente com um cache KV carregado e um padrão de atenção causal que mantém o contexto descritivo vivo entre segmentos, ao mesmo tempo que confina as instruções de ação à janela em que foram emitidas — e então relata, em sua própria avaliação, que ainda fica atrás do Genie 3 em memória espacial de longo prazo.

Essa última admissão é mais interessante do que uma vitória. Ela diz que o mecanismo de memória funciona bem o suficiente para superar Genie 3 e LingBot-World v2 em interação e adesão ao prompt — cerca de 65% de taxa de vitória em adesão ao prompt em um benchmark de 280 casos que abrange texto multi-turno, navegação por câmera, texto e câmera intercalados, e memória espacial — e ainda assim perde na trilha que mede se o mundo permanece no lugar. Essas são as comparações dos autores com as linhas de base escolhidas pelos autores no benchmark dos autores e, como todo número nessa categoria, não são reproduzidas. O que elas não são é vago: um modelo que publica onde perde é um modelo em torno do qual você pode planejar.

A tradução útil para quem quer que esteja a construir sobre qualquer um dos dois: a persistência não é uma propriedade que se possa assumir e verificar mais tarde. É a primeira coisa a medir nas suas próprias cenas, com a sua própria tolerância ao desvio, antes de comprometer um pipeline com um modelo. Nenhum dos fornecedores publica uma curva de tempo até à falha — a duração ao fim da qual uma cena deixa de ser fiável — e esse número em falta importa mais do que qualquer posição num benchmark.

O custo não é uma diferença de arredondamento, é a decisão.

Deixe o argumento sobre capacidade de lado por um momento e veja o que é necessário para executar cada um por uma semana.

O caminho com uma única 4090 do Hy-Nomas é o fato mais importante desta comparação, e é fácil passá-lo despercebido diante da implantação de referência com oito GPUs. Um DiT INT8 com cache KV, um decodificador FP8 e offload para CPU cabe em aproximadamente 38GB, o que significa que um estúdio com uma placa de nível workstation pode gerar vídeo interativo em 720p sem alugar nada. A configuração com oito GPUs é o que o benchmark descreve; a configuração com a 4090 é o que um leitor pode realmente fazer hoje à noite.

O PAN 2 não tem um caminho comparável publicado. Seu padrão documentado é oito H200s em BF16 com paralelismo de patches do VAE em quatro tiles, e a receita de serving que todo mundo cita — treze segundos de 704×1248 em cerca de 119 segundos — pressupõe quatro B300s. Pior ainda, o sampler é caro por design: cinquenta passos com guidance de 2,5 aplicado a cada passo são cem passagens forward por um transformer de 29B por clipe, e é por isso que a orientação livre de classificador precisa ser dividida entre ranks e o paralelismo de sequência distribuído por mais deles. Não há uma história de placa única quantizada no lançamento, e fingir o contrário seria inventar uma.

Então, a frase honesta sobre custo é esta: Hy-Nomas custa uma GPU que você provavelmente tem, PAN 2 custa um nó de GPU que você provavelmente não tem, e nenhuma diferença de qualidade em qualquer direção muda isso para uma equipe pequena.

O ângulo de roteamento aqui é estreito e vale a pena declarar com precisão, porque ambos são modelos que você mesmo hospeda e nenhum deles está no catálogo do OrcaRouter. O que é roteável é a parte que ambas as arquiteturas adicionaram porque texto livre não era suficiente: o estágio de aprimoramento de prompt. O Nomas-PE do Hy-Nomas reescreve prosa em legendas JSON estruturadas; o prompt-rewriter do PAN 2 mantém um prompt de sistema, um prompt negativo fixo e um validador contra o orçamento de tokens do codificador. Essas são chamadas de modelo de linguagem, e são o estágio em que um modelo diferente muda de forma mensurável o que o renderizador recebe. O IFM classificou quatro raciocinadores para seu estágio de legendas — Claude Opus 5.5, GPT-6 Astra em esforço médio, Kimi K3, Qwen3.8-Flash — e todos os quatro estão no catálogo, então a metade de reescrita de qualquer um dos pipelines pode ser trocada e comparada por meio de uma única chave ao preço de lista do provedor com 0% de margem, com failover quando uma chamada de reescrita expira no meio do lote. Os renderizadores 29B e 8B permanecem no seu hardware. Essa é toda a afirmação.

O que os dois cartões de modelo realmente contêm

Ambos os lançamentos tornam pública uma carta, e as cartas diferem no que estão dispostas a admitir.

O relatório de Hy-Nomas, arXiv 2610.36729, de 27 de outubro de 2026, descreve o truque que faz a interação multiturno funcionar: legendas estruturadas são alinhadas a um padrão de atenção causal ciente de ações, de modo que o contexto descritivo persiste entre segmentos enquanto as instruções de ação ficam confinadas à janela em que foram emitidas. A avaliação é um benchmark de 280 casos em quatro trilhas — texto multiturno, navegação por câmera, texto e câmera intercalados e memória espacial —, julgado por comparação humana pareada com Genie 3, LingBot-World v2 e Happy Oyster. Ele vence em interação e adesão ao prompt, com uma taxa de vitória relatada de cerca de 65% em adesão ao prompt, e perde para o Genie 3 em memória espacial de longo prazo. Os pesos têm cerca de 196 GB como tencent/Hy-Nomas sob Apache 2.0, com código no GitHub e uma demonstração hospedada.

O card do PAN 2 é mais longo e menos lisonjeiro. A arquitetura é a previsão latente generativa de Critique of World Models (arXiv 2507.05169), e o mesmo documento que a descreve lista as falhas: cerca de dois em cada três planos simulados perdem pelo menos uma etapa, a aparência deriva entre clipes porque não há estado carregado, a redação da observação e da ação altera o resultado, o texto expressa bem “abrir uma gaveta” e mal “colocar cada dedo aqui”, uma simulação pode avançar enquanto viola a física, e a simulação de planos que deveriam falhar ainda não é medida.

Leia os dois lado a lado e a diferença no estilo de divulgação é óbvia. Hy-Nomas relata uma taxa de acerto e uma perda; PAN 2 relata uma taxa de falha e uma lista. Nenhum dos dois é uma auditoria, e ambos foram escritos pelas equipes que criaram os modelos. Mas uma ficha que informa onde o modelo perde é um documento com base no qual você pode planejar, e ambos se qualificam — o que é mais do que a maioria de seus concorrentes fechados oferece.

Qual deles, e o que mudaria a resposta?

Escolha o Hy-Nomas se o seu problema for exploração ou conteúdo: um mundo pelo qual alguém caminha, um movimento de câmera que alguém dirige, uma cena 720p coerente a partir de um prompt em uma única placa. Seu mecanismo de memória, seu condicionamento de câmera e seu caminho para a 4090 apontam todos para o mesmo usuário — alguém que precisa ver um lugar e percorrê-lo, de forma barata, agora.

Escolha o PAN 2 se o seu problema for uma decisão: um agente que precisa de pré-visualizar o que uma ação faz, um planeador que classifica planos candidatos, uma questão de investigação sobre se uma descrição estruturada de um evento é suficiente para gerar a sua consequência. O seu contrato de legendas, o seu harness publicado e os seus pesos Apache-2.0 apontam todos para um utilizador com quem é preciso argumentar com honestidade e que tem o hardware para pagar por isso.

Duas coisas resolveriam o impasse de um jeito que nenhum dos fornecedores permite atualmente. Uma memória no estilo Hy-Nomas transportada entre segmentos em um modelo com o condicionamento de ação do PAN 2 seria um produto consideravelmente melhor do que qualquer um dos dois. Um estudo de falhas publicado — com o PAN 2 simulando planos que deveriam falhar e o Hy-Nomas medindo a deriva ao longo de dez minutos, em vez de um — responderia à pergunta que ambos os cartões deixam em aberto. Até que uma dessas coisas se concretize, a escolha não é sobre qual modelo é melhor. É sobre se o seu mundo é algo pelo qual você se move ou algo que acontece com você.