PAN 2 vs Hy-Nomas: та же лицензия, то же семейство архитектур — два определения «действия»

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.

Решающее различие, которое действительно работает, — это фраза, которую ни одна из команд не включает в свою аннотацию: что считается действием. Управляющий сигнал Hy-Nomas — это то, куда движется камера. Управляющий сигнал PAN 2 — это то, что происходит в сцене, записанное языковой моделью как последовательность событий, привязанных к актёрам. Они настолько различаются, что промпт, хорошо работающий с одним, почти бессмысленен для другого; и если вы вынесете из этого сравнения только одну вещь, пусть это будет именно она.

Два интерфейса кондиционирования, а не два уровня качества

Hy-Nomas обусловливает генерацию текстом и траекторией камеры. Траектория непрерывна и геометрична: вы задаёте, куда перемещается точка обзора, а модель генерирует сегмент с учётом кэшированной истории, чтобы мир оставался связным по мере перемещения. Его улучшитель промптов Nomas-PE переписывает свободный текст в структурированные JSON-описания — это тот же подход, которого придерживается переписчик промптов PAN 2, только с другой стороны: обе команды пришли к выводу, что свободный текст слишком расплывчат, чтобы служить условием для диффузионного трансформера.

То, в чём они расходятся, и описывает структурированная форма. Структура Hy-Nomas пространственная и ориентирована на точку обзора; точно моделируется именно движение камеры через сцену. Структура PAN 2 временная и ориентирована на действующее лицо: события по порядку, каждое действие привязано к исполнителю, а движение камеры — лишь одно поле среди нескольких. Прочитайте формулировку самого IFM, и акцент невозможно не заметить: подпись описывает, что происходит после действия, а демонстрация, прославившая модель, — это клубника, брошенная в миску, где замена фрукта или жидкости меняет всплеск.

• Обусловливание — Hy-Nomas принимает свободный текст плюс непрерывную траекторию камеры; PAN 2 принимает необязательный первый кадр плюс структурированную, привязанную ко времени подпись действия.

• Что означает «action» — Hy-Nomas: движение камеры, то есть куда вы смотрите; PAN 2: событие с актором, то есть что происходит.

• Структура сегментов — Hy-Nomas является сегментно-авторегрессионной моделью по кэшированной истории KV, поэтому контекст переносится между сегментами; PAN 2 моделирует каждый клип, исходя максимум из одного начального кадра плюс текста, без переноса состояния между клипами.

Вывод — Hy-Nomas: 720×1280 при 24 кадрах/с за восемь дистиллированных шагов; PAN 2: 704×1248 при 24 кадрах/с на пятидесяти шагах сэмплера при guidance 2.5.

• Размер — Hy-Nomas: примерно 8 млрд параметров, распределённых по 54 двухпоточным блокам MMDiT со скрытой размерностью 2 048, плюс дообученный декодер PixelUMM поверх латентов DCAE-V; PAN 2: MMDiT на 29 млрд параметров, а также замороженный текстовый энкодер Qwen3.5-9B и VAE Wan 2.2.

• Аппаратное обеспечение — Hy-Nomas: восемь GPU в эталонном развёртывании, с вариантом на одной RTX 4090, использующим INT8 DiT, KV-кэш, FP8-декодер и выгрузку на CPU при примерно 38 ГБ; PAN 2: восемь H200 в BF16 как задокументированный вариант по умолчанию, с рецептом, который обрабатывает тринадцать секунд видео примерно за 119 секунд на четырёх B300.

• Размер весов — Hy-Nomas: около 196 ГБ на Hugging Face под именем tencent/Hy-Nomas; PAN 2: 86,17 ГБ в шестидесяти файлах под именем IFM/PAN2.

Семь измерений, и ни одно из них не является оценкой. Они описывают расхождение в дизайне: Hy-Nomas вложила свои параметры в поддержание целостности мира при перемещении по нему, а PAN 2 вложила свои параметры в предсказание того, что делает действие. Траекторию камеры дёшево задать и трудно подделать; последовательность событий выразительна и дорога в генерации.

Где разница особенно заметна: три задачи, обе модели

Абстрактные контрасты дёшевы. Эти — конкретны.

Проведите меня по квартире. Hy-Nomas побеждает безоговорочно. Нужен непрерывный путь по коридору и на кухню, при этом комната за спиной должна оставаться той же комнатой за спиной. Это сегментно-авторегрессионная генерация по кэшированной истории — именно для этого и предназначена её архитектура, а PAN 2 этого не может: он рендерит клип, а следующий клип начинается с кадра, который вы подаёте, без памяти о том, что было раньше. Сцепление клипов PAN 2, чтобы получить проход по квартире, порождает дрейф, о котором предупреждает его собственная карточка модели: внешний вид меняется между клипами в длительных взаимодействиях, потому что каждый из них симулируется максимум из одного начального кадра.

Я открываю ящик, и чашка падает. PAN 2 побеждает, и это даже не близко. Запрос — это событие с действующим лицом и физическим следствием. У кондиционирования Hy-Nomas нет поля для «ящик открывается» отдельно от камеры — вы можете указать это в текстовом промпте, и его расширитель промпта это структурирует, но бюджет точности модели был потрачен на точку обзора, а не на контакт и следствие. Контракт подписей PAN 2 существует именно для того, чтобы привязывать действия к действующим лицам и упорядочивать их во времени, поэтому IFM выпустила валидатор, который проверяет описания на соответствие бюджету текстового энкодера — 1 480 токенов при мягком ограничении и 1 536 при жёстком, — вместо того чтобы пропускать прозу.

Сгенерируйте двести вариантов сцены манипуляции для набора данных. Оба ошибаются, но по-разному. Hy-Nomas даст вам двести связных движений камеры по двумстам сценам и очень мало контроля над тем, действительно ли рука что-нибудь захватывает. PAN 2 даст вам двести клипов, обусловленных действиями, и, согласно его собственной карточке, примерно в двух из трёх планов будет хотя бы один шаг, который не выполняется, — поэтому треть вашего набора данных будет непригодна, если вы не создадите проверяющий модуль. Ни то, ни другое не является готовым движком данных; разница в том, является ли сбой геометрическим дрейфом или пропущенным шагом, и какой из них может выдержать ваша последующая задача.

Третья задача также определяет ваше оборудование. Двести клипов с восемью шагами в 720p на одной квантованной 4090 — это полдня. Двести клипов на узле из четырёх B300 при 119 секундах на каждые тринадцать секунд видео — это пара дней, и эта арифметика — настоящая причина, по которой две модели не взаимозаменяемы, даже когда их возможности пересекаются.

Одна и та же неудача под двумя разными названиями

Обе карточки признают один и тот же недостаток, и ни одна его не исправляет: модель мира с длинным горизонтом теряет свой мир. PAN 2 утверждает, что внешний вид дрейфует от клипа к клипу, и называет перцептивную память недостающим элементом. Hy-Nomas решает это напрямую с помощью переносимого KV-кэша и каузальной схемы внимания, которая сохраняет описательный контекст актуальным между сегментами, ограничивая при этом инструкции действий окном, в котором они были выданы, — а затем в собственной оценке сообщает, что всё ещё уступает Genie 3 по долговременной пространственной памяти.

Это последнее признание интереснее победы. Оно говорит, что механизм памяти работает достаточно хорошо, чтобы обойти Genie 3 и LingBot-World v2 во взаимодействии и следовании промптам — около 65% побед в следовании промптам на бенчмарке из 280 кейсов, охватывающем многоходовой текст, навигацию камеры, чередование текста и камеры и пространственную память, — и всё равно проигрывает в метрике, которая измеряет, остаётся ли мир неизменным. Это сравнения, которые авторы провели с выбранными ими базовыми моделями на собственном бенчмарке, и, как и все числа в этой категории, они не воспроизведены. Но они не расплывчаты: модель, которая публикует, где проигрывает, — это модель, с которой можно строить планы.

Полезный вывод для всех, кто строит на любом из них: устойчивость — это не свойство, которое можно предположить и проверить позже. Это первое, что нужно измерить на собственных сценах, с собственным допуском на дрейф, прежде чем привязывать пайплайн к модели. Ни один из поставщиков не публикует кривую времени до отказа — длительность, при которой сцена перестаёт быть надёжной, — и это отсутствующее число важнее любой позиции в бенчмарке.

Затраты — не погрешность округления, а само решение.

Отложите на время спор о возможностях и посмотрите, что требуется, чтобы запускать каждый из них в течение недели.

Вариант Hy-Nomas с одной 4090 — самый значимый факт в этом сравнении, и его легко упустить на фоне эталонного развёртывания на восьми GPU. INT8 DiT с KV-кэшем, декодер FP8 и выгрузкой на CPU укладывается примерно в 38 ГБ, а значит, студия с одной картой класса рабочей станции может генерировать интерактивное видео 720p, ничего не арендуя. Конфигурация на восьми GPU — это то, что описывает бенчмарк; конфигурация на 4090 — это то, что читатель действительно может сделать уже сегодня вечером.

У PAN 2 нет опубликованного сопоставимого пути. Задокументированный вариант по умолчанию — восемь H200 в BF16 с параллелизмом патчей VAE по четырём тайлам, а рецепт обслуживания, который все цитируют — тринадцать секунд видео 704×1248 примерно за 119 секунд — предполагает четыре B300. Хуже того, сэмплер дорог по своей конструкции: пятьдесят шагов с guidance 2.5, применяемым на каждом шаге, — это сто прямых проходов через 29B-трансформер на клип, поэтому classifier-free guidance приходится разделять между рангами, а sequence parallelism — распределять на большее число. В релизе нет истории про квантованную однокарточную работу, и делать вид, что она есть, означало бы её выдумать.

Итак, честная фраза о затратах звучит так: Hy-Nomas требует GPU, который у вас, вероятно, есть; PAN 2 требует GPU-узел, которого у вас, вероятно, нет; и никакая разница в качестве ни в ту, ни в другую сторону не меняет этого для небольшой команды.

Здешний ракурс маршрутизации узок, и его стоит сформулировать точно, поскольку обе эти модели вы размещаете у себя сами, и ни одной из них нет в каталоге OrcaRouter. Маршрутизировать можно ту часть, которую добавили обе архитектуры, потому что свободного текста было недостаточно: этап улучшения промпта. Nomas-PE от Hy-Nomas переписывает прозу в структурированные JSON-описания; prompt-rewriter из PAN 2 содержит системный промпт, фиксированный негативный промпт и валидатор на соответствие бюджету токенов энкодера. Это вызовы языковых моделей, и именно на этом этапе другая модель измеримо меняет то, что получает рендерер. IFM ранжировала четыре модели рассуждения для своего этапа описаний — Claude Opus 5.5, GPT-6 Astra при среднем уровне усилий, Kimi K3, Qwen3.8-Flash — и все четыре есть в каталоге, поэтому переписывающую половину любого из пайплайнов можно заменить и сравнить через один ключ по прайс-листу провайдера с наценкой 0%, с переключением при сбое, если вызов переписывания превысит тайм-аут посреди пакета. Рендереры на 29B и 8B остаются на вашем оборудовании. Вот и всё утверждение.

Что на самом деле содержат две карточки моделей

Оба релиза выставляют карту напоказ, и карты различаются тем, что готовы признать.

В отчёте Hy-Nomas, arXiv 2610.36729 от 27 октября 2026 года, описан приём, благодаря которому работает многоходовое взаимодействие: структурированные подписи согласуются со схемой причинного внимания с учётом действий, поэтому описательный контекст сохраняется между сегментами, а инструкции к действиям ограничиваются окном, в котором они были выданы. Оценка проводится на бенчмарке из 280 случаев по четырём трекам — многоходовой текст, навигация с камерой, чередование текста и камеры и пространственная память — и основана на попарном сравнении людьми с Genie 3, LingBot-World v2 и Happy Oyster. Модель побеждает по интерактивности и следованию подсказкам, с заявленным процентом побед около 65% в следовании подсказкам, но уступает Genie 3 по долговременной пространственной памяти. Веса составляют около 196 ГБ в виде tencent/Hy-Nomas под Apache 2.0, код доступен на GitHub, также есть размещённая демоверсия.

Карточка PAN 2 длиннее и менее комплиментарна. Архитектура — это генеративное латентное предсказание из работы «Критика мировых моделей» (arXiv 2507.05169), и тот же документ, в котором она описана, перечисляет недостатки: примерно в двух из трёх смоделированных планов выпадает как минимум один шаг; внешний вид дрейфует от клипа к клипу, поскольку нет переносимого состояния; формулировка наблюдения и действия меняет результат; текст хорошо выражает «открыть ящик» и плохо — «поместить каждый палец сюда»; симуляция может продвигаться, нарушая физику; а моделирование планов, которые должны провалиться, пока не измеряется.

Прочитайте оба документа рядом — и разница в стиле раскрытия информации бросается в глаза. Hy-Nomas сообщает долю побед и убыток; PAN 2 сообщает долю отказов и список. Ни то, ни другое не является аудитом, и оба написаны командами, создавшими модели. Но карточка, которая показывает, где модель проигрывает, — это документ, с которым можно планировать, и оба этих документа ему соответствуют, а это больше, чем предлагает большинство их закрытых конкурентов.

Какой именно, и что изменило бы ответ?

Выбирайте Hy-Nomas, если ваша задача — исследование или контент: мир, через который кто-то проходит, движение камеры, которым кто-то управляет, связная сцена 720p по промпту на одной карте. Его механизм памяти, обусловливание камеры и путь на 4090 указывают на одного и того же пользователя — того, кому нужно увидеть место и пройти через него, дёшево, прямо сейчас.

Выберите PAN 2, если ваша задача — принять решение: агент, которому нужно заранее увидеть, что делает действие; планировщик, ранжирующий планы-кандидаты; исследовательский вопрос о том, достаточно ли структурированного описания события, чтобы сгенерировать его последствие. Его контракт по подписям, опубликованный харнесс и веса под Apache-2.0 — всё указывает на пользователя, с которым нужно честно спорить и у которого есть аппаратные средства, чтобы за это платить.

Две вещи могли бы разрешить ничью так, как сейчас не позволяет ни один из производителей. Память в стиле Hy-Nomas, переносимая между сегментами на модели с механизмом обусловливания действий PAN 2, была бы существенно лучшим продуктом, чем любой из них. Опубликованное исследование неудач — где PAN 2 моделирует планы, которые должны провалиться, а Hy-Nomas измеряет дрейф на протяжении десяти минут, а не одной — ответило бы на вопрос, который оставляют открытым обе карточки. Пока не появится что-то из этого, выбор не в том, какая модель лучше. Он в том, является ли ваш мир тем, через что вы проходите, или тем, что происходит с вами.