PAN 2 vs Hunyuan3D WorldClaw: En modell med två halvor, eller femtio modeller i en trenchcoat

Ställer du de två sida vid sida är det första du lägger märke till att de inte är samma slags objekt. PAN 2 är en modell: 29 miljarder parametrar av en multimodal diffusions-transformer från Institute of Foundation Models, Apache-2.0 på Hugging Face sedan 7 oktober 2026, kod den 5 november, Day-0-stöd för vLLM-Omni den 10 november, och den gör en enda sak – givet en startbildruta och en beskriven handling renderar den upp till tjugo sekunder av 704×1248-video vid 24 bilder per sekund och förutsäger konsekvensen. Hunyuan3D WorldClaw är ett ramverk: Tencent Hunyuans agentiska pipeline för att förvandla en öppen textprompt till en utforskningsbar 3D-scen som består av explicita texturerade mesh:ar per objekt, beskrivet i arXiv 2608.05248 den 5 augusti 2026 och tillkännagivet den 11 augusti, med ett repository som innehåller en README och tillgångar men ingen kod. Den ena är en nedladdningsbar checkpoint som du kör. Den andra är en publicerad metod som du skulle behöva bygga om.

Det andra du lägger märke till är mer användbart. WorldClaws eget paper namnger modellerna som det körs på, och listan är en inköpslista över andras komponenter: Claude Opus 4.8 för planering, GPT-Image-2 för bildmaterial, SAM3 och SAM3D för segmentering, Hunyuan3D för rekonstruktion, Blender 5.1.1 som drivs via MCP för montering, allt på fyra NVIDIA H20. PAN 2 namnger en komponent och låter den vara utbytbar: vilken instruktionsföljande språkmodell som helst skriver den strukturerade bildtexten, och IFM rankade fyra av dem. Det är den verkliga jämförelsen – inte scener mot video, utan vad som händer med ett system när intelligensen sprids över en kedja av leverantörer i stället för att koncentreras i en enda checkpoint.

Två arkitekturer, ärligt ritade

PAN 2:s design är generativ latent prediktion från Kritik av världsmodeller (arXiv 2507.05169). En begreppslig resonerare skriver nästa världstillstånd som en strukturerad, tidsförankrad beskrivning – händelser i ordning, handlingar bundna till aktörer, kamerarörelse – en fryst Qwen3.5-9B-textkodare mappar den till konditioneringsfunktioner, en 29B-diffusionstransformator fyller i perceptuella detaljer, och en Wan 2.2 VAE avkodar bildrutorna. Två halvor, ett kodförråd, en licens.

WorldClaws design är en förfiningsloop i fyra steg som författarna beskriver som från grovt till fint: språkmodellsagenter läser prompten och tar fram en scenplan; ett globalt pass genererar semantisk layout, höjdfält och material så att marken är sammanhängande innan något placeras på den; regioner renderas, segmenteras och rekonstrueras till enskilda meshar via Hunyuan3D; och en visionsagent inspekterar renderingen efter svävande objekt, interpenetration, fel skala och fel pose och skickar sedan tillbaka korrigeringar. Löftet om explicit geometri hålls – du får objekt, inte en sammansmält blob eller en Gaussian splat – och agenterna utför sitt arbete en gång, innan du ens laddar scenen.

Det är där de två konvergerar som det är värt att ta till sig: i båda systemen är pixlarna den snabba, billiga halvan och en språkmodell avgör vad som ska finnas. Det som skiljer dem åt är vem som äger språkmodellen. IFM behandlade resonemangsmotorn som en variabel och publicerade testramverket som rankade kandidaterna. Tencent behandlade resonemangsmotorn som ett beroende och namngav en.

Vad ordet ”agentic” ger, och vad det kostar

Fällan i den här jämförelsen är att båda tillkännagivandena använder ordet, och ingen av dem menar samma sak med det.

• Agenter som författare — WorldClaws planerare delar upp en prompt i en scenplan och dess visionsagent utfärdar korrigeringar; PAN 2:s resonemangsmotor skriver en bildtext som beskriver vad som händer härnäst.

• När intelligensen körs – WorldClaws körs en gång, i redigeringsloopen, och är borta när mesharna exporteras; PAN 2:s körs en gång per klipp, vid varje anrop, under systemets livstid.

Utdatatyp – WorldClaw returnerar en scenfil med enskilda meshar, material och transformationer; PAN 2 returnerar en MP4-fil som inte innehåller någon geometri alls.

• Redigerbarhet – WorldClaws utdata öppnas i ett modelleringsprogram, retopologiseras och placeras; PAN 2:s enda redigerbara yta är bildtexten, så revidering innebär omrendering.

• Beroendeyta — WorldClaw kräver sex separat licensierade komponenter och en Blender-installation; PAN 2 kräver vikterna, en textkodare och en VAE.

• Vad ”bra” betyder — WorldClaw bedöms utifrån om scenen sätts samman utan svävande objekt; PAN 2 bedöms utifrån om den konsekvens den återger är den som handlingen faktiskt skulle framkalla.

Kostnaden för WorldClaws utspridda intelligens är inte konceptuell, den är operativ: sex komponenter innebär sex uppsättningar villkor, sex felmoder och sex platser där en versionshöjning kan ändra utdata. Kostnaden för PAN 2:s koncentrerade intelligens är den omvända – en licens, ett beroendeträd och en resonemangsmotor som du själv måste utvärdera, eftersom leverantörens rankning av den är leverantörens egen.

Ingen av kostnaderna är en defekt. Men det förklarar varför de två sällan är rätt svar på samma fråga: den ena är en innehållspipeline, den andra en konsekvensmotor, och ett team som behöver meshar hittar inget i PAN 2 som hjälper det.

Två pipelines, skrivna som en sekvens av steg

Det är i sekvensen som skillnaden mellan en modell och ett ramverk framträder tydligast.

• PAN 2, ett anrop — läs observationen och den begärda åtgärden, skriv det strukturerade världstillståndet, koda det, kör femtio diffusionssteg med vägledning 2.5, avkoda tjugo sekunder av 704×1248. Inget i den sekvensen finns kvar efter klippet.

• WorldClaw, fyra steg – planera scenen med en språkmodell, generera global semantisk layout och höjdfält, rendera och segmentera regioner och rekonstruera var och en till ett mesh, inspektera sedan renderingen med en visionsagent och skicka tillbaka korrigeringar. Inget i den sekvensen är en enda modell.

• Var tillståndet finns — PAN 2:s enda beständiga artefakt är bildtexten och MP4-filen; WorldClaws är en scenfil med enskilda mesh-objekt, material och transformationer som lever längre än pipelinen.

• Där det kan misslyckas – PAN 2 misslyckas inuti renderingen: ett tappat steg, drift, en fysikgenväg. WorldClaw misslyckas vid en skarv: en planerare som misstolkade prompten, en segmenterare som delade ett objekt på mitten, en rekonstruktor som producerade fel skala, en assembler som lät två meshobjekt tränga in i varandra.

• Det du kan granska — PAN 2 ger dig en video och en tokenbudget; WorldClaw ger dig geometri som du kan mäta, och därmed fel som du kan tillskriva.

Den sista raden är den som är värd att behålla. Ett fel du kan attribuera är billigare att åtgärda än ett fel du bara kan se, och en mesh-pipeline ger dig det gratis eftersom de mellanliggande artefakterna går att granska. En videopipeline ger dig ett slutgiltigt svar och en bildtext, och när svaret är fel är din enda hävstång bildtexten.

Det förklarar också varför WorldClaws korrigeringssteg för vision-agenten överhuvudtaget finns. Genomträngning, svävande objekt, fel pose och fel skala är felmoderna när geometri sätts samman av separat genererade delar, och ingen av dem syns förrän man renderar och tittar. En enskild modell behöver inte det steget eftersom en enskild modell inte kan producera en scen vars delar inte stämmer överens – den kan bara producera en scen som är fel som helhet.

Utvärderingsgapet är inte symmetriskt, och det pekar åt motsatt håll jämfört med licenserna.

WorldClaws publicerade utvärdering är kvalitativ. Artikeln jämför sina resultat sida vid sida mot SynCity, WorldGen, MajutsuCity och Marble, och det finns ingen FID, inget CLIP-poäng, ingen användarstudie med en siffra kopplad. För en artikel som beskriver ett ramverk för scengenerering är det en verklig lucka, och alla team som återimplementerar det bör behandla "ser bättre ut än SynCity" som en hypotes snarare än ett resultat.

PAN 2 offentliggjorde mer och specificerade sina betingelser mer exakt än de flesta lanseringar av videomodeller gör. Trehundra testfall med en enda åtgärd inom sex förmågekategorier, 201 bild-till-video och 99 text-till-video; etthundra egocentriska vardagsuppgifter formulerade på båda sätten, 200 prompter och 456 steg, poängsatta efter stegslutförande och slutförande av hela planen över tre slumptalsfrön; Physics-IQ Verified i bild-till-video-inställningen, normaliserat så att variansen mellan två verkliga tagningar uppgår till 100; PhyGround på en femgradig skala bedömd av Qwen3.8-27B; RBench som ett oviktat medelvärde över fem uppgifts- och fyra förkroppsligandekategorier; och en blind parvis studie med människor på 140 prompter med tretton granskare och 1 400 jämförelser, där Elo anpassats med Bradley–Terry och centrerats vid 1500.

Tretton granskare är en liten panel, och de bedömde författarnas modell mot författarnas baslinjer, med de slutna jämförelsemodellerna genererade en gång via ett tredjeparts inferens-API och flera rader flaggade som single-seed. Inget av det är oberoende. Allt av det är läsbart, vilket är det näst bästa — och det är skillnaden mellan en utgåva du kan argumentera emot och en du bara kan titta på.

Licenserna går då i motsatt riktning mot vad bevisen visar. PAN 2 är Apache-2.0, utan åtkomstbegränsning, 86,17 gigabyte fördelat på sextio filer, inget attribueringskrav, ingen användartröskel. WorldClaw har ingen licens att läsa, eftersom det inte finns något att licensiera: GitHub-projektet innehåller en README och resurser, ingen kod, inga vikter, inget inferensskript, inget API och inget pris. En ramverksartikel utan implementation är en beskrivning av en metod, inte ett verktyg, och kravet på fyra H20 plus beroendet av en stack av separat licensierade modeller innebär att ett släpp inte skulle vara en nedladdning som fungerar direkt, även om det blev av.

Där en router faktiskt är bärande, och det är inte där du förväntar dig

Detta är det sällsynta paret där det intressanta kommersiella faktumet ligger på ramverkssidan. WorldClaws planeringshalva är inte en mystisk modell bakom ett API – den namnges i artikeln, och komponenterna den namnger är vanliga katalogmodeller. Claude Opus 4.8 finns i OrcaRouters katalog. Det gör även GPT-Image-2. Det gör även de fyra resonemangsmodellerna som IFM rankade för PAN 2:s caption-steg: Claude Opus 5.5, GPT-6 Astra, Kimi K3 och Qwen3.8-Flash.

Det innebär att ett team som återimplementerar WorldClaw-uppdelningen – planering, terräng, objekt, förfining – kan sätta ihop språk- och bildstegen idag via en enda nyckel, till varje leverantörs listpris som förs vidare med 0 % påslag, med automatisk failover när ett planeringsanrop får timeout mitt i bygget. Samma nyckel driver PAN 2:s resonemangsplats när du byter bildtextsskrivare mellan experiment och håller 29B-renderaren fixerad på din egen nod. Det OrcaRouter inte gör är att vara värd för vare sig PAN 2 eller Hunyuan3D WorldClaw: den ena är en videodiffusionsmodell som du kör på din hårdvara, den andra finns inte som körbar kod någonstans. Inget i den här artikeln bör tolkas som att det antyder något annat.

Den ärliga formuleringen är att vi routar sömmarna. I en pipeline i WorldClaw-stil finns det tre av dem – prompt till plan, plan till bild, render till kritiker – och vart och ett är ett debiterat anrop. I en PAN 2-pipeline finns det ett, och det är den enda delen som inte kräver en GPU. Det är ett snävare påstående än "vi kör världsmodeller", och det är det sanna.

Vad varje design lär dig även om du inte kör någon av dem

WorldClaws mest överförbara idé är nedbrytningen, inte scenen. Planera, lägg ut terräng, rekonstruera objekt var för sig och inspektera och korrigera sedan – den fyrastegsstrukturen är en sund arkitektur för alla pipelines vars utdata måste redigeras senare, och valet av explicit mesh är det rätta för allt som lämnar pipelinen och hamnar i en spelmotor. Korrigeringsloopen med en visionsagent som inspekterar efter svävande objekt och felaktig skala är den del som de flesta team hoppar över och de flesta team ångrar att de hoppade över.

PAN 2:s mest överförbara idé är caption-kontraktet. Gränssnittet är inte en promptruta; det är en strukturerad, tidsförankrad beskrivning med en tokenbudget på 1 480 mjuka och 1 536 hårda tokens, en medföljande prompt-rewriter-skill, en fast negativ prompt och en validator som kontrollerar captions mot encoderns gräns. Fri text skrivs om innan den används, och modellkortet säger rakt ut att agentfallstudierna byggde på handförfinade promptar. Alla team som bygger en världsmodell eller använder en bör stjäla det: kontraktet mellan den resonerande halvan och den renderande halvan är där kvaliteten vinns eller förloras, och det förtjänar ett schema snarare än en känsla.

Båda designerna delar också ett misslyckande som fältet inte har löst, och de misslyckas med det på olika sätt. PAN 2 driver i utseende mellan klipp eftersom var och en simuleras från högst en startbild plus text, och dess kort pekar ut perceptuellt minne som den saknade pusselbiten; dess eget avsnitt om begränsningar inleds med erkännandet att ungefär två av tre simulerade planer innehåller minst ett steg som inte genomförs. WorldClaws drift är geometrisk och spatial: interpenetration, fel skala, objekt som svävar, vilket är anledningen till att den överhuvudtaget behöver en visionsagent i loopen. Den ena behöver ett minne, den andra behöver en inspektör, och ingen av dem har publicerat en uppmätt kurva över hur illa det blir över tid.

Beslutet, i ett svep

Om du behöver en plats – en nivå, ett syntetiskt interiördataset, en virtuell produktionsscen – är WorldClaw den mer relevanta referensen, och du kan inte köra den. Ta med den fyrstegsnedbrytningen och den explicita mesh-utmatningen i din egen build, budgetera för en maskin i klassen med fyra H20 plus ett Blender-beroende, och ersätt den kvalitativa utvärderingen med något som du kan mäta, eftersom artikeln inte ger dig någon sådan.

Om du behöver en konsekvens – vad en plan gör, innan du binder dig till den – går PAN 2 att ladda ner i eftermiddag, med tillåtande licens och ärlig om att den misslyckas i två av tre planer. Läs begränsningssidan först, ha en kontrollör med i loopen och räkna med att lägga GPU-timmar snarare än dollar per token: tretton sekunder video tar ungefär 119 sekunder på fyra B300, och samplern kör hundra framåtpassningar per klipp.

Om du bygger det som inget av labben levererade – en värld som du kan redigera som geometri och sedan se bete sig – sätter du själv ihop den av en refiner, en scenbyggare, en renderare och en språkmodell vid varje skarv. Det är mer arbete än något av tillkännagivandena antyder, och det är där nästa års praktiska arbete i den här kategorin kommer att ske.

Det som skulle förändra den här sidan är kod. En WorldClaw-lansering med vikter och ett inferensskript skulle förvandla en metod till ett verktyg och göra jämförelsen levande; en PAN 2-variant som gav djup tillsammans med RGB skulle göra detsamma från andra hållet. Ingen av dem finns i dag. Tills en gör det är den korrekta sammanfattningen en nedladdningsbar konsekvensmotor och ett scenramverk som inte går att bygga, och det enda de verkligen har gemensamt är ambitionen att förutsäga en värld i stället för att rendera en bild av en.