Hi3D V1.0 vs Hunyuan3D WorldClaw: En tillgång välgjord, eller en värld på ett ungefär

En Hunyuan3D WorldClaw-scen är inte en enda 3D-modell. Den består av terräng, byggnader, vegetation, fordon och karaktärer, som var och en rekonstrueras som ett separat mesh, placeras i ett genererat landskap och inspekteras sedan av en visionsagent som skickar dåliga områden tillbaka för reparation. Hi3D V1.0 bygger inte världar. Den tar ett grovt mesh och en referensbild och använder en 96 GB GPU för att göra det enskilda objektets geometri skarpare. Jämförelsen är därför inte scen mot scen. Det är genomströmning kontra trohet, och de två systemen står på motsatta sidor av samma produktionslinje.

Vad WorldClaw behöver innan det kan bygga en värld

WorldClaw är Tencent Hunyuans agentiska ramverk för att förvandla en textprompt till en stor, utforskningsbar och redigerbar 3D-värld. Artikeln "WorldClaw: Agentic 3D Open-World Generation at Scale" publicerades på arXiv som 2608.05248 den 7 augusti 2026, och projektsidan och GitHub-repositoriet följde samma vecka. Arkitekturen körs i fyra steg:

• Avsiktsanalys och scenplanering – två språkmodellsagenter tolkar prompten. Den ena extraherar endast de begränsningar som användaren angav; den andra fyller i de detaljer som prompten utelämnade. Artikeln namnger Claude Opus 4.8 för detta steg.

• Global terränggenerering — en semantisk layoutkarta och regionmedvetna höjdfält skapar ett kontinuerligt terrängskelett med material, stenar och vegetation som tilldelas per region.

• Regional objektsgenerering – detaljerade regioner renderas till terrängbegränsade 2D-kompositer, segmenteras till instanser med GPT-Image-2 och SAM3D, rekonstrueras som individuella 3D-meshar via Hunyuan3D och placeras tillbaka på terrängen.

• Renderbaserad förfining – en visionsagent renderar scenen från flera vinklar, letar efter svävande objekt, interpenetration, fel skala och fel pose, åtgärdar det felaktiga området och renderar om tills det godkänns. Montering sker i Blender via MCP.

Det tredje steget är det som spelar roll här. Varje objekt i en WorldClaw-scen är en separat bild-till-3D-rekonstruktion. En scen med tvåhundra distinkta rekvisita är tvåhundra mesh-genereringar, var och en betingad på en segmenterad 2D-komposit och var och en med den kvalitet som den underliggande rekonstruktionsmodellen kan åstadkomma. Scenens visuella tak sätts av den sämsta tillgången i den, och ramverkets egen utvärdering mäter inte det. Artikeln rapporterar kvalitativa jämförelser sida vid sida mot SynCity, Metas WorldGen, MajutsuCity och World Labs Marble – ingen FID, ingen CLIP-poäng, ingen användarstudie och inget mått på trohet per objekt.

Vad Hi3D skulle bidra med, och vad det inte skulle bidra med

Hi3D V1.0, som släpptes den 23 oktober 2026, är en förfiningsmodell byggd på Sparc3D. Ge den en referensbild av ett objekt och ett grovt mesh av samma objekt, så samplar den successivt glesa latenter, avkodar dem genom en självbeskärande gles VAE och extraherar en yta med högre upplösning. De tre passen tar den strukturella gridden till 64³, 128³ och 192³ och den glesa extraktionsgridden till 512³, 1024³ och 1536³, med 25 uppdateringar av schemaläggaren per pass. Den kör ett objekt i taget.

Passningen med WorldClaws tredje steg är uppenbar på pappret. WorldClaw har redan en segmenterad 2D-komposit för varje objekt och producerar redan ett mesh via Hunyuan3D. Det är exakt de två indata som Hi3D vill ha: en referensbild och ett grovt mesh. Att förfina varje objekt innan det placeras skulle höja den geometriska detaljrikedomen hos tillgångarna som avgör scenens närbildskvalitet.

Tre begränsningar hindrar det från att vara en direktuppgradering.

För det första är Hi3D enbart geometri. Det producerar ingen textur, inget material och ingen vertexfärg, och WorldClaws utdata är uttryckligen texturerade, individuellt redigerbara meshar avsedda för en spelmotor. Hi3D skulle förbättra silhuetten och den lokala ytdetaljen och sedan lämna tillgången till ett textureringssteg som ingen av repositorierna tillhandahåller. En värld byggd av förfinade men otexturerade meshar är inte den leverans som WorldClaw lovar.

För det andra måste referensbilden visa samma objekt. WorldClaws segmentering ger en bildbeskärning av objektet inuti en regional komposit, vilket är nära men inte identiskt med en ren produktreferens. Huruvida det är tillräckligt bra är en empirisk fråga som ingen har besvarat.

För det tredje, genomströmning. Hi3D förfinar en mesh i taget, och den uppmätta konfigurationen är en H20 på 96 GB utan CPU-väg och utan batchläge. WorldClaw kör redan på 4× H20 enligt artikelns uppgifter. Att lägga till ett förfiningssteg per objekt före placeringen multiplicerar den mest kostsamma delen av pipelinen med antalet objekt i scenen.

Numret som ingen av sidorna ger dig

Du kan inte beräkna kostnaden för denna komposition utifrån det publicerade materialet, och det är det viktigaste praktiska fyndet i denna jämförelse.

Hi3D publicerar ingen wall-clock-latens. README:n ger uppdateringar av schemaläggaren, antal pass och en uppmätt GPU, men inte sekunder per objekt vid 512³, 1024³ eller 1536³. WorldClaw publicerar inte heller någon rekonstruktionstid per objekt. Artikelns beräkningspåstående gäller hela systemet på 4× H20, inte marginalkostnaden för ytterligare en prop. Utan båda siffrorna kan den aritmetik som avgör om förfining är överkomlig — objekt per scen gånger sekunder per objekt gånger GPU-timmar — inte göras utifrån källorna.

Det som kan sägas är kostnadens form. Hi3D:s 512³-inställning kör ett pass; 1024³ kör två; 1536³ kör alla tre. Varje pass är 25 scheduler-uppdateringar. Högre upplösning köper detalj och kostar pass. Batchstorleken är ett, så kostnaden skalas linjärt med antalet objekt och kan inte slås ut över en batch. Om en WorldClaw-scen innehåller dussintals hero-objekt och hundratals bakgrundsrekvisita skulle en förnuftig pipeline förfina hero-objekten och lämna bakgrunden i det grova steget – ett beslut som kräver exakt den tid per objekt som inget av projekten har publicerat.

Fem dimensioner som faktiskt skiljer dem åt

• Arbetsenhet — Hi3D V1.0 ett objekt jämfört med Hunyuan3D WorldClaw en öppen världsscen som innehåller många objekt

• Utdata — Hi3D V1.0 ett mesh med enbart geometri kontra Hunyuan3D WorldClaw redigerbara, texturerade mesh sammansatta i Blender

• Indata – Hi3D V1.0 en referensbild plus ett grovt nät vs Hunyuan3D WorldClaw en öppen textprompt

• Kod och vikter — Hi3D V1.0 nedladdningsbar idag under Hi3D Open License 1.0 jämfört med Hunyuan3D WorldClaw: en README och en artikel, ingen kod, inga vikter, inget API, ingen prissättning

• Bevis — Hi3D V1.0 inga numeriska benchmark jämfört med Hunyuan3D WorldClaw endast kvalitativa jämförelser, ingen FID, ingen CLIP, ingen användarstudie

Tillgänglighet avgör kvartalet

En av dessa är ett verktyg och den andra är ett designdokument.

Hi3D V1.0 kan klonas, installeras och köras redan idag. Det kräver Linux, Python 3.10, CUDA 12.0 till 12.5, en GPU med beräkningskapacitet 8.0 och en källkodskompilerad version av flash-attn, och hela 1536³-stegen har endast validerats på en H20 med 96 GB. Licensen tillåter kommersiell användning, med krav på anmälan och separat licens när en produkt överskrider 200 000 månatliga aktiva användare eller 1 000 000 USD i månatliga intäkter, samt ett attributionskrav för kommersiella integrationer. Vikterna är åtta filer på Hugging Face. Det finns ingen värdbaserad slutpunkt – modellkortet säger att den inte distribueras av någon inferensleverantör – och företagets kommersiella v3.0, med 2048³ voxlar och 8K-texturer, är en separat produkt som säljs via sin egen plattform.

WorldClaw kan i dag inte köras av någon utanför Tencent. GitHub-repositoriet innehåller en assets-mapp, .gitignore och en README. Det finns ingen implementation, ingen checkpoint, inget API och ingen prissättning, och en issue som ber om kod har inte besvarats. Artikeln är tillräckligt detaljerad för att man ska kunna återimplementera arkitekturen, och projektsidan är en bra demonstration, men ingen av dem är ett beroende som går att schemalägga. Om du bygger en världsgenerator är WorldClaw en ritning värd att läsa; det är inte en komponent du kan anropa.

Den asymmetrin är det praktiska svaret på matchupen. Ett team som behöver bättre objektgeometri den här månaden kan använda Hi3D. Ett team som behöver WorldClaws kapacitet på scennivå den här månaden måste bygga den själv, och artikeln är det enda som Tencent har publicerat som hjälper.

Där LLM-notan landar

WorldClaws arkitektur är ovanligt ärlig om var de kostsamma anropen finns. {{1}}Att planera scenen, extrahera användarens begränsningar, fylla i de detaljer som prompten utelämnade och köra den visuella kritiken som avgör vad som ska renderas om{{/1}} är alla {{2}}språkliga eller visionsspråkliga anrop{{/2}}. Ramverket {{3}}dirigerar dem till frontier-modeller{{/3}} i stället för att träna sina egna. Det är en medveten satsning: {{4}}orkestrering framför träning{{/4}}, med kvalitet begränsad av komponenter du inte kontrollerar.

Det är också det lager som OrcaRouter täcker. 3D-rekonstruktionen stannar på dina GPU:er och är inget vi tillhandahåller – katalogen består av text-, vision-, video-, inbäddnings- och talmodeller, inte geometri. Planeraren och kritikern är en annan historia. Att sätta fler än 200 modeller bakom ett enda API innebär att planeraren och kritikern inte behöver separata avtal, separata nycklar och separata feldomäner; leverantörens listpris förs vidare med 0 % påslag, så en prisändring från en leverantör når endpointen samma dag; automatisk failover hindrar en försämrad leverantör från att få en värld att stanna mitt i genereringen; och routnings-DSL:en komponerar flera modeller till ett anrop, vilket är precis vad en planera-och-kritisera-loop är. För en pipeline där kostnaden per scen domineras av upprepade agentanrop betyder den kontrollsytan mer än något enskilt modellval.

Vem bör agera, och på vad

Om din flaskhals är kvaliteten på en enskild tillgång – en utskrivbar del, en produktmodell, en framträdande rekvisita – är Hi3D V1.0 tillgänglig nu och experimentet är billigt att starta, förutsatt att du har en GPU på 96 GB och redan har ett grovt mesh. Läs avsnittet om begränsningar före pressmeddelandet: modellen förfinar strukturen, den åtgärdar inte en felaktig silhuett och den ger ingen textur.

Om din flaskhals är scenmontering är WorldClaw det mer ambitiösa systemet och det mindre tillgängliga. Dess bidrag är arkitektoniskt: en grov-till-fin-agentloop med en renderbaserad kritiker, och ett tydligt påstående att steget för objektåterkonstruktion är där troheten per tillgång vinns eller förloras. Det uppenbara nästa experimentet är att sätta en förfinare som Hi3D efter det steget och mäta om scenens närbildskvalitet förbättras tillräckligt för att motivera de extra renderingspassen. Ingen har publicerat den mätningen, och tills någon gör det förblir jämförelsen en hypotes om en produktionslinje snarare än ett resultat.