PAN 2 vs Hy-Nomas: ใบอนุญาตเดียวกัน ตระกูลสถาปัตยกรรมเดียวกัน แต่สองนิยามของ “Action”

This is the only pair in the current crop of world models where the comparison is a real choice rather than a category error. PAN 2 is the Institute of Foundation Models' 29-billion-parameter world model, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, which turns a starting frame and a described action into up to twenty seconds of 704×1248 video at 24 frames per second. Hy-Nomas is T​encent Hunyuan's interactive video world model, Apache 2.0, roughly 8 billion parameters, described in arXiv 2610.36729 on 27 October 2026, which turns a text prompt plus a continuous camera trajectory into 720p video at 24 frames per second in eight distilled steps. Both are open-weight. Both are diffusion transformers generating video from a conditioning signal. Both are downloadable this afternoon. Anyone choosing between them cannot use licence, availability or category as a tiebreak, which is exactly what makes it worth doing carefully.

ตัวตัดสินที่ได้ผลจริงคือประโยคที่ทั้งสองทีมไม่ได้ใส่ไว้ในบทคัดย่อ นั่นคือ อะไรที่นับเป็นการกระทำ สัญญาณควบคุมของ Hy-Nomas คือกล้องเคลื่อนไปที่ใด สัญญาณควบคุมของ PAN 2 คือสิ่งที่เกิดขึ้นในฉาก ซึ่งแบบจำลองภาษาเขียนบันทึกไว้เป็นลำดับเหตุการณ์ที่ผูกกับผู้กระทำ ทั้งสองต่างกันมากพอจนพรอมป์ที่ได้ผลดีกับอันหนึ่งแทบจะไม่มีความหมายกับอีกอัน และถ้าคุณจะเรียนรู้อะไรเพียงอย่างเดียวจากการเปรียบเทียบนี้ นั่นแหละคือสิ่งนั้น

อินเทอร์เฟซการปรับสภาพ 2 แบบ ไม่ใช่ 2 ระดับคุณภาพ

Hy-Nomas ใช้ข้อความเป็นเงื่อนไขร่วมกับเส้นทางกล้อง เส้นทางนี้ต่อเนื่องและเป็นเชิงเรขาคณิต คุณบอกมันว่าจุดมองเคลื่อนไปที่ไหน แล้วโมเดลจะสร้างเซกเมนต์โดยมีประวัติที่แคชไว้เป็นเงื่อนไข เพื่อให้โลกยังคงสอดคล้องกันขณะที่คุณเคลื่อนที่ ตัวเสริมพรอมป์ต์ของมันชื่อ Nomas-PE เขียนร้อยแก้วที่หลวมใหม่ให้เป็นแคปชัน JSON ที่มีโครงสร้าง ซึ่งเป็นสัญชาตญาณเดียวกันกับตัวเขียนพรอมป์ต์ใหม่ของ PAN 2 ที่ทำจากทิศทางตรงกันข้าม ทั้งสองทีมสรุปว่าข้อความอิสระนั้นคลุมเครือเกินไปที่จะใช้เป็นเงื่อนไขให้ diffusion transformer

จุดที่ทั้งสองแตกต่างกันคือสิ่งที่รูปแบบเชิงโครงสร้างอธิบายไว้ โครงสร้างของ Hy-Nomas เป็นแบบเชิงพื้นที่และยึดมุมมองเป็นศูนย์กลาง สิ่งที่ถูกจำลองอย่างแม่นยำคือการเคลื่อนที่ของกล้องผ่านฉากหนึ่ง โครงสร้างของ PAN 2 เป็นแบบเชิงเวลาและยึดผู้กระทำเป็นศูนย์กลาง: เหตุการณ์เรียงตามลำดับ การกระทำแต่ละอย่างผูกกับผู้กระทำที่ลงมือทำสิ่งนั้น บวกกับการเคลื่อนที่ของกล้องเป็นหนึ่งในหลายฟิลด์ อ่านกรอบการนำเสนอของ IFM เองแล้วจะเห็นการเน้นได้อย่างชัดเจน — คำบรรยายภาพอธิบายสิ่งที่เกิดขึ้นหลังการกระทำหนึ่ง และการสาธิตที่ทำให้โมเดลนี้มีชื่อเสียงคือสตรอว์เบอร์รีที่ถูกหย่อนลงในชาม โดยการเปลี่ยนผลไม้หรือของเหลวจะเปลี่ยนการกระเซ็น

• Conditioning — Hy-Nomas รับข้อความอิสระพร้อมวิถีกล้องแบบต่อเนื่อง; PAN 2 รับเฟรมแรกแบบไม่บังคับพร้อมคำอธิบายการกระทำที่มีโครงสร้างและอิงตามเวลา

• "action" หมายถึงอะไร — Hy-Nomas: การเคลื่อนกล้อง คือจุดที่คุณมอง; PAN 2: เหตุการณ์ที่มีผู้กระทำ คือสิ่งที่เกิดขึ้น

• โครงสร้างแบบเซกเมนต์ — Hy-Nomas เป็นแบบ autonomic?

• ผลลัพธ์ — Hy-Nomas: 720×1280 ที่ 24 fps ในแปดขั้นตอนแบบกลั่น; PAN 2: 704×1248 ที่ 24 fps ตลอดห้าสิบขั้นตอนของ sampler ที่ค่า guidance 2.5

• ขนาด — Hy-Nomas: ประมาณ 8B กระจายอยู่ทั่ว 54 บล็อก MMDiT แบบ dual-stream ที่ขนาด hidden 2,048 พร้อมตัวถอดรหัส PixelUMM ที่ผ่านการ fine-tune บน latent ของ DCAE-V; PAN 2: MMDiT ขนาด 29B พร้อมตัวเข้ารหัสข้อความ Qwen3.5-9B ที่ถูกแช่แข็ง และ VAE Wan 2.2

• ฮาร์ดแวร์ — Hy-Nomas: GPU แปดตัวในการติดตั้งใช้งานอ้างอิง โดยมีเส้นทางแบบ RTX 4090 เดี่ยวที่ใช้ INT8 DiT, KV cache, FP8 decoder และ CPU offload ที่ประมาณ 38GB; PAN 2: H200 จำนวนแปดตัวใน BF16 ตามค่าเริ่มต้นที่ระบุไว้ พร้อมสูตรที่ทำให้วิดีโอ 13 วินาทีใช้เวลาประมาณ 119 วินาทีบน B300 สี่ตัว

• ขนาดน้ำหนัก — Hy-Nomas: ประมาณ 196GB บน Hugging Face ในชื่อ tencent/Hy-Nomas; PAN 2: 86.17GB กระจายอยู่ในหกสิบไฟล์ในชื่อ IFM/PAN2

เจ็ดมิติ และไม่มีมิติใดเลยที่เป็นคะแนน สิ่งที่มิติเหล่านี้บรรยายคือความแตกต่างเชิงการออกแบบ: Hy-Nomas ใส่พารามิเตอร์ของตนไว้กับการทำให้โลกทั้งใบยึดโยงกันขณะที่คุณเคลื่อนผ่านมัน ส่วน PAN 2 ใส่พารามิเตอร์ของตนไว้กับการทำนายว่าการกระทำหนึ่งๆ จะก่อให้เกิดอะไร เส้นทางกล้องระบุได้ง่ายและปลอมได้ยาก ส่วนลำดับเหตุการณ์สื่อความได้มากและมีต้นทุนสูงในการสร้าง

จุดที่ความแตกต่างส่งผลจริง: สามงาน ทั้งสองโมเดล

การเปรียบต่างเชิงนามธรรมนั้นง่ายดาย สิ่งเหล่านี้เป็นรูปธรรม

พาฉันเดินชมแฟลตหน่อย Hy-Nomas ชนะขาด คุณต้องการเส้นทางต่อเนื่องผ่านทางเดินและเข้าไปในครัว โดยห้องที่อยู่ด้านหลังคุณยังคงเป็นห้องเดิมที่อยู่ด้านหลังคุณ นั่นคือการสร้างแบบ autoregressive ทีละส่วนบนประวัติที่แคชไว้ ซึ่งเป็นสิ่งที่สถาปัตยกรรมของมันถูกออกแบบมาเพื่อทำโดยเฉพาะ และ PAN 2 ทำไม่ได้: มันเรนเดอร์คลิปหนึ่ง แล้วคลิปถัดไปก็เริ่มจากเฟรมที่คุณป้อนให้ โดยไม่มีความจำว่าอะไรเกิดขึ้นมาก่อน การนำคลิปของ PAN 2 มาต่อกันเพื่อสร้างวอล์กทรูจะทำให้เกิด drift ที่การ์ดโมเดลของมันเองเตือนไว้ โดยรูปลักษณ์จะเปลี่ยนไปข้ามคลิปในการโต้ตอบที่ยาวนาน เพราะแต่ละคลิปถูกจำลองจากเฟรมเริ่มต้นได้มากที่สุดเพียงหนึ่งเฟรม

ฉันเปิดลิ้นชักแล้วถ้วยก็ตก PAN 2 ชนะ และนี่ไม่ใช่การแข่งขันที่สูสีเลย คำขอนี้เป็นเหตุการณ์ที่มีผู้กระทำและผลลัพธ์ทางกายภาพ การกำหนดเงื่อนไขของ Hy-Nomas ไม่มีฟิลด์สำหรับ "ลิ้นชักเปิด" แยกต่างหากจากกล้อง — คุณใส่ไว้ในพรอมต์ข้อความได้ และตัวปรับปรุงพรอมต์ของมันจะจัดโครงสร้างให้ แต่ бюджетความแม่นยำของโมเดลถูกใช้ไปกับมุมมองมากกว่าการสัมผัสและผลลัพธ์ที่ตามมา สัญญาแคปชันของ PAN 2 มีอยู่เพื่อผูกการกระทำเข้ากับผู้กระทำและเรียงลำดับตามเวลาโดยเฉพาะ ซึ่งเป็นเหตุผลที่ IFM เปิดตัวตัวตรวจสอบที่ตรวจสอบคำอธิบายเทียบกับ бюджетของตัวเข้ารหัสข้อความที่ 1,480 โทเคนแบบซอฟต์และ 1,536 โทเคนแบบฮาร์ด แทนที่จะปล่อยให้ข้อความร้อยแก้วผ่านเข้ามา

สร้างรูปแบบที่แตกต่างกันสองร้อยแบบของฉากการหยิบจับสำหรับชุดข้อมูล ทั้งสองผิด แต่ผิดคนละแบบ Hy-Nomas จะให้การเคลื่อนกล้องที่สอดคล้องกันสองร้อยแบบผ่านฉากสองร้อยฉาก และแทบไม่สามารถควบคุมได้ว่าแขนจะหยิบจับสิ่งใดได้จริงหรือไม่ PAN 2 จะให้คลิปที่ถูกกำหนดเงื่อนไขด้วยการกระทำสองร้อยคลิป และตามการ์ดของมันเอง ประมาณสองในสามของแผนจะมีอย่างน้อยหนึ่งขั้นตอนที่ไม่ถูกดำเนินการ ดังนั้นหนึ่งในสามของชุดข้อมูลของคุณจะใช้งานไม่ได้ เว้นแต่คุณจะสร้างตัวตรวจสอบขึ้นมา ทั้งสองไม่ใช่เอนจินข้อมูลที่พร้อมใช้ทันที ความแตกต่างอยู่ที่ว่าความล้มเหลวนั้นเป็นการเลื่อนไถลเชิงเรขาคณิตหรือขั้นตอนที่ตกหล่น และงานปลายทางของคุณทนต่อสิ่งใดในสองสิ่งนั้นได้

งานที่สามนั่นเองก็เป็นตัวกำหนดฮาร์ดแวร์ของคุณเช่นกัน คลิป 200 คลิปแบบ 720p แปดสเต็ปบน 4090 แบบควอนไทซ์เพียงตัวเดียวใช้เวลาบ่ายเดียว ส่วนคลิป 200 คลิปบนโหนด B300 สี่ตัวที่ 119 วินาทีต่อวิดีโอ 13 วินาทีนั้นใช้เวลาสองสามวัน และเลขคณิตนั้นคือเหตุผลจริง ๆ ที่โมเดลทั้งสองใช้แทนกันไม่ได้ แม้ในจุดที่ความสามารถของทั้งคู่ทับซ้อนกันก็ตาม

ความล้มเหลวเดียวกันกับชื่อที่แตกต่างกันสองชื่อ

การ์ดทั้งสองยอมรับจุดอ่อนเดียวกัน และไม่มีใบใดแก้ไขมันได้: โมเดลโลกแบบระยะยาวสูญเสียโลกของตัวเองไป PAN 2 ระบุว่าภาพลักษณ์ภายนอกเคลื่อนไปตามคลิปต่างๆ และชี้ว่าความจำเชิงการรับรู้คือชิ้นส่วนที่ยังขาดอยู่ Hy-Nomas จัดการเรื่องนี้โดยตรงด้วยแคช KV ที่ส่งต่อกันมาและรูปแบบ attention แบบ causal ที่รักษาบริบทเชิงพรรณนาให้คงอยู่ตลอดแต่ละส่วน ขณะเดียวกันก็จำกัดคำสั่งการกระทำไว้เฉพาะหน้าต่างที่คำสั่งเหล่านั้นถูกออกมา แล้วรายงานในการประเมินของตัวเองว่ายังตามหลัง Genie 3 ในด้านความจำเชิงพื้นที่ระยะยาว

การยอมรับข้อสุดท้ายนั้นน่าสนใจกว่าการชนะเสียอีก มันบอกว่ากลไกความจำทำงานได้ดีพอที่จะเอาชนะ Genie 3 และ LingBot-World v2 ในด้านการโต้ตอบและการทำตามพรอมป์ต์ — โดยมีอัตราชนะราว 65% ในการทำตามพรอมป์ต์จากชุดทดสอบ 280 เคส ซึ่งครอบคลุมข้อความหลายรอบ การนำทางด้วยกล้อง ข้อความและกล้องที่สลับกัน และความจำเชิงพื้นที่ — แต่ก็ยังแพ้ในด้านที่วัดว่าโลกยังคงอยู่กับที่หรือไม่ การเปรียบเทียบเหล่านั้นเป็นการเปรียบเทียบของผู้เขียนกับฐานอ้างอิงที่ผู้เขียนเลือกเอง บนชุดทดสอบของผู้เขียนเอง และเช่นเดียวกับตัวเลขทุกตัวในหมวดนี้ พวกมันยังไม่ถูกทำซ้ำเพื่อยืนยัน สิ่งที่พวกมันไม่ใช่คือความคลุมเครือ: โมเดลที่เปิดเผยว่าตนแพ้ตรงไหน คือโมเดลที่คุณวางแผนรับมือได้

ข้อสรุปที่เป็นประโยชน์สำหรับใครก็ตามที่สร้างบนระบบใดระบบหนึ่งในสองระบบนี้คือ ความคงอยู่ไม่ใช่คุณสมบัติที่คุณจะถือว่าเป็นจริงแล้วค่อยไปตรวจสอบทีหลัง มันเป็นสิ่งแรกที่ต้องวัดบนฉากของคุณเอง ด้วยระดับความคลาดเคลื่อนที่คุณยอมรับได้เอง ก่อนที่คุณจะผูกไปป์ไลน์เข้ากับโมเดลใดโมเดลหนึ่ง ไม่มีผู้จำหน่ายรายใดเผยแพร่เส้นโค้งเวลาจนถึงความล้มเหลว ซึ่งก็คือระยะเวลาที่ฉากหนึ่งเริ่มไม่น่าเชื่อถืออีกต่อไป และตัวเลขที่หายไปนั้นสำคัญกว่าอันดับใน benchmark ใด ๆ

ต้นทุนไม่ใช่เพียงส่วนต่างจากการปัดเศษ แต่คือการตัดสินใจ

วางข้อโต้แย้งเรื่องความสามารถไว้ก่อนสักครู่ แล้วลองดูว่าต้องใช้อะไรบ้างในการรันแต่ละตัวเป็นเวลาหนึ่งสัปดาห์

เส้นทางแบบ 4090 ตัวเดียวของ Hy-Nomas คือข้อเท็จจริงที่สำคัญที่สุดในการเปรียบเทียบนี้ และเป็นเรื่องง่ายที่จะมองข้ามไปภายใต้การติดตั้งอ้างอิงแบบ eight-GPU DiT แบบ INT8 ที่มี KV cache, decoder แบบ FP8 และ CPU offload ใช้หน่วยความจำประมาณ 38GB ซึ่งหมายความว่าสตูดิโอที่มีการ์ดระดับเวิร์กสเตชันเพียงใบเดียวสามารถสร้างวิดีโออินเทอร์แอกทีฟ 720p ได้โดยไม่ต้องเช่าอะไรเลย การกำหนดค่าแบบ eight-GPU คือสิ่งที่ benchmark อธิบายไว้ ส่วนการกำหนดค่าแบบ 4090 คือสิ่งที่ผู้อ่านสามารถทำได้จริงในคืนนี้

PAN 2 ไม่มีเส้นทางการใช้งานที่เทียบเคียงได้เผยแพร่ไว้ ค่าเริ่มต้นที่ระบุในเอกสารคือ H200 จำนวนแปดตัวใน BF16 พร้อม VAE patch parallelism กระจายข้ามสี่ไทล์ และสูตรการเสิร์ฟที่ทุกคนอ้างถึง — วิดีโอ 704×1248 ความยาว 13 วินาทีในเวลาราว 119 วินาที — ตั้งสมมติฐานว่าใช้ B300 จำนวนสี่ตัว ยิ่งไปกว่านั้น ตัว sampler มีต้นทุนสูงโดยการออกแบบ: 50 สเต็ปโดยใช้ guidance 2.5 ทุกสเต็ป เท่ากับการ forward ผ่าน transformer ขนาด 29B หนึ่งร้อยรอบต่อคลิป ซึ่งเป็นเหตุผลที่ต้องแยก classifier-free guidance ไปยัง rank ต่างๆ และกระจาย sequence parallelism ไปยังอุปกรณ์จำนวนมากขึ้น ไม่มีเรื่องเล่าการควอนไทซ์ให้รันบนการ์ดเดี่ยวในรีลีสนี้ และการแสร้งว่าเป็นเช่นนั้นก็เท่ากับการกุเรื่องขึ้นมา

ดังนั้นประโยคเรื่องต้นทุนที่ตรงไปตรงมาคืออย่างนี้: Hy-Nomas ต้องใช้ GPU ที่คุณน่าจะมีอยู่แล้ว ส่วน PAN 2 ต้องใช้ GPU node ที่คุณน่าจะไม่มี และไม่ว่าความแตกต่างด้านคุณภาพจะมากแค่ไหนหรือเอนไปทางใด ก็ไม่อาจเปลี่ยนข้อเท็จจริงนี้สำหรับทีมเล็กได้

มุมมองด้านการกำหนดเส้นทางตรงนี้แคบและควรระบุให้ชัดเจน เพราะทั้งสองอย่างนี้เป็นโมเดลที่คุณโฮสต์ด้วยตนเอง และไม่มีตัวใดอยู่ในแคตตาล็อกของ OrcaRouter สิ่งที่กำหนดเส้นทางได้คือส่วนที่ทั้งสองสถาปัตยกรรมเพิ่มเข้ามาเพราะข้อความอิสระยังไม่เพียงพอ: ขั้นตอน prompt-enhancer Nomas-PE ของ Hy-Nomas เขียนข้อความร้อยแก้วใหม่เป็นแคปชัน JSON ที่มีโครงสร้าง ส่วน prompt-rewriter ของ PAN 2 ประกอบด้วย system prompt, negative prompt แบบคงที่ และตัวตรวจสอบเทียบกับงบโทเคนของตัวเข้ารหัส สิ่งเหล่านี้คือการเรียกใช้โมเดลภาษา และเป็นขั้นตอนที่โมเดลที่แตกต่างกันเปลี่ยนสิ่งที่ renderer ได้รับอย่างวัดผลได้ IFM จัดอันดับ reasoner สี่ตัวสำหรับขั้นแคปชัน — Claude Opus 5.5, GPT-6 Astra ที่ความพยายามระดับปานกลาง, Kimi K3, Qwen3.8-Flash — และทั้งสี่อยู่ในแคตตาล็อก ดังนั้นครึ่งที่ทำหน้าที่เขียนใหม่ของไปป์ไลน์ทั้งสองแบบจึงสลับและเปรียบเทียบได้ผ่านคีย์เดียว ในราคาตามรายการของผู้ให้บริการ โดยคิดมาร์กอัป 0% พร้อม failover เมื่อการเรียกเขียนใหม่หมดเวลาระหว่างแบตช์ ตัวเรนเดอร์ 29B และ 8B ยังคงอยู่บนฮาร์ดแวร์ของคุณ นั่นคือข้อกล่าวอ้างทั้งหมด

สิ่งที่ Model Card ทั้งสองใบมีอยู่จริง

ทั้งสองการเปิดตัวเผยไพ่ต่อสาธารณะ และไพ่ทั้งสองใบต่างกันตรงสิ่งที่พวกเขายอมรับ

รายงานของ Hy-Nomas, arXiv 2610.36729 เมื่อวันที่ 27 ตุลาคม 2026 อธิบายเทคนิคที่ทำให้การโต้ตอบหลายรอบทำงานได้: แคปชันแบบมีโครงสร้างถูกจัดแนวให้สอดคล้องกับรูปแบบ attention เชิงสาเหตุที่รับรู้การกระทำ ดังนั้นบริบทเชิงพรรณนาจึงคงอยู่ต่อเนื่องข้ามส่วน ขณะที่คำสั่งการกระทำถูกจำกัดอยู่ในหน้าต่างที่คำสั่งนั้นถูกออก การประเมินใช้เบนช์มาร์ก 280 กรณีครอบคลุมสี่แทร็ก — ข้อความหลายรอบ การนำทางด้วยกล้อง ข้อความและกล้องแบบสลับ และความจำเชิงพื้นที่ — ตัดสินโดยการเปรียบเทียบแบบคู่โดยมนุษย์กับ Genie 3, LingBot-World v2 และ Happy Oyster โมเดลชนะในด้านการโต้ตอบและการทำตามพรอมป์ต์ โดยมีอัตราการชนะที่รายงานประมาณ 65% ในการทำตามพรอมป์ต์ และแพ้ Genie 3 ในด้านความจำเชิงพื้นที่ระยะยาว ไฟล์น้ำหนักโมเดลมีขนาดประมาณ 196GB ในชื่อ tencent/Hy-Nomas ภายใต้ Apache 2.0 โดยมีโค้ดบน GitHub และเดโมที่โฮสต์ไว้

การ์ดของ PAN 2 ยาวกว่าและไม่ค่อยชื่นชมเท่า สถาปัตยกรรมนี้คือการทำนายเชิงแฝงแบบกำเนิดจาก บทวิจารณ์ World Models (arXiv 2507.05169) และเอกสารฉบับเดียวกันที่อธิบายสถาปัตยกรรมนี้ได้ระบุความล้มเหลวไว้ด้วย: แผนจำลองราวสองในสามตกหล่นอย่างน้อยหนึ่งขั้นตอน รูปลักษณ์คลาดเคลื่อนไปในแต่ละคลิปเพราะไม่มีสถานะที่ส่งต่อ ถ้อยคำของการสังเกตและการกระทำเปลี่ยนผลลัพธ์ ข้อความสื่อความหมาย "เปิดลิ้นชัก" ได้ดี แต่ "วางแต่ละนิ้วตรงนี้" ได้แย่ การจำลองสามารถดำเนินไปได้ขณะละเมิดกฎฟิสิกส์ และยังไม่มีการวัดผลการจำลองแผนที่ควรล้มเหลว

อ่านสองอันนี้เทียบกันแล้ว ความต่างในสไตล์การเปิดเผยข้อมูลชัดเจนมาก Hy-Nomas รายงานอัตราการชนะและความสูญเสีย ส่วน PAN 2 รายงานอัตราความล้มเหลวและรายการ ทั้งสองไม่ใช่การตรวจสอบ และทั้งคู่เขียนโดยทีมที่สร้างโมเดลขึ้นมา แต่การ์ดที่บอกคุณว่าโมเดลแพ้ตรงไหนคือเอกสารที่คุณใช้วางแผนรับมือได้ และทั้งสองอันนี้เข้าข่าย ซึ่งมากกว่าที่คู่แข่งแบบปิดส่วนใหญ่เสนอ

อันไหน และอะไรจะทำให้คำตอบเปลี่ยนไป

เลือก Hy-Nomas หากปัญหาของคุณคือการสำรวจหรือคอนเทนต์: โลกที่ใครสักคนเดินผ่าน การเคลื่อนกล้องที่ใครสักคนกำกับ ฉาก 720p ที่สอดคล้องกันจากพรอมต์บนการ์ดใบเดียว กลไกหน่วยความจำ การปรับเงื่อนไขด้วยกล้อง และเส้นทาง 4090 ของมัน ล้วนชี้ไปที่ผู้ใช้คนเดียวกัน — คนที่ต้องการเห็นสถานที่และเคลื่อนผ่านมันอย่างประหยัด ในตอนนี้

เลือก PAN 2 หากปัญหาของคุณคือการตัดสินใจ: เอเจนต์ที่ต้องดูตัวอย่างล่วงหน้าว่าการกระทำหนึ่งจะทำอะไร ตัววางแผนที่จัดอันดับแผนที่เป็นตัวเลือก หรือคำถามวิจัยว่า คำอธิบายเชิงโครงสร้างของเหตุการณ์หนึ่งเพียงพอต่อการสร้างผลลัพธ์ที่ตามมาหรือไม่ ข้อตกลงแคปชัน ฮาร์เนสที่เผยแพร่ และน้ำหนักภายใต้ Apache-2.0 ของมัน ล้วนชี้ไปที่ผู้ใช้ที่ต้องได้รับการโต้แย้งอย่างซื่อตรง และมีฮาร์ดแวร์ที่จะจ่ายสำหรับสิ่งนั้น

สองสิ่งจะช่วยชี้ขาดในแบบที่ผู้ขายทั้งสองรายยังไม่เปิดทางให้ในตอนนี้ หน่วยความจำแบบ Hy-Nomas ที่ถูกส่งต่อข้ามเซกเมนต์บนโมเดลที่ใช้การปรับเงื่อนไขตามการกระทำของ PAN 2 จะเป็นผลิตภัณฑ์ที่ดีกว่าอย่างมีนัยสำคัญเมื่อเทียบกับทั้งสอง การศึกษาความล้มเหลวที่เผยแพร่แล้ว — โดย PAN 2 จำลองแผนที่ควรจะล้มเหลว และ Hy-Nomas วัดการดริฟต์ในระยะสิบกว่านาทีแทนที่จะเป็นหนึ่งนาที — จะตอบคำถามที่การ์ดทั้งสองใบยังทิ้งไว้ จนกว่าหนึ่งในนั้นจะเกิดขึ้นจริง ทางเลือกนี้ไม่ใช่เรื่องของโมเดลไหนดีกว่า แต่เป็นเรื่องของว่าโลกของคุณเป็นสิ่งที่คุณเคลื่อนผ่าน หรือเป็นสิ่งที่เกิดขึ้นกับคุณ