Hi3D V1.0 vs CARI4D: Samma stomme, två olika frågor

Det mest klargörande faktumet om Hi3D V1.0 och CARI4D är att båda kan anropa Tencents Hunyuan3D-2. Hi3D V1.0, som släpptes den 23 oktober 2026 som efterföljaren med öppen källkod till Sparc3D, använder en Hunyuan3D-2 mini-adapter i sin demo för att producera det grova nätet som den sedan förfinar. CARI4D, NVIDIAs kategorioberoende 4D-rekonstruktion av människa–objekt-interaktion, använder Hunyuan3D-2 för att rekonstruera objektets mesh från videons första bildruta innan den spårar hur objektet rör sig. Samma underliggande geometrimodell, två helt olika uppgifter: Hi3D ställer frågan hur objektets yta bör se ut i hög upplösning, och CARI4D ställer frågan vad personen och objektet gjorde över tid.

Var Hunyuan3D-2 faktiskt befinner sig

Det är värt att vara precis, eftersom "båda använder Hunyuan3D" kan antyda en närmare relation än vad som faktiskt finns.

Hi3D:s kärnbibliotek kräver inte Hunyuan alls. Förfiningspipelinen tar en referensbild och ett grovt mesh, och demo/refine_mesh.py importerar inget från Tencent. Hunyuan3D-2 mini-adaptern finns i demo/coarse_stage.py, är valfri och finns för att någon som bara har en bild ska kunna producera det grova mesh som förfinaren behöver. Tencent:s kod, vikter och utdata behåller sin egen licens och måste anskaffas separat. I en produktionspipeline är Hunyuan en möjlig uppströmskälla bland många.

CARI4D:s beroende är strukturellt. Dess objektåterkonstruktionssteg tar den första bildrutan, segmenterar det manipulerade objektet och rekonstruerar dess geometri med Hunyuan3D-2. Detta mesh placeras sedan i metrisk skala med hjälp av UniDepth och en grov-till-fin-sökning genom FoundationPose. Resten av pipelinen – NLF för människan, ett steg för urval av poshypoteser, CoCoNet för render-och-jämför-korrigering och en kontaktmedveten gemensam optimering – beror på att objektets mesh är tillräckligt bra för att spåra mot.

Konsekvensen är den användbara ramen för denna jämförelse. Hi3Ds hela syfte är att korrigera den typ av geometri som Hunyuan3D-2 producerar. CARI4Ds syfte är att återställa rörelse, och den behandlar masken som en indata den ärver. Den ena modellen riktar sig mot den andras svaga punkt utan att något av projekten säger det.

Vad varje inlärd modell är till för

Hi3D:s inlärda komponent är ett glest flöde betingat på bildsärdrag, definierat på koordinater hämtade från den grova meshen. Det samplar glesa latenter, avkodar dem med en självbeskärande gles VAE, extraherar en yta, revoxeliserar och upprepar. Tre pass tar det strukturella rutnätet från 64³ till 128³ till 192³ och det glesa extraktionsrutnätet från 512³ till 1024³ till 1536³, med 25 scheduler-uppdateringar per pass. Modellen lär sig lokal geometrisk detalj: kanter, tunna strukturer, ytkontinuitet, de delar som en grov generator jämnar ut.

CARI4D:s inlärda komponent är CoCoNet, ett nätverk för rendering och jämförelse. Det renderar den aktuella skattningen av objektet och människan till RGB, djup och masker, kodar den renderingen med en DINOv2 ViT-B/14 och en ViT-S/14 sexkanalig XYZ-och-mask-encoder, kör spatiotemporell uppmärksamhet och regredierar poskorrigeringar per bildruta plus två handkontakt-logits. Forskningscheckpointen har 194M parametrar; den kommersiellt licensierade MHR-varianten som släpptes den 30 augusti 2026 har 231M. Det den lär sig är inte formdetaljer utan relationen mellan en renderad hypotes och en observerad bildruta.

Det är olika träningssignaler och olika felmoder. Hi3D kan göra en felaktig silhuett skarpare. CARI4D kan spåra ett illa format objekt noggrant genom en video och ändå ge dig ett dåligt mesh, eftersom dess mätvärden handlar om pose och kontakt, inte om ytåtergivning.

Vad kommer ut, rad för rad

• Indata — Hi3D V1.0 en referensbild plus ett grovt mesh kontra CARI4D en monokulär RGB-video

• Utdata — Hi3D V1.0 ett rent geometriskt trimesh-nät jämfört med CARI4D mänsklig pose och form per bildruta, objektrotation och -translation samt två logits för handkontakt

• Skala — Hi3D V1.0 omcentrerad och normaliserad till enhetens maximala radie kontra CARI4D metriska skala återvunnen genom UniDepth och FoundationPose

• Textur — Hi3D V1.0 ingen vs CARI4D ingen; den returnerar poser och kontakt, inte en texturerad resurs

• Beräkning — Hi3D V1.0 uppmätt på en 96 GB NVIDIA H20, ingen CPU-väg, batchstorlek ett jämfört med CARI4D PyTorch på NVIDIA Ampere, validerad på A100, med en Docker-avbild

• Licens — Hi3D V1.0: Hi3D Open License 1.0, kommersiell användning med en tröskel på 200 000 MAU eller 1 miljon USD i månadsintäkt, jämfört med CARI4D: NVIDIA Open Model Agreement för den kommersiella checkpointen på 231M, endast för forskning för 194M-versionen

• Bevis — Hi3D V1.0 inget numeriskt benchmark publicerat jämfört med CARI4D, en CVPR 2026-artikel med ablationer och BEHAVE-resultat, leverantörsrapporterat och inte oberoende reproducerat

Experimentet som ingen har publicerat

Här är den komposition som den gemensamma ryggraden gör uppenbar, uttryckt som ett experiment snarare än en funktion.

CARI4D rekonstruerar sitt objektmesh från en enda första bildruta via Hunyuan3D-2. Hi3D förfinar just den typen av grov mesh, betingad på en referensbild av samma objekt – och CARI4D har en sådan, eftersom den första bildrutan är referensen. I princip skulle en pipeline kunna ta CARI4D:s första bildruta och Hunyuan-meshen, köra Hi3D vid 1024³ eller 1536³ och skicka tillbaka den förfinade ytan till steget som placerar och spårar den.

I praktiken finns det fyra hinder, och inget av dem är litet.

• Skala. Hi3D centrerar om sin utdata och normaliserar den till en maximal radie på en enhet. CARI4D behöver ett mesh i metrisk skala för att initiera FoundationPose. Den omvända transformationen är inte publicerad, och att få den fel ändrar objektets skenbara storlek i varje bildruta.

• Struktur. Hi3D förfinar den grova struktur den får; den korrigerar den inte. Om Hunyuan3D-2 misstolkade objektets topologi från en bildruta gör Hi3D den misstolkningen mer detaljerad. CARI4D:s urval av poshypoteser kan absorbera en del objektfel – artikeln rapporterar att objektets Chamfer-avstånd minskas från ungefär 1 565 cm till 16,85 cm vid initiering – men det är inte ett skede för formreparation.

• Körtid. Hi3D kör ett objekt i taget, upp till tre pass, 25 steg vardera, utan publicerad latens. CARI4D:s pipeline kedjar redan Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet och en gemensam optimering. Att lägga till ett förfiningssteg på 96 GB före en loop per klipp kan vara försvarbart offline och omöjligt interaktivt.

• Validering. Ingen har publicerat den här integrationen. Siffrorna i CARI4D:s artikel mäter positions- och kontaktnoggrannhet, inte effekten av ett bättre objektmesh på dessa siffror. Det är fullt möjligt att förfiningen förbättrar meshen men knappt påverkar rekonstruktionsmåtten, eftersom spårningen är robust mot ytdetaljer. Det är också möjligt att en skarpare mesh förbättrar FoundationPoses korrespondenser. Tills någon kör ablationen är båda rena gissningar.

Det ärliga värdet av denna observation är inte "använd dem tillsammans". Det är att de två utgåvorna är komplementära vid en specifik skarv, och skarven har en mätbar fråga kopplad till sig som ingen av leverantörerna har besvarat.

Två typer av bevis, ingen av dem oberoende

CARI4D framstår som bättre belagt än Hi3D, och det är det, men skillnaden är mindre än den först verkar. CARI4D har en peer-review-granskad CVPR 2026-artikel, ett namngivet benchmark, ablationsstudier och ett rapporterat 38 % lägre rekonstruktionsfel in-distribution och 36 % på osedd data. Det är NVIDIAs siffror från NVIDIAs utvärdering. Inget neutralt laboratorium har reproducerat dem. Koden och utvärderingsskripten är offentliga, vilket gör reproduktion möjlig, inte utförd.

Hi3D har inget numeriskt benchmark alls. Repositoriet publicerar visuella jämförelser mellan nio metoder för lokal geometri, ett påstående om träningsskala på ungefär två miljoner kurerade tillgångar och ett påstående om en upplösning på 1536³ för gles extraktion. Pressmeddelandet tillför en lyckad skivningsfrekvens på 90 % och ett påstående om de högsta poängen för multivy-trohet och detalj i den rapporterade utvärderingen, utan poäng, utan baslinje och utan att någon slicer nämns. Träningskod och utvärderingsramverket saknas, så artikelns tabeller kan inte återskapas från pressmeddelandet.

Båda är med andra ord leverantörsrapporterade. Den ena har en bifogad artikel och den andra har ett pressmeddelande. En köpare bör betrakta CVPR-märket som ett skäl att ta metoden på allvar och inte som en ersättning för ett oberoende test.

Vilken fråga har du egentligen?

Om du har en video av en person som hanterar ett föremål och du behöver veta hur handen, föremålet och kroppen rörde sig – poser i metrisk skala, kontaktpunkter, bildruta för bildruta – är CARI4D systemet som är byggt för det, och den kommersiella checkpointen gör det driftsättningsbart. Hi3D kan inte alls svara på den frågan. Det har ingen temporal modell, ingen poseutdata och inget kontaktresonemang.

Om du har en referensbild och ett grovt mesh och behöver en skarpare statisk resurs är Hi3D det direkta verktyget. Inte heller CARI4D kan svara på den frågan: dess objektmesh är en biprodukt av en spårningspipeline, producerad med den kvalitet Hunyuan3D-2 än ger från en enskild bildruta, och den exponerar poser snarare än en förfinad yta.

Om du bygger kompositen — en rekonstruktionspipeline där objektgeometrin är den svaga länken — är det intressanta greppet att testa om Hi3D:s förfining förbättrar CARI4D:s nedströmsmått. Det är en forskningsfråga med ett tydligt experiment och inget publicerat svar. Budgetera för skaltransformen och GPU:n innan du budgeterar för artikeln.

Lagret som omger båda

Ingen av modellerna tillhandahålls av OrcaRouter, och ingen av dem är en språkmodell. Katalogen består av text, vision, video, embedding och tal; 3D-rekonstruktion görs på din egen hårdvara. Anropen kring rekonstruktionen är dock modellanrop: att sätta bildtext på den första bildrutan, beskriva objektet för en tillgångspost eller bedöma om en förfinad rendering fortfarande matchar referensen från tre vinklar.

Det sista passar bra för modellfusion. I stället för att lita på en enskild visionsmodells bedömning av att en förfinad mesh är korrekt, skicka samma multivy-jämförelse till en panel av modeller och låt deras svar aggregeras. OrcaRouter exponerar fusion och fler än 200 enskilda modeller bakom ett enda API, med leverantörens listpris vidarebefordrat med 0 % påslag och automatisk redundansväxling om en leverantör försämras. Geometrin stannar på din GPU; bedömningen kring den kan vara redundant utan att bli dyr att koppla ihop.

Vad skulle avgöra det?

En enda ablation skulle göra mer än hur många specifikationsjämförelser som helst: ta en BEHAVE-sekvens, förfina objektmeshen med Hi3D vid 1024³, ångra normaliseringen och rapportera pose- och kontaktmetriken mot den oförfinade baslinjen. Om siffrorna förändras blir den delade stommen en pipeline. Om de inte gör det stannar Hi3D:s värde där det är som starkast – som ett fristående geometriverktyg för dem som redan har det grova meshen.

Så länge det experimentet inte finns är den försvarbara uppdelningen enkel. Hi3D V1.0 är en geometrirefinerare med öppna vikter och inget benchmark. CARI4D är en rörelserekonstruerare med en artikel och en kommersiell checkpoint. De möts vid Hunyuan3D-2, och ingen av dem är en ersättning för den andra.