PAN 2 vs Hy-Nomas: Samma licens, samma arkitekturfamilj, två definitioner av "åtgärd"

Detta är det enda paret i det nuvarande utbudet av världsmodeller där jämförelsen är ett verkligt val snarare än ett kategorifel. PAN 2 är Institute of Foundation Models världsmodell med 29 miljarder parametrar, Apache-2.0 på Hugging Face sedan 7 oktober 2026, koden den 5 november, Day-0-stöd för vLLM-Omni den 10 november, som förvandlar en startbild och en beskriven handling till upp till tjugo sekunder av 704×1248-video vid 24 bilder per sekund. Hy-Nomas är T​encent Hunyuns interaktiva videovärldsmodell, Apache 2.0, ungefär 8 miljarder parametrar, beskriven i arXiv 2610.36729 den 27 oktober 2026, som förvandlar en textprompt plus en kontinuerlig kamerabana till 720p-video vid 24 bilder per sekund i åtta destillerade steg. Båda har öppna vikter. Båda är diffusionstransformatorer som genererar video från en betingningssignal. Båda går att ladda ner i eftermiddag. Den som väljer mellan dem kan inte använda licens, tillgänglighet eller kategori som utslagsgivare, vilket är precis vad som gör det värt att göra noggrant.

Det tiebreak som faktiskt fungerar är en mening som inget av teamen tar upp i sitt abstract: vad som räknas som en handling. Hy-Nomas kontrollsignal är vart kameran tar vägen. PAN 2:s kontrollsignal är vad som händer i scenen, nedskrivet av en språkmodell som en sekvens av händelser bundna till aktörer. De är tillräckligt olika för att en prompt som fungerar bra på den ena är nästan meningslös på den andra, och om du bara lär dig en sak av den här jämförelsen är det den.

Två gränssnitt för konditionering, inte två kvalitetsnivåer

Hy-Nomas konditionerar på text plus en kamerabana. Banan är kontinuerlig och geometrisk: du talar om var betraktningspunkten rör sig, och modellen genererar ett segment som är betingat på en cachad historik så att världen förblir sammanhängande när du färdas. Dess promptförbättrare, Nomas-PE, skriver om lös prosa till strukturerade JSON-bildtexter, vilket är samma instinkt som PAN 2:s promptomskrivare följer från andra hållet – båda teamen drog slutsatsen att fritext är för vagt för att konditionera en diffusionstransformer på.

Där de skiljer sig åt är vad den strukturerade formen beskriver. Hy-Nomas struktur är rumslig och betraktarcentrerad; det som modelleras är just kamerans rörelse genom en scen. PAN 2:s struktur är tidsmässig och aktörscentrerad: händelser i ordning, varje handling knuten till aktören som utför den, plus kamerarörelse som ett fält bland flera. Läser man IFM:s egen formulering är betoningen omisskännlig — bildtexten beskriver vad som händer efter en handling, och demonstrationen som gjorde modellen känd är en jordgubbe som släpps i en skål där byte av frukt eller vätska förändrar stänket.

• Betingning — Hy-Nomas tar fritext plus en kontinuerlig kamerabana; PAN 2 tar en valfri första bildruta plus en strukturerad, tidsförankrad åtgärdsbeskrivning.

• Vad "action" innebär – Hy-Nomas: en kamerarörelse, det vill säga var du tittar; PAN 2: en händelse med en aktör, det vill säga vad som händer.

• Segmentstruktur — Hy-Nomas är segmentautoregressiv över en cachad KV-historik, så kontexten förs vidare mellan segment; PAN 2 simulerar varje klipp från högst en startbild plus text, utan något medfört tillstånd mellan klipp.

• Utdata – Hy-Nomas: 720×1280 vid 24 fps i åtta destillerade steg; PAN 2: 704×1248 vid 24 fps över femtio samplersteg vid guidance 2,5.

• Storlek — Hy-Nomas: ungefär 8B över 54 MMDiT-block med dubbla strömmar vid hidden size 2 048, plus en finjusterad PixelUMM-dekoder över DCAE-V-latenter; PAN 2: en 29B MMDiT plus en fryst Qwen3.5-9B-textkodare och en Wan 2.2 VAE.

• Hårdvara — Hy-Nomas: åtta GPU:er i referensdriftsättningen, med en väg för ett enda RTX 4090 som använder en INT8-DiT, KV-cache, FP8-avkodare och CPU-offload vid ungefär 38 GB; PAN 2: åtta H200:or i BF16 som dokumenterad standard, med ett recept som får tretton sekunders video att ta cirka 119 sekunder på fyra B300:or.

• Viktstorlek — Hy-Nomas: cirka 196 GB på Hugging Face som tencent/Hy-Nomas; PAN 2: 86,17 GB över sextio filer som IFM/PAN2.

Sju dimensioner och inte en enda av dem är en poäng. Det de beskriver är en designmässig divergens: Hy-Nomas lade sina parametrar på att hålla en värld samman när du rör dig genom den, PAN 2 lade sina parametrar på att förutsäga vad en handling gör. En kamerabana är billig att specificera och svår att fejka; en händelsesekvens är uttrycksfull och dyr att generera.

Där skillnaden märks: tre uppgifter, båda modellerna

Abstrakta kontraster är billiga. Dessa är konkreta.

Visa mig runt i en lägenhet. Hy-Nomas vinner ohotat. Du vill ha en kontinuerlig bana genom en korridor och in i ett kök, där rummet bakom dig förblir rummet bakom dig. Det är segmentautoregressiv generering över en cachad historik, vilket är precis vad arkitekturen är till för, och PAN 2 kan inte göra det: den renderar ett klipp, och nästa klipp börjar från en bildruta du tillhandahåller utan minne av vad som kom före. Att kedja PAN 2-klipp för att skapa en genomgång ger den drift som dess eget modellkort varnar för, där utseendet förändras mellan klipp i långa interaktioner eftersom varje klipp simuleras från högst en startbildruta.

Jag öppnar lådan och koppen faller. PAN 2 vinner, och det är inte ens nära. Förfrågan är en händelse med en aktör och en fysisk konsekvens. Hy-Nomas betingning har inget fält för "lådan öppnas" separat från kameran – du kan lägga det i textprompten, och dess promptförstärkare kommer att strukturera det, men modellens precisionsbudget spenderades på synvinkel snarare än på kontakt och konsekvens. PAN 2:s bildtextskontrakt finns just för att binda handlingar till aktörer och ordna dem i tid, vilket är varför IFM levererade en validator som kontrollerar beskrivningar mot textkodarens budget på 1 480 tokens mjukt och 1 536 hårt i stället för att låta prosa passera.

Generera tvåhundra varianter av en manipulationsscen för en datauppsättning.Båda är fel, men på olika sätt. Hy-Nomas ger dig tvåhundra sammanhängande kamerarörelser genom tvåhundra scener och mycket liten kontroll över huruvida armen faktiskt greppar något. PAN 2 ger dig tvåhundra åtgärdskonditionerade klipp och, enligt dess eget kort, kommer ungefär två av tre planer att innehålla minst ett steg som inte utförs – så en tredjedel av din datauppsättning blir oanvändbar om du inte bygger en kontrollfunktion. Ingen av dem är en datamotor direkt ur lådan; skillnaden är huruvida felet är geometrisk drift eller ett bortfallit steg, och vilket av dessa din nedströmsuppgift kan tolerera.

Den tredje uppgiften är också den som avgör din hårdvara. Tvåhundra klipp i 720p med åtta steg på ett enda kvantiserat 4090-kort är en eftermiddag. Tvåhundra klipp på en nod med fyra B300 med 119 sekunder per tretton sekunder video är ett par dagar, och den aritmetiken är det verkliga skälet till att de två modellerna inte är utbytbara ens där deras förmågor överlappar.

Samma misslyckande med två olika namn

Båda korten medger samma svaghet och ingen av dem åtgärdar den: en världsmodell med lång horisont förlorar sin värld. PAN 2 säger att utseendet förskjuts mellan klipp och pekar på perceptuellt minne som den saknade pusselbiten. Hy-Nomas tar itu med det direkt med en medförd KV-cache och ett kausalt uppmärksamhetsmönster som håller beskrivande kontext vid liv mellan segment samtidigt som åtgärdsinstruktioner begränsas till det fönster där de utfärdades – och rapporterar sedan i sin egen utvärdering att den fortfarande ligger efter Genie 3 när det gäller långsiktigt rumsligt minne.

Det sista medgivandet är mer intressant än en seger. Det säger att minnesmekanismen fungerar tillräckligt bra för att slå Genie 3 och LingBot-World v2 på interaktion och promptföljning — cirka 65 procents vinstfrekvens på promptföljning över ett benchmark med 280 fall som täcker flerturtext, kameranavigering, varvat text och kamera samt spatialt minne — och ändå förlorar på spåret som mäter huruvida världen håller sig stilla. Det är författarnas jämförelser mot författarnas valda baslinjer på författarnas benchmark, och likt varje siffra i den här kategorin är de inte reproducerade. Vad de inte är är vaga: en modell som publicerar var den förlorar är en modell man kan planera kring.

Den användbara tolkningen för alla som bygger på någon av dem: persistens är inte en egenskap man kan förutsätta och kontrollera senare. Det är det första man bör mäta på sina egna scener, med sin egen tolerans för drift, innan man binder en pipeline till en modell. Ingen av leverantörerna publicerar en kurva för tid till fel — den varaktighet vid vilken en scen upphör att vara tillförlitlig — och den saknade siffran spelar större roll än någon benchmarkposition.

Kostnaden är inte en avrundningsdifferens, det är beslutet

Lägg kapacitetsargumentet åt sidan för en stund och titta på vad som krävs för att köra var och en i en vecka.

Hy-Nomas väg med ett enda 4090 är det mest avgörande faktumet i den här jämförelsen, och det är lätt att missa under referensdistributionen med åtta GPU:er. En INT8-DiT med KV-cache, en FP8-avkodare och CPU-offload får plats i ungefär 38 GB, vilket innebär att en studio med ett enda arbetsstationsklassat kort kan generera interaktiv 720p-video utan att hyra något. Det är åtta-GPU-konfigurationen som benchmarken beskriver; det är 4090-konfigurationen som en läsare faktiskt kan göra i kväll.

PAN 2 har ingen publicerad jämförbar väg. Dess dokumenterade standard är åtta H200:or i BF16 med VAE-patchparallellism över fyra rutor, och serveringsreceptet som alla citerar – tretton sekunder video i 704×1248 på ungefär 119 sekunder – förutsätter fyra B300:or. Värre är det att samplern är dyr by design: femtio steg med guidance 2,5 tillämpat vid varje steg är hundra framåtpassager genom en 29B-transformer per klipp, vilket är anledningen till att classifier-free guidance måste delas upp mellan rankar och sekvensparallellism spridas över fler. Det finns ingen kvantiserad berättelse för ett enda kort i utgåvan, och att låtsas något annat vore att hitta på en.

Så här lyder den ärliga kostnadsmeningen: Hy-Nomas kostar en GPU som du förmodligen har, PAN 2 kostar en GPU-nod som du förmodligen inte har, och oavsett hur stor kvalitetsskillnaden än är åt endera hållet ändrar det inte saken för ett litet team.

Routing-vinkeln här är snäv och värd att formulera exakt, eftersom båda dessa är modeller som du själv driftar och ingen av dem finns i OrcaRouter-katalogen. Det som går att routa är den del som båda arkitekturerna lade till eftersom fritext inte räckte: promptförstärkningssteget. Hy-Nomas Nomas-PE skriver om prosa till strukturerade JSON-bildtexter; PAN 2:s prompt-omskrivare har en systemprompt, en fast negativ prompt och en validator mot encoderns tokenbudget. Det är språkmodellsanrop, och det är steget där en annan modell mätbart förändrar vad renderaren tar emot. IFM rankade fyra resonemangsmodeller för sitt bildtextssteg – Claude Opus 5.5, GPT-6 Astra med medium effort, Kimi K3, Qwen3.8-Flash – och alla fyra finns i katalogen, så den omskrivande halvan av endera pipelinen kan bytas ut och jämföras via en enda nyckel till leverantörens listpris med 0 % påslag, med failover när ett omskrivningsanrop time:ar ut mitt i en batch. 29B- och 8B-renderarna stannar på din hårdvara. Det är hela påståendet.

Vad de två modellkorten faktiskt innehåller

Båda utgåvorna lägger ett kort offentligt, och korten skiljer sig åt i vad de är villiga att erkänna.

Hy-Nomas rapport, arXiv 2610.36729 den 27 oktober 2026, beskriver tricket som får fleromgångsinteraktion att fungera: strukturerade bildtexter linjeras med ett åtgärdsmedvetet kausalt uppmärksamhetsmönster, så att beskrivande kontext består över segment medan åtgärdsinstruktioner begränsas till det fönster där de utfärdades. Utvärderingen är ett benchmark med 280 fall över fyra spår – fleromgångstext, kameranavigering, varvat text och kamera samt spatialt minne – bedömd genom mänsklig parvis jämförelse mot Genie 3, LingBot-World v2 och Happy Oyster. Den vinner inom interaktion och promptföljning, med en rapporterad vinstfrekvens på omkring 65 % för promptföljning, och förlorar mot Genie 3 i långsiktigt spatialt minne. Vikterna är omkring 196 GB som tencent/Hy-Nomas under Apache 2.0, med kod på GitHub och en hostad demo.

PAN 2:s kort är längre och mindre smickrande. Arkitekturen är generativ latent prediktion från Kritik av världsmodeller (arXiv 2507.05169), och samma dokument som beskriver den listar bristerna: ungefär två av tre simulerade planer tappar minst ett steg, utseendet driver mellan klipp eftersom det inte finns något bevarat tillstånd, formuleringen av observationen och handlingen ändrar resultatet, text uttrycker "öppna en låda" väl och "placera varje finger här" dåligt, en simulering kan fortskrida samtidigt som den bryter mot fysiken, och att simulera planer som borde misslyckas har ännu inte mätts.

Läs de två sida vid sida så är skillnaden i redovisningsstil uppenbar. Hy-Nomas redovisar en vinstfrekvens och en förlust; PAN 2 redovisar en felfrekvens och en lista. Ingen av dem är en revision, och båda skrevs av teamen som byggde modellerna. Men ett kort som talar om var modellen förlorar är ett dokument man kan planera utifrån, och båda dessa platsar – vilket är mer än vad de flesta av deras slutna konkurrenter erbjuder.

Vilken, och vad skulle ändra svaret?

Välj Hy-Nomas om ditt problem är utforskning eller innehåll: en värld som någon går igenom, en kamerarörelse som någon regisserar, en sammanhängande 720p-scen från en prompt på ett enda kort. Dess minnesmekanism, dess kamerakonditionering och dess 4090-väg pekar alla mot samma användare – någon som behöver se en plats och röra sig genom den, billigt, nu.

Välj PAN 2 om ditt problem är ett beslut: en agent som behöver förhandsgranska vad en åtgärd gör, en planerare som rangordnar kandidatplaner, en forskningsfråga om huruvida en strukturerad beskrivning av en händelse är tillräcklig för att generera dess konsekvens. Dess caption-kontrakt, dess publicerade harness och dess Apache-2.0-vikter pekar alla mot en användare som behöver bli motsagd på ett ärligt sätt och har hårdvaran som krävs för att betala för det.

Två saker skulle bryta dödläget på ett sätt som ingen av leverantörerna för närvarande möjliggör. Ett minne i Hy-Nomas-stil som förs över segment på en modell med PAN 2:s aktionskonditionering skulle vara en meningsfullt bättre produkt än någon av dem. En publicerad studie av misslyckanden – där PAN 2 simulerar planer som borde misslyckas och Hy-Nomas mäter drift över tio minuter i stället för en – skulle besvara frågan som båda korten lämnar öppen. Till dess att något av detta blir verklighet handlar valet inte om vilken modell som är bättre. Det handlar om huruvida din värld är något du rör dig genom eller något som händer dig.