PAN 2 vs Hunyuan3D WorldClaw: โมเดลเดียวที่มีสองครึ่ง หรือห้าสิบโมเดลในเสื้อโค้ทตัวเดียว

วางสองสิ่งนี้ไว้เคียงกัน สิ่งแรกที่คุณจะสังเกตคือทั้งสองไม่ใช่วัตถุชนิดเดียวกัน PAN 2 เป็นโมเดล: พารามิเตอร์ 29 พันล้านของ multi-modal diffusion transformer จาก Institute of Foundation Models เผยแพร่ภายใต้ Apache-2.0 บน Hugging Face ตั้งแต่ 7 ตุลาคม 2026 โค้ดเผยแพร่เมื่อ 5 พฤศจิกายน รองรับ vLLM-Omni ตั้งแต่ Day-0 เมื่อ 10 พฤศจิกายน และมันทำสิ่งเดียว — เมื่อได้รับเฟรมเริ่มต้นและคำอธิบายการกระทำ มันจะเรนเดอร์วิดีโอ 704×1248 ความยาวสูงสุดยี่สิบวินาทีที่ 24 เฟรมต่อวินาที โดยคาดการณ์ผลลัพธ์ที่ตามมา Hunyuan3D WorldClaw เป็นเฟรมเวิร์ก: ไปป์ไลน์แบบเอเจนต์ของ Tencent Hunyuan สำหรับเปลี่ยนพรอมต์ข้อความแบบปลายเปิดหนึ่งรายการให้เป็นฉาก 3D ที่สำรวจได้ ซึ่งประกอบด้วยเมชแยกแต่ละวัตถุที่มีพื้นผิวชัดเจน อธิบายไว้ใน arXiv 2608.05248 เมื่อ 5 สิงหาคม 2026 และประกาศเมื่อ 11 สิงหาคม โดยมีรีโพซิทอรีที่เก็บ README และแอสเซตเท่านั้น ไม่มีโค้ด สิ่งหนึ่งคือ checkpoint ที่ดาวน์โหลดมารันได้ อีกสิ่งหนึ่งคือวิธีการที่เผยแพร่แล้วซึ่งคุณต้องสร้างขึ้นใหม่เอง

สิ่งที่สองที่คุณสังเกตเห็นมีประโยชน์กว่า เอกสารของ WorldClaw เองระบุชื่อโมเดลที่มันรัน และรายการนั้นก็คือรายการช้อปปิ้งของชิ้นส่วนจากเจ้าอื่น: Claude Opus 4.8 สำหรับการวางแผน, GPT-Image-2 สำหรับภาพ, SAM3 และ SAM3D สำหรับการแบ่งส่วน, Hunyuan3D สำหรับการสร้างใหม่, Blender 5.1.1 ที่ขับเคลื่อนผ่าน MCP สำหรับการประกอบ ทั้งหมดบน NVIDIA H20 สี่ตัว PAN 2 ระบุองค์ประกอบเดียวและเปิดให้สลับได้: โมเดลภาษาที่ทำตามคำสั่งใดก็ได้เขียนคำบรรยายแบบมีโครงสร้าง และ IFM จัดอันดับสี่โมเดลนั้น นั่นคือการเปรียบเทียบที่แท้จริง — ไม่ใช่ฉากกับวิดีโอ แต่คือสิ่งที่เกิดขึ้นกับระบบเมื่อสติปัญญากระจายไปทั่วห่วงโซ่ของผู้ขาย แทนที่จะรวมศูนย์อยู่ในเช็กพอยต์เดียว

สองสถาปัตยกรรมที่ถูกวาดอย่างตรงไปตรงมา

การออกแบบของ PAN 2 คือ Generative Latent Prediction จากบทวิพากษ์โมเดลโลก (arXiv 2507.05169) นักให้เหตุผลเชิงแนวคิดเขียนสภาวะโลกถัดไปออกมาเป็นคำอธิบายเชิงโครงสร้างที่ยึดโยงกับเวลา — เหตุการณ์เรียงตามลำดับ การกระทำผูกโยงกับผู้กระทำ การเคลื่อนที่ของกล้อง — ตัวเข้ารหัสข้อความ Qwen3.5-9B ที่ถูกแช่แข็งจะแมปสิ่งนี้เป็นคุณลักษณะสำหรับกำหนดเงื่อนไข ทรานส์ฟอร์เมอร์แบบดิฟฟิวชันขนาด 29B เติมเต็มรายละเอียดเชิงการรับรู้ และ VAE ของ Wan 2.2 ถอดรหัสออกมาเป็นเฟรมภาพ สองครึ่ง หนึ่งรีโพซิทอรี หนึ่งสัญญาอนุญาต

การออกแบบของ WorldClaw คือวงจรการปรับแต่งสี่ขั้นตอนที่ผู้สร้างอธิบายว่าจากหยาบไปละเอียด: เอเจนต์แบบโมเดลภาษาอ่านพรอมป์ต์และสร้างแผนฉาก; รอบระดับภาพรวมสร้างเลย์เอาต์เชิงความหมาย ฟิลด์ความสูง และวัสดุ เพื่อให้พื้นมีความสอดคล้องกันก่อนจะมีสิ่งใดวางบนพื้น; แต่ละภูมิภาคถูกเรนเดอร์ แบ่งส่วน และสร้างใหม่เป็นเมชแต่ละชิ้นผ่าน Hunyuan3D; และเอเจนต์ด้านภาพตรวจสอบภาพเรนเดอร์เพื่อหาวัตถุลอย การทะลุกัน ขนาดผิด และท่าทางผิด แล้วส่งคำแก้ไขกลับ คำมั่นเรื่องเรขาคณิตแบบชัดแจ้งยังคงอยู่ — คุณได้วัตถุ ไม่ใช่ก้อนหลอมรวมหรือ Gaussian splat — และเอเจนต์ทำงานเพียงครั้งเดียวก่อนที่คุณจะโหลดฉาก

จุดที่ทั้งสองบรรจบกันคือส่วนที่ควรค่าแก่การทำความเข้าใจให้ซึมซับ: ในทั้งสองระบบ พิกเซลคือครึ่งที่เร็วและต้นทุนต่ำ ส่วนโมเดลภาษาทำหน้าที่ตัดสินว่าอะไรควรมีอยู่ จุดที่ทั้งสองแตกต่างกันคือใครเป็นเจ้าของโมเดลภาษา IFM มองตัวให้เหตุผลเป็นตัวแปร และเผยแพร่ฮาร์เนสที่ใช้จัดอันดับผู้สมัคร Tencent มองตัวให้เหตุผลเป็น dependency และระบุชื่อหนึ่งตัว

สิ่งที่คำว่า “agentic” มอบให้ และสิ่งที่ต้องแลกมา

กับดักในการเปรียบเทียบนี้คือประกาศทั้งสองฉบับใช้คำนี้ และทั้งสองฉบับไม่ได้หมายถึงสิ่งเดียวกันด้วยคำนี้

• เอเจนต์ในฐานะผู้เขียน — ตัววางแผนของ WorldClaw แยกย่อยพรอมต์ออกเป็นแผนฉาก และเอเจนต์ด้านภาพของระบบจะออกคำแก้ไข ส่วนตัวให้เหตุผลของ PAN 2 จะเขียนคำบรรยายที่อธิบายสิ่งที่เกิดขึ้นต่อไป

• เมื่อระบบปัญญาประดิษฐ์ทำงาน — {{1}}ของ WorldClaw ทำงานครั้งเดียว ในลูปการสร้างสรรค์ และหายไปเมื่อเมชส่งออก{{/1}}; {{2}}ของ PAN 2 ทำงานครั้งเดียวต่อคลิป ทุกครั้งที่เรียกใช้ ตลอดอายุการใช้งานของระบบ{{/2}}

• ประเภทเอาต์พุต — WorldClaw ส่งคืนไฟล์ฉากที่มีเมช วัสดุ และทรานส์ฟอร์มแยกแต่ละรายการ; PAN 2 ส่งคืน MP4 ที่ไม่มีเรขาคณิตอยู่ในนั้นเลย

• ความสามารถในการแก้ไข — เอาต์พุตของ WorldClaw เปิดในโปรแกรมสร้างโมเดล ทำรีโทโพโลยีและวางในฉากได้ ส่วนพื้นผิวที่แก้ไขได้เพียงอย่างเดียวของ PAN 2 คือคำบรรยาย ดังนั้นการแก้ไขจึงหมายถึงการเรนเดอร์ใหม่

• ขอบเขตการพึ่งพา — WorldClaw ต้องใช้คอมโพเนนต์ที่ได้รับสิทธิ์ใช้งานแยกกัน 6 รายการ และการติดตั้ง Blender; PAN 2 ต้องใช้น้ำหนักโมเดล ตัวเข้ารหัสข้อความ และ VAE

• ความหมายของคำว่า “ดี” — WorldClaw ถูกตัดสินจากว่าฉากประกอบขึ้นได้โดยไม่มีวัตถุลอยหรือไม่; PAN 2 ถูกตัดสินจากว่าผลลัพธ์ที่มันแสดงออกมานั้นเป็นผลที่การกระทำนั้นจะก่อให้เกิดขึ้นจริงหรือไม่

ต้นทุนของปัญญาแบบกระจายตัวของ WorldClaw ไม่ใช่เรื่องเชิงแนวคิด แต่เป็นเรื่องเชิงปฏิบัติการ: องค์ประกอบหกชิ้นหมายถึงข้อกำหนดหกชุด รูปแบบความล้มเหลวหกแบบ และหกจุดที่การปรับเวอร์ชันขึ้นอาจเปลี่ยนเอาต์พุตได้ ต้นทุนของปัญญาแบบรวมศูนย์ของ PAN 2 กลับตรงกันข้าม — สัญญาอนุญาตหนึ่งฉบับ ทรีดีเพนเดนซีหนึ่งทรี และตัวให้เหตุผลที่คุณต้องประเมินด้วยตัวเอง เพราะอันดับที่ผู้ขายจัดให้เป็นเรื่องของผู้ขายเอง

ต้นทุนทั้งสองไม่ใช่ข้อบกพร่อง แต่มันอธิบายได้ว่าทำไมทั้งสองจึงไม่ค่อยเป็นคำตอบที่ถูกต้องสำหรับคำถามเดียวกัน: ตัวหนึ่งเป็นไปป์ไลน์เนื้อหา อีกตัวเป็นกลไกสร้างผลลัพธ์ และทีมที่ต้องการเมชจะไม่พบสิ่งใดใน PAN 2 ที่ช่วยได้

ไปป์ไลน์สองรายการที่เขียนเป็นลำดับของขั้นตอน

ลำดับคือจุดที่ความแตกต่างระหว่างโมเดลกับเฟรมเวิร์กปรากฏชัดเจนที่สุด

PAN 2 เรียกครั้งเดียว — อ่าน observation และการกระทำที่ร้องขอ เขียน world state แบบมีโครงสร้าง เข้ารหัส รันขั้นตอนดิฟฟิวชันห้าสิบขั้นที่ guidance 2.5 ถอดรหัส 704×1248 ยี่สิบวินาที ไม่มีสิ่งใดในลำดับนั้นคงอยู่หลังจากคลิป

WorldClaw สี่ขั้นตอน — วางแผนฉากด้วยโมเดลภาษา สร้างเลย์เอาต์เชิงความหมายระดับโลกและฟิลด์ความสูง เรนเดอร์และแบ่งส่วนภูมิภาค แล้วสร้างแต่ละส่วนใหม่เป็นเมช จากนั้นตรวจสอบผลเรนเดอร์ด้วยเอเจนต์ด้านการมองเห็นและส่งคำแก้ไขกลับไป ไม่มีส่วนใดในลำดับนี้ที่เป็นโมเดลเดียว

• สถานะถูกเก็บไว้ที่ใด — อาร์ติแฟกต์ถาวรเพียงอย่างเดียวของ PAN 2 คือแคปชันและไฟล์ MP4 ส่วนของ WorldClaw คือไฟล์ฉากที่มีเมช วัสดุ และทรานส์ฟอร์มแยกแต่ละรายการ ซึ่งมีอายุยืนกว่าท่อไปป์ไลน์

• จุดที่อาจล้มเหลว — PAN 2 ล้มเหลวภายในเรนเดอร์: ขั้นตอนที่ถูกทิ้งไป การดริฟต์ หรือการใช้ทางลัดทางฟิสิกส์ WorldClaw ล้มเหลวที่รอยต่อ: ตัววางแผนที่อ่านพรอมต์ผิด ตัวแบ่งส่วนที่ตัดวัตถุขาดครึ่ง ตัวสร้างใหม่ที่ให้สเกลผิด ตัวประกอบที่ทำให้เมชสองชิ้นทะลุเข้าหากัน

• สิ่งที่คุณตรวจสอบได้ — PAN 2 ให้วิดีโอและงบโทเค็นแก่คุณ ส่วน WorldClaw ให้เรขาคณิตที่คุณวัดได้ และจึงทำให้คุณระบุที่มาของข้อผิดพลาดได้

แถวสุดท้ายคือแถวที่คุ้มค่าจะเก็บไว้ ความล้มเหลวที่ระบุสาเหตุได้นั้นแก้ไขได้ถูกกว่าความล้มเหลวที่คุณเพียงมองเห็น และไปป์ไลน์แบบ mesh ให้สิ่งนั้นมาฟรี เพราะอาร์ติแฟกต์ intermediate สามารถตรวจสอบได้ ไปป์ไลน์วิดีโอให้คำตอบสุดท้ายและแคปชัน และเมื่อคำตอบผิด ช่องทางเดียวของคุณคือแคปชัน

นี่ก็อธิบายด้วยว่าทำไมขั้นตอนการแก้ไขด้วย vision-agent ของ WorldClaw จึงมีอยู่ตั้งแต่แรก การทะลุกันของวัตถุ วัตถุลอย ตำแหน่งท่าทางผิด และขนาดผิด คือรูปแบบความล้มเหลวของการประกอบเรขาคณิตจากชิ้นส่วนที่สร้างแยกจากกัน และไม่มีสิ่งใดมองเห็นได้จนกว่าคุณจะเรนเดอร์แล้วดู โมเดลเดียวไม่จำเป็นต้องมีขั้นตอนนั้น เพราะโมเดลเดียวไม่สามารถสร้างฉากที่ชิ้นส่วนต่าง ๆ ขัดแย้งกันได้ — มันสร้างได้เพียงฉากที่ผิดทั้งฉากเท่านั้น

ช่องว่างของการประเมินนั้นไม่สมมาตร และชี้ไปในทิศทางตรงกันข้ามกับใบอนุญาต

การประเมินที่เผยแพร่ของ WorldClaw เป็นการประเมินเชิงคุณภาพ เปเปอร์เปรียบเทียบผลลัพธ์ของตนแบบเคียงข้างกับ SynCity, WorldGen, MajutsuCity และ Marble และไม่มี FID ไม่มีคะแนน CLIP ไม่มีการศึกษาผู้ใช้ที่แนบตัวเลขมาด้วย สำหรับเปเปอร์ที่อธิบายเฟรมเวิร์กการสร้างฉาก นี่เป็นช่องว่างที่แท้จริง และทีมใดก็ตามที่นำไปรีอิมพลีเมนต์ควรถือว่า “ดูดีกว่า SynCity” เป็นสมมติฐานมากกว่าผลลัพธ์

PAN 2 เปิดเผยข้อมูลมากกว่า และระบุเงื่อนไขของตนได้แม่นยำกว่าการเปิดตัวโมเดลวิดีโอส่วนใหญ่ โดยมีกรณีทดสอบแบบการกระทำเดียว 300 กรณี ครอบคลุม 6 หมวดหมู่ความสามารถ เป็นแบบ image-to-video 201 กรณีและ text-to-video 99 กรณี; งานในชีวิตประจำวันแบบ egocentric 100 งานที่ตั้งโจทย์ทั้งสองแบบ พร้อมพรอมป์ 200 รายการและ 456 ขั้นตอน ให้คะแนนจากการทำแต่ละขั้นสำเร็จและการทำแผนทั้งหมดสำเร็จในสาม seed; Physics-IQ Verified ในโหมด image-to-video โดยปรับมาตรฐานให้ความแปรปรวนระหว่างการถ่ายจริงสองครั้งเท่ากับ 100; PhyGround บนมาตรวัดห้าจุดที่ตัดสินโดย Qwen3.8-27B; RBench เป็นค่าเฉลี่ยแบบไม่ถ่วงน้ำหนักจากห้าหมวดหมู่งานและสี่หมวดหมู่ embodiment; และการศึกษามนุษย์แบบปกปิดโดยเปรียบเทียบเป็นคู่บนพรอมป์ 140 รายการ โดยมีผู้ตรวจสอบ 13 คนและการเปรียบเทียบ 1,400 ครั้ง ปรับค่า Elo ด้วย Bradley–Terry และกำหนดจุดกึ่งกลางที่ 1500

ผู้ตรวจทานสิบสามคนเป็นคณะขนาดเล็ก และพวกเขากำลังตัดสินโมเดลของผู้เขียนเทียบกับ baseline ของผู้เขียน โดยโมเดลเปรียบเทียบแบบ closed ถูกสร้างขึ้นครั้งเดียวผ่าน third-party inference API และมีหลายแถวที่ถูกทำเครื่องหมายว่าเป็น single-seed ทั้งหมดนี้ไม่มีส่วนใดเป็นอิสระเลย แต่ทั้งหมดนี้ตรวจสอบได้ ซึ่งเป็นสิ่งที่ดีที่สุดรองลงมา — และมันคือความแตกต่างระหว่างรีลีสที่คุณโต้แย้งได้กับรีลีสที่คุณได้แค่มอง

สัญญาอนุญาตนั้นกลับกันกับหลักฐาน PAN 2 เป็น Apache-2.0 ไม่มีข้อจำกัดการเข้าถึง ขนาด 86.17 กิกะไบต์ในหกสิบไฟล์ ไม่มีข้อกำหนดการระบุที่มา ไม่มีเกณฑ์จำนวนผู้ใช้ WorldClaw ไม่มีสัญญาอนุญาตให้อ่าน เพราะไม่มีอะไรให้อนุญาต: โปรเจกต์บน GitHub มีเพียง README และแอสเซ็ต ไม่มีโค้ด ไม่มีเวต ไม่มีสคริปต์ inference ไม่มี API และไม่มีราคา บทความกรอบแนวคิดที่ไม่มี implementation เป็นคำอธิบายของวิธีการ ไม่ใช่เครื่องมือ และข้อกำหนด H20 สี่ตัวบวกกับการพึ่งพาชุดโมเดลที่ได้รับอนุญาตแยกกันหลายชั้น หมายความว่าการเปิดตัว—แม้จะเกิดขึ้น—ก็ไม่ใช่การดาวน์โหลดมาใช้ได้ทันที

จุดที่เราเตอร์รับน้ำหนักจริง ๆ และไม่ใช่จุดที่คุณคาดคิด

นี่คือคู่ที่หาได้ยากซึ่งข้อเท็จจริงเชิงพาณิชย์ที่น่าสนใจอยู่ฝั่งเฟรมเวิร์ก ครึ่งที่เป็นส่วนวางแผนของ WorldClaw ไม่ใช่โมเดลลึกลับที่อยู่หลัง API — มันถูกระบุชื่อไว้ในเปเปอร์ และองค์ประกอบที่มันระบุชื่อไว้ล้วนเป็นโมเดลในแคตตาล็อกทั่วไป Claude Opus 4.8 อยู่ในแคตตาล็อกของ OrcaRouter GPT-Image-2 ก็เช่นกัน สี่รีซันเนอร์ที่ IFM จัดอันดับสำหรับขั้นแคปชันของ PAN 2 ก็เช่นกัน ได้แก่ Claude Opus 5.5, GPT-6 Astra, Kimi K3 และ Qwen3.8-Flash

นั่นหมายความว่า ทีมที่นำการแยกส่วน WorldClaw ไปใช้งานใหม่ — plan, terrain, objects, refine — สามารถประกอบขั้นภาษาและขั้นภาพได้ตั้งแต่วันนี้ผ่านคีย์เดียว ในราคาตามรายการของผู้ให้บริการแต่ละรายที่ส่งผ่านโดยไม่บวกกำไร 0% พร้อมการสลับสำรองอัตโนมัติเมื่อการเรียกวางแผนหมดเวลาระหว่างการสร้าง คีย์เดียวกันนี้ขับเคลื่อนช่อง reasoner ของ PAN 2 เมื่อคุณสลับตัวเขียนแคปชันระหว่างการทดลอง และตรึงตัวเรนเดอร์ 29B ไว้บนโหนดของคุณเอง สิ่งที่ OrcaRouter ไม่ได้ทำคือโฮสต์ทั้ง PAN 2 และ Hunyuan3D WorldClaw: ตัวหนึ่งเป็นโมเดล diffusion สำหรับวิดีโอที่คุณรันบนฮาร์ดแวร์ของคุณเอง อีกตัวไม่มีอยู่เป็นโค้ดที่รันได้ที่ใดเลย ไม่ควรตีความสิ่งใดในบทความนี้ว่าเป็นการบอกเป็นนัยเป็นอย่างอื่น

การอธิบายตามจริงคือเราจัดเส้นทางเฉพาะรอยต่อ ในไปป์ไลน์สไตล์ WorldClaw มีรอยต่อสามจุด — จากพรอมป์ต์ไปแผน จากแผนไปภาพ จากเรนเดอร์ไปคริติก — และทุกจุดเป็นการเรียกที่คิดค่าบริการตามการใช้งาน ในไปป์ไลน์ PAN 2 มีรอยต่อเดียว และเป็นส่วนเดียวที่ไม่ต้องใช้ GPU นั่นเป็นข้อกล่าวอ้างที่แคบกว่า "เราเรียกใช้เวิลด์โมเดล" และเป็นข้อกล่าวอ้างที่เป็นจริง

แต่ละการออกแบบสอนอะไรคุณบ้าง แม้คุณจะไม่ได้รันทั้งสองแบบ

แนวคิดของ WorldClaw ที่นำไปประยุกต์ใช้ได้กว้างที่สุดคือการแยกองค์ประกอบ ไม่ใช่ตัวฉาก การวางแผน จัดวางภูมิประเทศ สร้างวัตถุแต่ละชิ้นขึ้นใหม่ จากนั้นตรวจสอบและแก้ไข โครงสร้างสี่ขั้นตอนนี้เป็นสถาปัตยกรรมที่สมเหตุสมผลสำหรับไปป์ไลน์ใดก็ตามที่ผลลัพธ์จะต้องถูกแก้ไขในภายหลัง และการเลือกใช้ explicit mesh ก็เป็นตัวเลือกที่ถูกต้องสำหรับสิ่งใดก็ตามที่ออกจากไปป์ไลน์แล้วไปลงในเอนจินเกม ส่วนที่ทีมส่วนใหญ่ข้ามไปและทีมส่วนใหญ่ต้องมาเสียใจภายหลังที่ข้ามไป คือลูปการแก้ไขที่มี vision agent คอยตรวจหาวัตถุลอยและขนาดที่ไม่ถูกต้อง

ไอเดียที่นำไปใช้ต่อได้กว้างที่สุดของ PAN 2 คือข้อตกลงแคปชัน อินเทอร์เฟซไม่ใช่กล่องพรอมป์ต์ แต่เป็นคำอธิบายที่มีโครงสร้างและอ้างอิงเวลา พร้อมงบโทเคน 1,480 แบบซอฟต์และ 1,536 แบบฮาร์ด มีทักษะ prompt-rewriter ที่จัดส่งมาด้วย มี negative prompt แบบคงที่ และมีตัวตรวจสอบที่ตรวจแคปชันเทียบกับขีดจำกัดของเอนโคเดอร์ ข้อความอิสระจะถูกเขียนใหม่ก่อนใช้งาน และการ์ดโมเดลระบุตรง ๆ ว่ากรณีศึกษาของเอเจนต์พึ่งพาพรอมป์ต์ที่ปรับแต่งด้วยมือ ทีมใดก็ตามที่สร้าง world model หรือนำ world model ไปใช้ควรหยิบแนวคิดนี้ไปใช้ ข้อตกลงระหว่างครึ่งการให้เหตุผลกับครึ่งการเรนเดอร์คือจุดที่คุณภาพชนะหรือแพ้ และมันควรมีสคีมาแทนที่จะอาศัยความรู้สึก

ทั้งสองดีไซน์ยังมีจุดล้มเหลวร่วมกันที่วงการนี้ยังแก้ไม่ได้ และทั้งคู่ล้มเหลวในจุดนี้ด้วยวิธีที่แตกต่างกัน PAN 2 มีการเลื่อนไหลทางรูปลักษณ์ข้ามคลิป เพราะแต่ละคลิปถูกจำลองจากเฟรมเริ่มต้นอย่างมากเพียงหนึ่งเฟรมบวกกับข้อความ และการ์ดของมันระบุว่าความจำเชิงการรับรู้คือชิ้นส่วนที่ยังขาดอยู่ ส่วนข้อจำกัดของมันเองขึ้นต้นด้วยการยอมรับว่าแผนจำลองราวสองในสามมีอย่างน้อยหนึ่งขั้นตอนที่ไม่ได้ถูกดำเนินการ การเลื่อนไหลของ WorldClaw เป็นเชิงเรขาคณิตและเชิงพื้นที่ ทั้งการทะลุผ่านกัน ขนาดที่ผิด และวัตถุที่ลอยอยู่ ซึ่งเป็นเหตุผลว่าทำไมมันจึงต้องมีเอเจนต์ด้านการมองเห็นอยู่ในลูปตั้งแต่แรก ตัวหนึ่งต้องการความจำ อีกตัวต้องการผู้ตรวจสอบ และทั้งคู่ยังไม่ได้เผยแพร่เส้นโค้งที่วัดได้ว่ามันแย่ลงเพียงใดเมื่อเวลาผ่านไป

การตัดสินใจในครั้งเดียว

หากคุณต้องการสถานที่ — เลเวล ชุดข้อมูลภายในอาคารสังเคราะห์ หรือฉากเวอร์ชวลโปรดักชัน — WorldClaw คือแหล่งอ้างอิงที่ตรงกว่า และคุณไม่สามารถรันมันได้ จงนำการแยกส่วนแบบสี่ขั้นตอนและเอาต์พุตเมชแบบชัดเจนไปใช้ในการสร้างของคุณเอง จัดงบสำหรับเครื่องระดับ four-H20 พร้อม dependency ของ Blender และแทนที่การประเมินเชิงคุณภาพด้วยสิ่งที่คุณวัดได้ เพราะเปเปอร์ไม่ได้ให้สิ่งนั้นกับคุณ

ถ้าคุณต้องการเห็นผลลัพธ์จริง — ว่าแผนหนึ่งจะทำอะไรได้บ้าง ก่อนที่คุณจะตัดสินใจใช้มัน — PAN 2 ดาวน์โหลดได้บ่ายนี้ มีสัญญาอนุญาตแบบเปิดกว้าง และซื่อสัตย์เรื่องการล้มเหลวในสองจากสามแผน อ่านหน้า limitations ก่อน ให้มีตัวตรวจสอบอยู่ในวงจรไว้ และคาดว่าจะต้องใช้เวลา GPU มากกว่าค่าใช้จ่ายเป็นดอลลาร์ต่อโทเคน: วิดีโอสิบสามวินาทีใช้เวลาประมาณ 119 วินาทีบน B300s สี่ตัว และตัว sampler รัน forward pass หนึ่งร้อยครั้งต่อคลิป

หากคุณกำลังสร้างสิ่งที่ทั้งสองแล็บไม่ได้ปล่อยออกมา — โลกที่คุณแก้ไขได้ในฐานะเรขาคณิตแล้วเฝ้าดูมันทำงาน — คุณกำลังประกอบมันขึ้นเองจาก refiner ตัวสร้างฉาก ตัวเรนเดอร์ และโมเดลภาษาในทุกจุดเชื่อมต่อ นั่นเป็นงานที่มากกว่าที่ประกาศทั้งสองฉบับชี้ให้เห็น และนี่คือจุดที่งานปฏิบัติจริงในหมวดหมู่นี้จะเกิดขึ้นในปีหน้า

สิ่งที่ทำให้หน้านี้เปลี่ยนไปคือโค้ด การเปิดตัว WorldClaw พร้อมน้ำหนักโมเดลและสคริปต์อนุมานจะเปลี่ยนวิธีการให้กลายเป็นเครื่องมือ และทำให้การเปรียบเทียบนี้เป็นเรื่องที่เกิดขึ้นจริง ส่วนรุ่นย่อยของ PAN 2 ที่ส่งออกข้อมูลความลึกควบคู่กับ RGB ก็จะทำแบบเดียวกันจากอีกทิศทางหนึ่ง วันนี้ยังไม่มีทั้งสองอย่าง จนกว่าจะมีสักอย่างเกิดขึ้น คำสรุปที่ถูกต้องคือ เอนจินสำหรับหาผลสืบเนื่องที่ดาวน์โหลดได้ และกรอบงานฉากที่ยังสร้างไม่ได้ และสิ่งเดียวที่ทั้งสองมีร่วมกันอย่างแท้จริงคือความทะเยอทะยานที่จะทำนายโลกใบหนึ่ง แทนที่จะเรนเดอร์ภาพของโลกนั้น