PAN 2 против Hunyuan3D WorldClaw: одна модель из двух половин — или пятьдесят моделей в одном плаще

Put these two side by side and the first thing you notice is that they are not the same kind of object. PAN 2 is a model: 29 billion parameters of multi-modal diffusion transformer from the Institute of Foundation Models, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, and it does one thing — given a starting frame and a described action it renders up to twenty seconds of 704×1248 video at 24 frames per second predicting the consequence. Hunyuan3D WorldClaw is a framework: T​encent Hunyuan's agentic pipeline for turning one open-ended text prompt into an explorable 3D scene made of explicit textured per-object meshes, described in arXiv 2608.05248 on 5 August 2026 and announced on 11 August, with a repository that holds a README and assets and no code. One is a downloadable checkpoint you run. The other is a published method you would have to rebuild.

Второе, что бросается в глаза, полезнее. В собственной статье WorldClaw перечисляет модели, на которых работает, и этот список — настоящий перечень покупок из чужих компонентов: Claude Opus 4.8 для планирования, GPT-Image-2 для изображений, SAM3 и SAM3D для сегментации, Hunyuan3D для реконструкции, Blender 5.1.1 под управлением MCP для сборки — и всё это на четырёх NVIDIA H20s. PAN 2 называет один компонент и оставляет его заменяемым: структурированную подпись пишет любая языковая модель, следующая инструкциям, и IFM ранжировала четыре из них. Вот это и есть настоящее сравнение — не сцены против видео, а то, что происходит с системой, когда интеллект распределён по цепочке поставщиков, а не сосредоточен в одном чекпоинте.

Две архитектуры, нарисованные честно

Дизайн PAN 2 — это Generative Latent Prediction из «Критики мировых моделей» (arXiv 2507.05169). Концептуальный модуль рассуждения записывает следующее состояние мира как структурированное описание, привязанное ко времени, — события по порядку, действия, привязанные к действующим лицам, движение камеры; замороженный текстовый энкодер Qwen3.5-9B преобразует его в условные признаки, 29B-диффузионный трансформер заполняет перцептивные детали, а VAE Wan 2.2 декодирует кадры. Две половины, один репозиторий, одна лицензия.

Дизайн WorldClaw — это четырёхэтапный цикл уточнения, который его авторы описывают как «от грубого к точному»: агенты на основе языковых моделей читают промпт и создают план сцены; глобальный проход генерирует семантическую компоновку, поля высот и материалы, чтобы земля была согласованной ещё до того, как на ней что-либо появится; регионы рендерятся, сегментируются и реконструируются в отдельные меши с помощью Hunyuan3D; а визуальный агент проверяет рендер на наличие парящих объектов, взаимопроникновений, неверного масштаба и неверной позы, после чего отправляет исправления обратно. Обещание явной геометрии соблюдается — вы получаете объекты, а не слитый комок или гауссов сплат — и агенты выполняют свою работу один раз, ещё до того, как вы вообще загрузите сцену.

Where the two converge is the part worth internalising: in both systems the pixels are the fast, cheap half and a language model decides what should exist. Where they diverge is who owns the language model. IFM treated the reasoner as a variable and published the harness that ranked the candidates. T​encent treated the reasoner as a dependency and named one.

Что даёт слово «agentic» и чего оно стоит

Подвох в этом сравнении заключается в том, что оба объявления используют это слово, но ни одно из них не подразумевает под ним одно и то же.

• Агенты как авторы — планировщики WorldClaw разбивают промпт на план сцены, а его агент зрения вносит исправления; компонент рассуждения PAN 2 пишет подпись с описанием того, что произойдёт дальше.

• Когда интеллект запускается — у WorldClaw он выполняется один раз, в цикле авторинга, и исчезает при экспорте мешей; у PAN 2 — один раз на клип, при каждом вызове, на протяжении всего срока службы системы.

• Тип выходных данных — WorldClaw возвращает файл сцены с отдельными мешами, материалами и трансформациями; PAN 2 возвращает MP4, в котором вообще нет геометрии.

• Редактируемость — результат WorldClaw открывается в программе для моделирования, проходит ретопологизацию и размещается; единственная редактируемая поверхность PAN 2 — подпись, поэтому внесение правок означает повторный рендеринг.

• Зависимости — WorldClaw требует шесть отдельно лицензируемых компонентов и установленный Blender; PAN 2 требует веса, текстовый энкодер и VAE.

• Что означает «хорошо» — WorldClaw оценивается по тому, собирается ли сцена без парящих объектов; PAN 2 оценивается по тому, является ли отображаемое им последствие тем, которое действие действительно произвело бы.

Цена распределённого интеллекта WorldClaw не концептуальна, а операционна: шесть компонентов означают шесть наборов терминов, шесть режимов отказа и шесть мест, где обновление версии может изменить выходные данные. Цена концентрированного интеллекта PAN 2 — обратная: одна лицензия, одно дерево зависимостей и средство логического вывода, которое вам придётся оценивать самостоятельно, потому что рейтинг, который даёт ему поставщик, — это рейтинг поставщика.

Ни одна из этих издержек не является дефектом. Но это объясняет, почему эти два редко оказываются правильным ответом на один и тот же вопрос: один — это конвейер контента, другой — движок последствий, и команда, которой нужны меши, не найдёт в PAN 2 ничего, что могло бы ей помочь.

Два конвейера, записанные как последовательность этапов

Именно последовательность — это то, где разница между моделью и фреймворком проявляется наиболее отчётливо.

• PAN 2, один вызов — прочитать наблюдение и запрошенное действие, записать структурированное состояние мира, закодировать его, выполнить пятьдесят шагов диффузии при guidance 2.5, декодировать двадцать секунд в разрешении 704×1248. Ничто из этой последовательности не сохраняется после клипа.

• WorldClaw, четыре этапа — спланировать сцену с помощью языковой модели, сгенерировать глобальную семантическую компоновку и поля высот, отрендерить и сегментировать области и реконструировать каждую в меш, затем проверить рендер с помощью визуального агента и отправить исправления обратно. Ничто в этой последовательности не является единой моделью.

• Где живёт состояние — единственный долговечный артефакт PAN 2 — это подпись и MP4; у WorldClaw — это файл сцены с отдельными сетками, материалами и трансформациями, который переживает конвейер.

• Где возможен сбой — PAN 2 даёт сбой внутри рендера: пропущенный шаг, дрейф, физическое упрощение. WorldClaw даёт сбой на стыке: планировщик, неверно понявший промпт, сегментатор, разрезавший объект пополам, реконструктор, создавший неверный масштаб, сборщик, допустивший взаимопроникновение двух мешей.

• Что можно проверить — PAN 2 даёт вам видео и бюджет токенов; WorldClaw даёт вам геометрию, которую можно измерить, а следовательно, и ошибки, для которых можно установить причину.

Последнюю строку стоит сохранить. Сбой, причину которого можно определить, дешевле исправить, чем сбой, который вы можете только наблюдать, и mesh-конвейер даёт это бесплатно, поскольку промежуточные артефакты доступны для проверки. Видеоконвейер даёт окончательный ответ и подпись, а когда ответ неверен, единственный рычаг — это подпись.

Это также объясняет, почему этап коррекции с помощью vision-агента в WorldClaw вообще существует. Взаимопроникновение, парящие объекты, неверная поза и неверный масштаб — это режимы отказа при сборке геометрии из отдельно сгенерированных фрагментов, и ни один из них не виден, пока не отрендеришь и не посмотришь. Одной модели этот этап не нужен, потому что одна модель не может создать сцену, части которой не согласуются друг с другом — она может создать лишь сцену, неправильную в целом.

Разрыв в оценке не симметричен и указывает в сторону, противоположную лицензиям.

Опубликованная оценка WorldClaw является качественной. В статье её результаты сравниваются напрямую с SynCity, WorldGen, MajutsuCity и Marble, и там нет ни FID, ни оценки CLIP, ни пользовательского исследования с числовыми показателями. Для статьи, описывающей фреймворк генерации сцен, это реальный пробел, и любой команде, которая будет повторно реализовывать его, следует рассматривать «выглядит лучше, чем SynCity» как гипотезу, а не как результат.

PAN 2 опубликовала больше и точнее обозначила свои условия, чем большинство релизов видеомоделей. Триста тестовых случаев с одним действием в шести категориях возможностей: 201 «изображение в видео» и 99 «текст в видео»; сто эгоцентрических повседневных задач, поставленных обоими способами, 200 промптов и 456 шагов, с оценкой выполнения шагов и выполнения полного плана на трёх сидах; Physics-IQ Verified в режиме «изображение в видео», нормализованный так, чтобы дисперсия между двумя реальными дублями равнялась 100; PhyGround по пятибалльной шкале с оценкой Qwen3.8-27B; RBench как невзвешенное среднее по пяти категориям задач и четырём категориям воплощения; и слепое попарное исследование с участием людей на 140 промптах с тринадцатью оценщиками и 1400 сравнениями, Elo, подогнанный методом Брэдли–Терри и отцентрированный на 1500.

Тринадцать рецензентов — небольшая панель, и они оценивали модель авторов по сравнению с их же базовыми моделями, причём закрытые модели для сравнения были сгенерированы один раз через сторонний API инференса, а несколько строк помечены как полученные на одном сиде. Ничто из этого не является независимым. Зато всё это прозрачно — а это лучшее из возможного — и в этом разница между релизом, с которым можно спорить, и тем, на который можно только смотреть.

При этом лицензии говорят об обратном по сравнению со свидетельствами. PAN 2 распространяется под Apache-2.0, без ограничений доступа, объёмом 86,17 гигабайта в шестидесяти файлах, без требования указания авторства и без порога для пользователей. У WorldClaw нет лицензии, которую можно прочитать, потому что лицензировать нечего: проект на GitHub содержит README и ассеты, но не содержит кода, весов, скрипта инференса, API и цены. Статья о фреймворке без реализации — это описание метода, а не инструмент, а требование наличия четырёх H20 вместе с зависимостью от стека отдельно лицензируемых моделей означает, что релиз не был бы готовым к непосредственному использованию скачиванием, даже если бы он состоялся.

Где маршрутизатор на самом деле является несущим элементом — и это не там, где вы ожидаете

Это редкая пара, где интересный коммерческий факт находится на стороне фреймворка. Часть планирования WorldClaw — не загадочная модель за API: она названа в статье, а компоненты, которые она называет, — это обычные модели из каталога. Claude Opus 4.8 есть в каталоге OrcaRouter. GPT-Image-2 тоже. Как и четыре reasoning-модели, которые IFM ранжировал для этапа формирования подписей в PAN 2: Claude Opus 5.5, GPT-6 Astra, Kimi K3 и Qwen3.8-Flash.

Это означает, что команда, повторно реализующая декомпозицию WorldClaw — план, рельеф, объекты, уточнение — может собрать языковые и визуальные этапы уже сегодня через один ключ, по списочной цене каждого провайдера, передаваемой с наценкой 0%, с автоматическим переключением при сбое, если вызов планирования завершается по тайм-ауту в середине сборки. Тот же ключ задействует слот механизма рассуждений PAN 2, когда вы меняете генератор подписей между экспериментами, а 29B-рендерер держите закреплённым на своём собственном узле. OrcaRouter не хостит ни PAN 2, ни Hunyuan3D WorldClaw: одна — это модель видеодиффузии, которую вы запускаете на своём оборудовании, а другая нигде не существует в виде исполняемого кода. Ничто в этой статье не следует понимать как утверждение об обратном.

Честная формулировка такова: мы маршрутизируем стыки. В пайплайне в стиле WorldClaw их три — от промпта к плану, от плана к изображению, от рендера к критику — и каждый из них представляет собой тарифицируемый вызов. В пайплайне PAN 2 он один, и это единственная часть, которой не нужен GPU. Это более узкое утверждение, чем «мы запускаем world models», но именно оно соответствует действительности.

Чему учит каждый дизайн, даже если вы не запускаете ни один из них

Самая универсальная идея WorldClaw — это декомпозиция, а не сцена. Планирование, разметка рельефа, поочерёдная реконструкция объектов, затем проверка и исправление — эта четырёхэтапная структура является разумной архитектурой для любого конвейера, чьи выходные данные придётся редактировать позже, а выбор явной сетки — правильный для всего, что покидает конвейер и попадает в игровой движок. Цикл исправления с агентом компьютерного зрения, который проверяет наличие парящих объектов и неверного масштаба, — это та часть, которую большинство команд пропускает и о пропуске которой большинство команд потом жалеет.

Самая переносимая идея PAN 2 — это контракт подписи. Интерфейс здесь не поле для промпта, а структурированное описание, привязанное ко времени, с бюджетом токенов 1 480 (мягкий) и 1 536 (жёсткий), поставляемым навыком prompt-rewriter, фиксированным негативным промптом и валидатором, который проверяет подписи на соответствие лимиту энкодера. Свободный текст переписывается перед использованием, а карточка модели прямо сообщает, что кейсы агентов опирались на вручную уточнённые промпты. Любой команде, которая строит модель мира или использует её, стоит перенять это: контракт между рассуждающей половиной и половиной, отвечающей за рендеринг, — это то, где качество выигрывается или теряется, и он заслуживает схемы, а не интуиции.

Оба проекта также разделяют недостаток, который отрасль ещё не решила, и проявляется он у них по-разному. PAN 2 дрейфует по внешнему виду от клипа к клипу, потому что каждый из них симулируется максимум из одного начального кадра плюс текста, и в его карточке в качестве недостающего элемента называется перцептивная память; его собственный раздел об ограничениях начинается с признания, что примерно в двух из трёх симулированных планов есть как минимум один шаг, который не выполняется. Дрейф WorldClaw — геометрический и пространственный: взаимопроникновение, неверный масштаб, плавающие объекты; именно поэтому ему вообще нужен визуальный агент в контуре. Одному нужна память, другому — инспектор, и ни один из них не опубликовал измеренную кривую того, насколько всё ухудшается со временем.

Решение, за один проход

Если вам нужно место — уровень, синтетический датасет интерьеров, площадка виртуального производства — WorldClaw является более релевантным ориентиром, а запустить его вы не можете. Перенесите четырёхэтапную декомпозицию и вывод в виде явной сетки в свою собственную сборку, заложите в бюджет машину класса с четырьмя H20 плюс зависимость от Blender и замените качественную оценку на что-то измеримое, потому что статья вам её не даёт.

Если вам нужно последствие — что план делает, прежде чем вы на него согласитесь, — PAN 2 можно скачать уже сегодня днём, он распространяется по разрешительной лицензии и честно признаёт, что проваливается в двух планах из трёх. Сначала прочитайте страницу ограничений, подключите к процессу проверяющего и рассчитывайте тратить часы GPU, а не доллары за токен: тринадцать секунд видео занимают примерно 119 секунд на четырёх B300, а сэмплер выполняет сто прямых проходов на клип.

Если вы строите то, что не выпустила ни одна из лабораторий, — мир, который можно редактировать как геометрию, а затем наблюдать, как он ведёт себя, — вы собираете его сами из рефайнера, построителя сцен, рендерера и языковой модели на каждом стыке. Это больше работы, чем предполагает любой из этих двух анонсов, и именно здесь в течение следующего года будет происходить практическая работа в этой категории.

Изменить эту страницу мог бы код. Релиз WorldClaw с весами и скриптом инференса превратил бы метод в инструмент и сделал бы сравнение реальным; вариант PAN 2, который выдавал бы глубину наряду с RGB, сделал бы то же самое с другой стороны. Сегодня нет ни того, ни другого. Пока не появится хотя бы что-то одно, точное резюме таково: движок последствий, который можно скачать, и каркас сцены, который невозможно собрать, а единственное, что у них действительно общего, — это стремление предсказывать мир, а не рисовать его изображение.