CARI4D vs ABot-Earth 0.7: Hai mô hình 4D không bao giờ cạnh tranh

Nếu bạn đã tìm kiếm CARI4D so với ABot-Earth 0.7 với mong đợi một màn đối đầu trực diện, thì câu trả lời trung thực là không có so sánh như vậy và cũng sẽ không có. Hai hệ thống này không làm cùng một việc, không nhận cùng đầu vào, không xuất ra cùng một thứ, và sẽ không bao giờ được bất kỳ ai hiểu rõ một trong hai đem ra đánh giá đối đầu với nhau. CARI4D là phương pháp tái tạo 4D không phân biệt hạng mục của NVIDIA về tương tác người-vật thể — nó quan sát một người xử lý một vật thể trong một video thông thường và khôi phục tư thế của người đó theo thời gian ở tỉ lệ mét. ABot-Earth 0.7 là mô hình thế giới đô thị 3D-native của Amap — nó nhận một ảnh vệ tinh hoặc một lời nhắc văn bản và tạo ra một thành phố quy mô kilômét, có thể khám phá, dưới dạng cảnh Gaussian-splatting. Lý do trang này vẫn tồn tại là trục phân tách chúng thực sự hữu ích, và hai hệ thống này khác nhau ở việc bạn có thể làm gì với chúng hơn nhiều so với vẻ ngoài của chúng.

Cũng có một lý do thứ hai, sắc bén hơn. Hai bản phát hành này nằm ở hai đầu đối lập của một phổ quan trọng hơn bất kỳ dòng thông số kỹ thuật nào: một bản bạn có thể tải về và chạy ngay chiều nay, còn bản kia thì bạn hoàn toàn không thể chạy được.

Câu trả lời mà không ai đang tìm kiếm truy vấn này muốn

Cả hai đều được mô tả là 4D. Cả hai đều đến từ những nhà cung cấp lớn. Cả hai đều được phát hành trong vòng một năm trở lại đây. Đại khái đó là nơi những điểm tương đồng chấm dứt.

CARI4D tái tạo. Cho một video, nó ước lượng những gì đã từng ở đó. Bài báo — Tái tạo 4D không phụ thuộc danh mục về tương tác giữa người và vật thể của Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll và Stan Birchfield — xuất hiện trên arXiv với mã 2512.11988 vào tháng 12 năm 2025 và đã được chấp nhận tại CVPR 2026. Đối tượng nghiên cứu của nó là một người và một vật thể cứng đang tiếp xúc, và tuyên bố cốt lõi của nó là về tỷ lệ: khôi phục kích thước theo đơn vị mét từ một camera đơn mắt không có cảm biến độ sâu và không có dàn máy đa góc nhìn, đây là phần mà các công trình trước đây gặp khó khăn.

ABot-Earth 0.7 tạo ra. Khi được cung cấp một ảnh vệ tinh được tham chiếu địa lý hoặc một mô tả văn bản, nó tạo ra một cảnh chưa từng tồn tại dưới dạng dữ liệu trước đây. Amap, công ty bản đồ và dẫn đường Trung Quốc, đã ra mắt nó vào ngày 10 tháng 9 năm 2026 tại dạ tiệc Street Stars của mình ở Hàng Châu, kế nhiệm ABot-Earth 0.5 ra mắt ngày 8 tháng 6. Nó xuất ra 3D Gaussian splats, xuất sang Unreal Engine và Unity, và bao phủ thứ mà Amap nói là hơn 196 quốc gia và vùng lãnh thổ, tăng từ hơn 190 ở bản 0.5.

Một bên là bộ ước lượng. Một bên là bộ sinh. Sự phân biệt đó đóng vai trò lớn hơn bất kỳ bảng benchmark nào.

Một người và một chiếc ghế, hoặc một thành phố

Khoảng cách về quy mô chính là điều mà người ta đánh giá thấp. Đơn vị được CARI4D quan tâm là một cơ thể người và một vật cầm tay, được đo bằng centimet, theo dõi xuyên suốt các khung hình của một clip duy nhất. Đơn vị được ABot-Earth 0.7 quan tâm là một kilômét vuông thành phố, được tạo ra trong khoảng mười phút trên một GPU phổ thông duy nhất theo báo cáo của chính Amap.

• Đầu vào — CARI4D một video RGB đơn mắt, MP4 so với ABot-Earth 0.7 một ảnh vệ tinh hoặc một lời nhắc văn bản

• Đầu ra — tư thế và hình dạng người theo từng khung hình của CARI4D, phép quay và tịnh tiến của vật thể, cùng hai logit tiếp xúc bàn tay so với ABot-Earth 0.7, một cảnh Gaussian splatting 3D, có thể xuất sang Unreal Engine và Unity

• Đơn vị phân tích — CARI4D một người và một vật thể cứng đang tiếp xúc so với ABot-Earth 0.7 địa hình, tòa nhà, thảm thực vật và các mốc địa danh ở quy mô thành phố

• Tuyên bố về thời gian — CARI4D tái dựng chuyển động được quan sát theo từng khung hình, trong khi ABot-Earth 0.7 được định vị là một mô hình thế giới với một lớp dự đoán cho những gì sẽ xảy ra tiếp theo

• Thang đo mét — thang đo mét của CARI4D được khôi phục từ video đơn mắt nhờ UniDepth và tìm kiếm thang đo từ thô đến tinh so với ABot-Earth 0.7 được định vị địa lý từ ảnh vệ tinh, không có bài toán khôi phục thang đo mét

• Chi phí chạy — CARI4D PyTorch trên GPU NVIDIA Ampere, đã được kiểm chứng trên A100, 38 giờ trên 8×A100 cho lần chạy huấn luyện nghiên cứu, so với ABot-Earth 0.7 khoảng mười phút mỗi km² trên một GPU cấp tiêu dùng, theo so sánh của chính Amap

Hãy để ý rằng xét trên một hàng đơn lẻ, không cột nào tốt hơn cột nào. Chúng đang đo những thế giới khác nhau. Một mô hình khôi phục điểm tiếp xúc giữa bàn tay và bình gas không được cải thiện nhờ việc cũng biết các tòa nhà nằm ở đâu, và một mô hình tạo ra đường chân trời hợp lý không được cải thiện nhờ biết chính xác góc cổ tay của một người đi bộ.

Sự bất đối xứng thực sự quyết định điều đó

Đây chính là sự khác biệt mà người mua sẽ cảm nhận được ngay trong giờ đầu tiên, và nó chẳng liên quan gì đến năng lực cả.

CARI4D có mã nguồn và trọng số mà bạn có thể tải về ngay hôm nay. Kho lưu trữ NVlabs chứa bản triển khai chính thức, phát hành ngày 28 tháng 2 năm 2026, với mã huấn luyện và tiền xử lý video tùy chỉnh được bổ sung vào ngày 4 tháng 4. Checkpoint CoCoNet đã huấn luyện trước tải xuống từ Hugging Face, Docker image xiexh20/cari4d đã được công bố, và kể từ ngày 30 tháng 8 năm 2026, một checkpoint 231M được cấp phép thương mại đã có sẵn dưới dạng nvidia/cari4d_commercial theo NVIDIA Open Model Agreement — có kiểm soát truy cập, nhưng vẫn có thể tải được. Các phụ thuộc đều được ghi lại trong tài liệu, bao gồm cả những phần rắc rối: trọng số torchscript NLF, trọng số FoundationPose, tài nguyên SMPL-H, một kid_template.npy từ AGORA, và Hunyuan3D cho các lưới đối tượng. Bạn có thể chạy suy luận trên bản demo BEHAVE, trên một clip in-the-wild được cung cấp sẵn, hoặc trên video của riêng bạn, và đánh giá nó bằng các script đi kèm.

ABot-Earth 0.7 không thể có được theo bất kỳ nghĩa nào trong số đó. Amap chưa công bố trọng số mô hình, thẻ mô hình, API công khai, giá cả hay tài liệu dành cho nhà phát triển nào. Trang trải nghiệm vẫn hoạt động nhưng Amap mô tả tính năng tạo là chỉ theo lời mời hoặc nằm trong danh sách cho phép, giao diện chỉ có tiếng Trung giản thể, và kho GitHub thời kỳ 0.5 được cho là chỉ chứa một báo cáo kỹ thuật và không có gì có thể thực thi. Mọi con số nổi bật — mười phút mỗi kilômét vuông, hiệu quả cao gấp khoảng 1.000 lần so với tái tạo truyền thống, chi phí chỉ bằng khoảng một phần trăm, hơn 196 quốc gia — đều bắt nguồn từ Amap và chưa được bất kỳ ai ngoài Amap tái tạo độc lập. Đó là những con số do nhà cung cấp báo cáo, và hiện không có con đường nào để chúng có thể trở thành bất cứ điều gì khác.

Vậy nên phép so sánh thực tế không phải là "mô hình nào tốt hơn." Mà là một trong hai là một artifact nghiên cứu đi kèm giấy phép thương mại và một Docker image, còn cái kia là một bản trình diễn sản phẩm gắn với một chu kỳ truyền thông. Cả hai đều là những thành tựu chính đáng. Chỉ một trong hai là thứ bạn có thể đưa vào một bản build.

Nơi hai điều ấy thực sự gặp nhau

Ở đây có một sự kết hợp thực sự, và đáng để nói cụ thể về nó, bởi vì đó là ý nghĩa duy nhất mà theo đó những điều này thuộc về cùng một cuộc trò chuyện.

Đầu ra của CARI4D là tương tác giữa người và vật thể trong một hệ quy chiếu thế giới theo mét. Đầu ra của ABot-Earth 0.7 là một môi trường. Lấp đầy cái thứ hai bằng cái thứ nhất và bạn sẽ có thứ mà không bên nào tự tạo ra được: một thành phố được tạo sinh, trong đó con người đang làm những việc được đo đạc vật lý thay vì được đặt vào một cách nghệ thuật. Mô phỏng robot, lập kế hoạch bố trí bán lẻ và tạo tập dữ liệu tương tác đều muốn chính xác sự kết hợp đó — một môi trường đủ rẻ để tái tạo và chuyển động con người đủ chính xác để huấn luyện dựa vào.

Điểm nối giữa chúng là một phép biến đổi tọa độ và một quy ước tỷ lệ, và nó không hề tầm thường, bởi vì hệ quy chiếu mét của CARI4D được định nghĩa tương đối với một camera duy nhất còn của ABot-Earth 0.7 được định nghĩa bằng định vị địa lý. Chưa ai công bố tích hợp đó. Đó là kiểu việc mà một nhóm làm trong một tuần rồi không viết lại thành tài liệu.

Bước bị bỏ quên trong pipeline đó là phần biến dữ liệu tương tác thô thành thứ có thể truy vấn được — gắn chú thích cho clip, gắn thẻ các sự kiện tiếp xúc, xây dựng chỉ mục truy xuất và bộ lọc kiểm soát chất lượng trên đầu ra. Công việc đó chạy qua các mô hình thị giác-ngôn ngữ và mô hình ngôn ngữ, và đó chính là lớp mà OrcaRouter bao phủ: hơn 200 mô hình đằng sau một API, giá niêm yết của nhà cung cấp được chuyển nguyên với mức markup 0%, tự động chuyển đổi dự phòng khi một nhà cung cấp suy giảm, và một DSL định tuyến kết hợp nhiều mô hình vào một lệnh gọi duy nhất để việc gắn chú thích và lượt QC không phải là những tích hợp riêng biệt. Cả CARI4D lẫn ABot-Earth 0.7 đều không được phục vụ ở đó, và cả hai cũng không phải là LLM — nhưng bộ công cụ mà bạn dùng để bao quanh chúng thì gần như chắc chắn là vậy.

Bạn thực sự muốn cái nào?

Chọn CARI4D nếu bạn có video về một người đang tương tác với một vật thể và bạn cần tư thế của họ, theo đơn vị mét, từng khung hình một — để phân tích chuyển động, nhận thức cho robot, tham chiếu hoạt họa, hoặc xây dựng một bộ dữ liệu tương tác. Nó hiện đã có sẵn, đã có tài liệu, và giấy phép thương mại đã được công bố vào ngày 30 tháng 8 năm 2026. Hãy dự trù ngân sách cho chuỗi phụ thuộc, và đọc các điều khoản giấy phép đối với những phần mà NVIDIA không sở hữu.

Chọn ABot-Earth 0.7 nếu bạn cần môi trường thay vì nhân vật — cảnh quy mô thành phố được tạo từ một địa điểm hoặc một mô tả, một cách nhanh chóng, có thể xuất sang game engine. Hãy hiểu rằng bạn đang đánh giá một năng lực đã được chứng minh chứ không phải đang áp dụng một công cụ, rằng quyền truy cập là tùy ý, và rằng các số liệu về hiệu quả là của chính Amap.

Chỉ chọn cả hai nếu bạn đang xây dựng hệ thống tổng hợp được mô tả ở trên, và hãy xác định trước rằng bạn sẽ tự viết phần mối nối.

Câu hỏi đáng đặt ra không phải là trong hai cái này, cái nào thắng. Mà là liệu thứ bạn thực sự đang xây dựng có cần một mô hình tái tạo, một mô hình tạo sinh, hay không cần cả hai — và ở câu hỏi đó, hai câu trả lời này không bao giờ trùng nhau.