Hi3D V1.0 เทียบกับ Hunyuan3D WorldClaw: ทำแอสเซ็ตเดียวได้ดี หรือทั้งโลกแบบคร่าว ๆ

ฉากของ Hunyuan3D WorldClawไม่ใช่โมเดล 3D เพียงหนึ่งเดียว แต่ประกอบด้วยภูมิประเทศ อาคาร พืชพรรณ ยานพาหนะ และตัวละคร ซึ่งแต่ละอย่างถูกสร้างใหม่เป็นเมชแยกกัน วางบนภูมิทัศน์ที่สร้างขึ้น จากนั้นจึงถูกตรวจสอบโดยเอเจนต์ด้านการมองเห็นซึ่งส่งบริเวณที่มีปัญหากลับไปซ่อมแซม Hi3D V1.0ไม่ได้สร้างทั้งโลก มันรับเมชหยาบหนึ่งชิ้นและภาพอ้างอิงหนึ่งภาพ แล้วใช้ GPU ความจุ 96 GB ทำให้เรขาคณิตของวัตถุชิ้นเดียวนั้นคมชัดขึ้น การเปรียบเทียบจึงไม่ใช่ฉากต่อฉาก แต่เป็นปริมาณงานเทียบกับความเที่ยงตรง และระบบทั้งสองอยู่คนละด้านของสายการผลิตเดียวกัน

สิ่งที่ WorldClaw ต้องมีก่อนที่จะสร้างโลกได้

WorldClaw เป็นเฟรมเวิร์กแบบเอเจนต์ของ Tencent Hunyuan สำหรับเปลี่ยนข้อความพรอมต์เดียวให้เป็นโลก 3D ขนาดใหญ่ที่สำรวจและแก้ไขได้ บทความเรื่อง “WorldClaw: Agentic 3D Open-World Generation at Scale” ปรากฏบน arXiv ในหมายเลข 2608.05248 เมื่อวันที่ 7 สิงหาคม 2026 โดยหน้าโปรเจกต์และที่เก็บ GitHub เผยแพร่ตามมาในสัปดาห์เดียวกัน สถาปัตยกรรมนี้ทำงานในสี่ขั้นตอน:

• การวิเคราะห์เจตนาและการวางแผนฉาก — เอเจนต์โมเดลภาษาสองตัวจะแยกวิเคราะห์พรอมต์ ตัวหนึ่งดึงเฉพาะข้อจำกัดที่ผู้ใช้ระบุ อีกตัวเติมรายละเอียดที่พรอมต์ไม่ได้ระบุไว้ บทความระบุชื่อ Claude Opus 4.8 สำหรับขั้นนี้

• การสร้างภูมิประเทศแบบทั่วโลก — แผนผังเชิงความหมายและฟิลด์ความสูงที่รับรู้ภูมิภาคจะสร้างโครงกระดูกภูมิประเทศแบบต่อเนื่อง โดยมีวัสดุ หิน และพืชพรรณที่กำหนดตามภูมิภาค

• การสร้างออบเจ็กต์ระดับภูมิภาค — ภูมิภาคที่มีรายละเอียดจะถูกเรนเดอร์เป็นคอมโพสิต 2D ที่จำกัดตามภูมิประเทศ แบ่งเป็นอินสแตนซ์ด้วย GPT-Image-2 และ SAM3D สร้างใหม่เป็นเมช 3D แต่ละชิ้นผ่าน Hunyuan3D แล้ววางกลับลงบนภูมิประเทศ

• การปรับแต่งโดยอาศัยการเรนเดอร์ — เอเจนต์ด้านภาพจะเรนเดอร์ฉากจากหลายมุมมอง ตรวจหาวัตถุที่ลอยอยู่ การทะลุผ่านกันของวัตถุ ขนาดที่ไม่ถูกต้อง และท่าทางที่ไม่ถูกต้อง แก้ไขบริเวณที่เป็นปัญหาและเรนเดอร์ใหม่จนกว่าจะผ่าน การประกอบจะเกิดขึ้นใน Blender ผ่าน MCP

ขั้นที่สามนั้นคือขั้นที่มีความสำคัญในที่นี้ ทุกวัตถุในฉาก WorldClaw เป็นการสร้างใหม่จากภาพเป็น 3D แยกกันแต่ละชิ้น ฉากที่มีพร็อพแตกต่างกันสองร้อยชิ้นคือการสร้างเมชสองร้อยครั้ง โดยแต่ละครั้งมีเงื่อนไขจากคอมโพสิต 2D ที่ผ่านการแบ่งส่วน และแต่ละครั้งมีความเที่ยงตรงเท่าที่โมเดลการสร้างใหม่พื้นฐานสามารถผลิตได้ เพดานด้านภาพของฉากถูกกำหนดโดยแอสเซ็ตที่แย่ที่สุดในฉาก และการประเมินของเฟรมเวิร์กเองไม่ได้วัดสิ่งนั้น บทความรายงานการเปรียบเทียบเชิงคุณภาพแบบเคียงข้างกับ SynCity, WorldGen ของ Meta, MajutsuCity และ Marble ของ World Labs — ไม่มี FID ไม่มีคะแนน CLIP ไม่มีการศึกษาผู้ใช้ และไม่มีเมตริกความเที่ยงตรงรายวัตถุ

สิ่งที่ Hi3D จะมีส่วนสนับสนุน และสิ่งที่จะไม่สนับสนุน

Hi3D V1.0 ซึ่งเผยแพร่เมื่อวันที่ 23 ตุลาคม 2026 เป็นโมเดลปรับแต่งที่สร้างขึ้นบน Sparc3D เพียงให้ภาพอ้างอิงของวัตถุและเมชหยาบของวัตถุเดียวกันแก่โมเดล โมเดลจะสุ่มตัวอย่างแลเทนต์แบบสแปร์สอย่างต่อเนื่อง ถอดรหัสผ่าน VAE แบบสแปร์สที่ตัดแต่งตัวเอง และสกัดพื้นผิวที่มีความละเอียดสูงขึ้น ทั้งสามรอบจะยกระดับกริดโครงสร้างไปเป็น 64³, 128³ และ 192³ และกริดการสกัดแบบสแปร์สไปเป็น 512³, 1024³ และ 1536³ โดยใช้การอัปเดตตัวจัดตารางเวลา 25 ครั้งต่อรอบ โมเดลจะทำงานทีละวัตถุ

ความสอดคล้องกับขั้นที่สามของ WorldClaw นั้นชัดเจนในทางทฤษฎี WorldClaw มีคอมโพสิต 2D แบบแบ่งส่วนสำหรับแต่ละวัตถุอยู่แล้ว และสร้างเมชผ่าน Hunyuan3D อยู่แล้ว สิ่งเหล่านี้คืออินพุตสองอย่างที่ Hi3D ต้องการพอดี: ภาพอ้างอิงและเมชหยาบ การปรับแต่งแต่ละวัตถุก่อนที่จะถูกจัดวางจะเพิ่มรายละเอียดเชิงเรขาคณิตของแอสเซตที่กำหนดคุณภาพภาพระยะใกล้ของฉาก

มีข้อจำกัดสามประการที่ทำให้สิ่งนี้ไม่ใช่การอัปเกรดแบบแทนที่ได้ทันที

ประการแรก Hi3D ทำงานเฉพาะเรขาคณิตเท่านั้น มันไม่สร้างเท็กซ์เจอร์ วัสดุ หรือสีจุดยอด และเอาต์พุตของ WorldClaw เป็นเมชที่มีเท็กซ์เจอร์อย่างชัดเจน แก้ไขได้ทีละชิ้น และมีไว้สำหรับเกมเอนจิน Hi3D จะปรับปรุงรูปทรงเงาและรายละเอียดพื้นผิวเฉพาะจุด แล้วส่งแอสเซ็ตไปยังขั้นตอนการใส่เท็กซ์เจอร์ซึ่งไม่มีรีโพซิทอรีใดจากทั้งสองจัดหาให้ โลกที่สร้างจากเมชที่ผ่านการปรับแต่งแต่ยังไม่มีเท็กซ์เจอร์ไม่ใช่สิ่งที่ส่งมอบที่ WorldClaw สัญญาไว้

ประการที่สอง ภาพอ้างอิงต้องแสดงวัตถุเดียวกัน การแบ่งส่วนของ WorldClaw ให้ภาพครอปของวัตถุภายในภาพคอมโพสิตระดับภูมิภาค ซึ่งใกล้เคียงแต่ไม่เหมือนกับภาพอ้างอิงผลิตภัณฑ์แบบสะอาด ว่าดีพอหรือไม่นั้นเป็นคำถามเชิงประจักษ์ที่ยังไม่มีใครตอบ

ประการที่สาม ทรูพุต Hi3D ปรับแต่งเมชทีละหนึ่งชิ้น และการกำหนดค่าที่วัดได้คือ H20 ขนาด 96 GB ที่ไม่มีเส้นทาง CPU และไม่มีโหมดแบตช์ WorldClaw ทำงานบน H20 4× อยู่แล้วตามที่บทความระบุ การเพิ่มขั้นตอนการปรับแต่งต่อวัตถุก่อนการจัดวางจะคูณส่วนที่แพงที่สุดของไปป์ไลน์ด้วยจำนวนวัตถุในฉาก

ตัวเลขที่ไม่มีหน้าใดให้คุณ

คุณไม่สามารถคำนวณต้นทุนขององค์ประกอบนี้จากเอกสารที่เผยแพร่ได้ และนั่นคือข้อค้นพบเชิงปฏิบัติที่สำคัญที่สุดในการเปรียบเทียบนี้

Hi3D ไม่ได้เผยแพร่ความหน่วงตามเวลาจริง README ระบุการอัปเดตตัวจัดกำหนดการ จำนวนพาส และ GPU ที่วัดได้ แต่ไม่ได้ระบุวินาทีต่อวัตถุที่ 512³, 1024³ หรือ 1536³ WorldClaw ก็ไม่ได้เผยแพร่เวลาการสร้างใหม่ต่อวัตถุเช่นกัน ข้อความเกี่ยวกับการคำนวณในบทความพูดถึงระบบโดยรวมบน 4× H20 ไม่ใช่ต้นทุนส่วนเพิ่มของพร็อพอีกหนึ่งชิ้น หากไม่มีตัวเลขทั้งสองจำนวน การคำนวณที่ใช้ตัดสินว่าการปรับแต่งละเอียดนั้นจ่ายไหวหรือไม่ — จำนวนวัตถุต่อฉาก คูณ วินาทีต่อวัตถุ คูณ ชั่วโมง GPU — ย่อมทำจากแหล่งข้อมูลเหล่านี้ไม่ได้

สิ่งที่พอจะพูดได้คือรูปร่างของต้นทุน การตั้งค่า 512³ ของ Hi3D ใช้หนึ่งพาส; 1024³ ใช้สองพาส; 1536³ ใช้ทั้งสามพาส แต่ละพาสคือการอัปเดตตัวจัดตารางเวลา 25 ครั้ง ความละเอียดที่สูงขึ้นแลกมาด้วยรายละเอียดและต้นทุนในรูปของจำนวนพาส ขนาดแบตช์เป็นหนึ่ง ต้นทุนจึงเพิ่มขึ้นเป็นเส้นตรงกับจำนวนวัตถุ และไม่สามารถกระจายเฉลี่ยข้ามแบตช์ได้ หากฉาก WorldClaw มีวัตถุหลักหลายสิบชิ้นและพร็อพฉากหลังหลายร้อยชิ้น ไปป์ไลน์ที่สมเหตุสมผลจะรีไฟน์เฉพาะวัตถุหลักและปล่อยฉากหลังไว้ที่ขั้นหยาบ — ซึ่งเป็นการตัดสินใจที่ต้องอาศัยข้อมูลเวลาต่อวัตถุที่ทั้งสองโปรเจกต์ไม่ได้เผยแพร่

ห้ามิติที่แยกพวกเขาออกจากกันได้จริง

• หน่วยของงาน — Hi3D V1.0 หนึ่งออบเจ็กต์ เทียบกับ Hunyuan3D WorldClaw หนึ่งฉากโลกเปิดที่มีหลายออบเจ็กต์

• เอาต์พุต — Hi3D V1.0 เป็นเมชที่มีเฉพาะเรขาคณิต เทียบกับ Hunyuan3D WorldClaw ซึ่งเป็นเมชที่แก้ไขได้และมีพื้นผิวที่ประกอบขึ้นใน Blender

• อินพุต — Hi3D V1.0 รูปภาพอ้างอิงพร้อมเมชหยาบ เทียบกับ Hunyuan3D WorldClaw พรอมต์ข้อความแบบเปิดกว้างหนึ่งพรอมต์

• โค้ดและน้ำหนักโมเดล — Hi3D V1.0 ดาวน์โหลดได้วันนี้ภายใต้ Hi3D Open License 1.0 เทียบกับ Hunyuan3D WorldClaw ที่มีเพียง README และเปเปอร์ ไม่มีโค้ด ไม่มีน้ำหนักโมเดล ไม่มี API ไม่มีข้อมูลราคา

• หลักฐาน — Hi3D V1.0 ไม่มีเกณฑ์มาตรฐานเชิงตัวเลขเมื่อเทียบกับ Hunyuan3D WorldClaw มีเพียงการเปรียบเทียบเชิงคุณภาพเท่านั้น ไม่มี FID ไม่มี CLIP ไม่มีการศึกษาผู้ใช้

ความพร้อมใช้งานเป็นตัวกำหนดไตรมาส

หนึ่งในสิ่งเหล่านี้เป็นเครื่องมือ และอีกสิ่งหนึ่งเป็นเอกสารการออกแบบ

Hi3D V1.0 สามารถโคลน ติดตั้ง และรันได้แล้ววันนี้ โดยต้องใช้ Linux, Python 3.10, CUDA 12.0 ถึง 12.5, GPU ที่มีความสามารถในการประมวลผล 8.0 และบิลด์จากซอร์สของ flash-attn และชุดลำดับขั้น 1536³ แบบเต็มได้รับการตรวจสอบความถูกต้องเฉพาะบน H20 ขนาด 96 GB เท่านั้น สัญญาอนุญาตอนุญาตให้ใช้เชิงพาณิชย์ โดยมีข้อกำหนดให้แจ้งและขอใบอนุญาตแยกเมื่อผลิตภัณฑ์มีผู้ใช้งานที่ใช้งานอยู่รายเดือนเกิน 200,000 ราย หรือมีรายได้ต่อเดือนเกิน 1,000,000 ดอลลาร์สหรัฐ และมีข้อกำหนดด้านการระบุแหล่งที่มาสำหรับการผสานรวมเชิงพาณิชย์ ไฟล์น้ำหนักโมเดลมีแปดไฟล์บน Hugging Face ไม่มีเอนด์พอยต์แบบโฮสต์ — การ์ดโมเดลระบุว่าโมเดลนี้ไม่ได้ถูกนำไปใช้งานโดยผู้ให้บริการการอนุมานรายใด — และ v3.0 เชิงพาณิชย์ของบริษัท ซึ่งมีวอกเซล 2048³ และเท็กซ์เจอร์ 8K เป็นผลิตภัณฑ์แยกต่างหากที่ขายผ่านแพลตฟอร์มของบริษัทเอง

ทุกวันนี้ไม่มีใครนอก Tencent ที่รัน WorldClaw ได้ รีโพซิทอรี GitHub มีโฟลเดอร์ assets, .gitignore และ README ไม่มีอิมพลีเมนเทชัน ไม่มีเช็กพอยต์ ไม่มี API และไม่มีราคา และ issue ที่ขอโค้ดก็ยังไม่ได้รับคำตอบ เปเปอร์มีรายละเอียดพอที่จะนำสถาปัตยกรรมไปสร้างใหม่ได้ และหน้าโปรเจกต์ก็เป็นเดโมที่ดี แต่ทั้งสองอย่างไม่ใช่ dependency ที่คุณจัดตารางใช้งานได้ ถ้าคุณกำลังสร้าง world generator, WorldClaw คือพิมพ์เขียวที่ควรอ่าน แต่ไม่ใช่คอมโพเนนต์ที่คุณเรียกใช้ได้

ความไม่สมมาตรนั้นคือคำตอบเชิงปฏิบัติสำหรับการเปรียบเทียบนี้ ทีมที่ต้องการรูปทรงเรขาคณิตของวัตถุที่ดีขึ้นในเดือนนี้สามารถใช้ Hi3D ได้ ส่วนทีมที่ต้องการความสามารถระดับฉากของ WorldClaw ในเดือนนี้จำเป็นต้องสร้างมันขึ้นมาเอง และบทความนี้เป็นสิ่งเดียวที่ Tencent เผยแพร่ซึ่งช่วยได้

ค่าใช้จ่ายจาก LLM ตกอยู่ที่ใคร

สถาปัตยกรรมของ WorldClaw เปิดเผยอย่างตรงไปตรงมาอย่างผิดปกติว่าการเรียกใช้ที่มีค่าใช้จ่ายสูงอยู่ตรงไหนบ้าง การวางแผนฉาก การดึงข้อจำกัดของผู้ใช้ การเติมรายละเอียดที่พรอมต์ละไว้ และการรันการวิจารณ์ด้วยภาพเพื่อตัดสินว่าสิ่งใดต้องเรนเดอร์ใหม่ ล้วนเป็นการเรียกใช้โมเดลภาษาหรือโมเดลภาษา-ภาพ เฟรมเวิร์กนี้ส่งงานเหล่านี้ไปยังโมเดลชั้นแนวหน้า แทนที่จะฝึกโมเดลของตัวเอง นี่คือการเดิมพันโดยเจตนา: การทำออร์เคสเตรชันแทนการฝึกโมเดล โดยคุณภาพถูกจำกัดด้วยองค์ประกอบที่คุณไม่ได้ควบคุม

นี่ก็เป็นเลเยอร์ที่ OrcaRouter ครอบคลุมเช่นกัน การสร้างใหม่แบบ 3D ยังคงอยู่บน GPU ของคุณ และไม่ใช่สิ่งที่เราให้บริการ — แคตตาล็อกของเราคือโมเดลข้อความ วิชัน วิดีโอ embedding และเสียง ไม่ใช่เรขาคณิต ส่วนตัววางแผนและตัววิจารณ์เป็นอีกเรื่องหนึ่ง การวางโมเดลมากกว่า 200 โมเดลไว้เบื้องหลัง API เดียว หมายความว่าตัววางแผนและตัววิจารณ์ไม่จำเป็นต้องมีสัญญาแยก คีย์แยก และโดเมนความล้มเหลวแยกจากกัน ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยบวกกำไร 0% ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงไปถึงเอนด์พอยต์ได้ในวันเดียวกัน การสลับไปใช้ระบบสำรองอัตโนมัติช่วยไม่ให้ผู้ให้บริการหนึ่งรายที่ทำงานได้ลดลงมาทำให้โลกหยุดชะงักกลางการสร้าง; และ DSL การกำหนดเส้นทางประกอบโมเดลหลายโมเดลเข้าเป็นการเรียกครั้งเดียว ซึ่งก็คือสิ่งที่ลูปวางแผนแล้ววิจารณ์เป็นจริง ๆ สำหรับไปป์ไลน์ที่ต้นทุนต่อฉากถูกครอบงำด้วยการเรียกเอเจนต์ซ้ำ ๆ พื้นผิวการควบคุมนั้นสำคัญกว่าการเลือกโมเดลใดโมเดลหนึ่ง

ใครควรลงมือทำ และลงมือทำในเรื่องใด

หากคอขวดของคุณคือคุณภาพของแอสเซ็ตแต่ละชิ้น — {{1}}ชิ้นส่วนที่พิมพ์ได้{{/1}}, {{2}}โมเดลผลิตภัณฑ์{{/2}}, {{3}}พร็อพฮีโร่{{/3}} — ตอนนี้ Hi3D V1.0 {{4}}พร้อมใช้งานแล้วตอนนี้{{/4}} และการทดลองนี้ก็{{5}}เริ่มต้นได้ในราคาถูก{{/5}} {{6}}โดยมีเงื่อนไขว่าคุณมี GPU ขนาด 96 GB และมีเมชหยาบอยู่แล้ว{{/6}} อ่าน{{7}}ส่วนข้อจำกัด{{/7}}{{8}}ก่อนข่าวประชาสัมพันธ์{{/8}}: โมเดล{{9}}ปรับปรุงโครงสร้าง{{/9}} {{10}}แต่ไม่แก้ไขซิลูเอตต์ที่ผิด{{/10}} และ{{11}}ไม่คืนเท็กซ์เจอร์{{/11}}

หากคอขวดของคุณคือการประกอบฉาก WorldClaw เป็นระบบที่ทะเยอทะยานกว่าและพร้อมใช้งานน้อยกว่า ผลงานของมันอยู่ในระดับสถาปัตยกรรม: ลูปเอเจนต์จากหยาบไปละเอียดพร้อมคริติกที่อิงการเรนเดอร์ และข้อความชัดเจนว่าขั้นตอนการสร้างวัตถุขึ้นใหม่คือจุดที่ความเที่ยงตรงของแอสเซ็ตแต่ละชิ้นจะชนะหรือแพ้ การทดลองถัดไปที่ชัดเจนคือการวางตัวปรับแต่งอย่าง Hi3D ไว้หลังขั้นตอนนั้น แล้ววัดว่าคุณภาพระยะใกล้ของฉากดีขึ้นมากพอที่จะคุ้มกับการประมวลผลเพิ่มหรือไม่ ยังไม่มีใครเผยแพร่การวัดนั้น และจนกว่าจะมีคนทำ การเปรียบเทียบก็ยังคงเป็นสมมติฐานเกี่ยวกับสายการผลิตมากกว่าจะเป็นผลลัพธ์