Hi3D V1.0 so với CARI4D: Cùng một nền tảng, hai câu hỏi khác nhau

Sự thật sáng tỏ nhất về Hi3D V1.0 và CARI4D là cả hai đều có thể gọi Hunyuan3D-2 của Tencent. Hi3D V1.0, phát hành ngày 23 tháng 10 năm 2026 với tư cách là phiên bản kế nhiệm mã nguồn mở của Sparc3D, sử dụng bộ chuyển đổi mini Hunyuan3D-2 trong bản demo của mình để tạo ra lưới thô mà sau đó nó tinh chỉnh. CARI4D, phương pháp tái dựng 4D không phân biệt hạng mục của NVIDIA về tương tác người-vật thể, sử dụng Hunyuan3D-2 để tái dựng lưới của vật thể từ khung hình đầu tiên của video trước khi theo dõi cách vật thể đó di chuyển. Cùng một mô hình hình học thượng nguồn, hai công việc hoàn toàn khác nhau: Hi3D hỏi bề mặt của vật thể nên trông như thế nào ở độ phân giải cao, còn CARI4D hỏi người và vật thể đã làm gì theo thời gian.

Hunyuan3D-2 thực sự nằm ở đâu

Cần nói chính xác, bởi vì “cả hai đều dùng Hunyuan3D” có thể ngụ ý một mối quan hệ gần gũi hơn so với thực tế.

Thư viện lõi của Hi3D hoàn toàn không yêu cầu Hunyuan. Quy trình tinh chỉnh nhận một ảnh tham chiếu và một lưới thô, và demo/refine_mesh.py không nhập gì từ Tencent. Bộ chuyển đổi mini Hunyuan3D-2 nằm trong demo/coarse_stage.py, là tùy chọn và tồn tại để một người chỉ có một ảnh có thể tạo ra lưới thô mà bộ tinh chỉnh cần. Mã, trọng số và đầu ra của Tencent giữ giấy phép riêng của chúng và phải được lấy riêng. Trong một quy trình sản xuất, Hunyuan là một thành phần thượng nguồn khả dĩ trong số nhiều thành phần.

Sự phụ thuộc của CARI4D mang tính cấu trúc. Giai đoạn tái tạo vật thể của nó lấy khung hình đầu tiên, phân đoạn vật thể bị thao tác và tái tạo hình học của vật thể đó bằng Hunyuan3D-2. Lưới này sau đó được đặt ở tỉ lệ mét bằng UniDepth và tìm kiếm từ thô đến mịn thông qua FoundationPose. Phần còn lại của pipeline — NLF cho con người, bước chọn giả thuyết tư thế, CoCoNet để hiệu chỉnh render-and-compare, và tối ưu hóa chung có nhận biết tiếp xúc — phụ thuộc vào việc lưới vật thể đó đủ tốt để theo dõi dựa trên.

Hệ quả là khung hữu ích cho so sánh này. Toàn bộ mục đích của Hi3D là sửa loại hình học mà Hunyuan3D-2 tạo ra. Mục đích của CARI4D là khôi phục chuyển động, và nó coi lưới là đầu vào mà nó kế thừa. Một mô hình nhắm vào điểm yếu của mô hình kia mà không dự án nào nói ra.

Mỗi mô hình đã học dùng để làm gì

Thành phần học được của Hi3D là một luồng thưa được điều kiện hóa trên các đặc trưng ảnh, được định nghĩa trên các tọa độ lấy từ lưới thô. Nó lấy mẫu các latent thưa, giải mã chúng bằng một VAE thưa tự tỉa, trích xuất một bề mặt, tái voxel hóa và lặp lại. Ba lượt đưa lưới cấu trúc từ 64³ lên 128³ rồi 192³ và lưới trích xuất thưa từ 512³ lên 1024³ rồi 1536³, với 25 lần cập nhật bộ lập lịch mỗi lượt. Mô hình đang học chi tiết hình học cục bộ: các cạnh, cấu trúc mảnh, tính liên tục của bề mặt, những phần mà một bộ sinh thô làm mịn đi.

Thành phần học được của CARI4D là CoCoNet, một mạng kết xuất-và-so sánh. Nó kết xuất ước lượng hiện tại của đối tượng và con người thành RGB, độ sâu và mặt nạ, mã hóa bản kết xuất đó bằng DINOv2 ViT-B/14 và bộ mã hóa XYZ-và-mặt nạ sáu kênh ViT-S/14, chạy cơ chế chú ý không-thời gian và hồi quy các hiệu chỉnh tư thế theo từng khung hình cùng hai logit tiếp xúc bàn tay. Checkpoint nghiên cứu có 194M tham số; biến thể MHR được cấp phép thương mại phát hành ngày 30 tháng 8 năm 2026 có 231M tham số. Điều nó học được không phải chi tiết hình dạng mà là mối quan hệ giữa một giả thuyết đã được kết xuất và một khung hình quan sát được.

Đó là những tín hiệu huấn luyện khác nhau và những kiểu thất bại khác nhau. Hi3D có thể làm cho một đường viền sai trở nên sắc nét hơn. CARI4D có thể theo dõi chính xác một vật thể có hình dạng kém xuyên suốt video mà vẫn cho bạn một mesh tồi, vì các chỉ số của nó là về tư thế và tiếp xúc, không phải độ trung thực bề mặt.

Những gì xuất ra, từng dòng một

• Đầu vào — Hi3D V1.0 một ảnh tham chiếu cộng với một lưới thô so với CARI4D một video RGB đơn mắt

• Đầu ra — Hi3D V1.0 một lưới chỉ hình học trimesh so với CARI4D tư thế và hình dạng người theo từng khung hình, độ xoay và tịnh tiến của vật thể, và hai logit tiếp xúc bàn tay

• Tỷ lệ — Hi3D V1.0 được định tâm lại và chuẩn hóa về bán kính tối đa bằng một đơn vị, so với tỷ lệ hệ mét CARI4D được khôi phục qua UniDepth và FoundationPose

• Texture — Hi3D V1.0 không có so với CARI4D không có; nó trả về tư thế và tiếp xúc, không phải một asset có texture

• Tính toán — Hi3D V1.0 được đo trên NVIDIA H20 96 GB, không có đường xử lý CPU, kích thước lô bằng một so với CARI4D PyTorch trên NVIDIA Ampere, đã được xác thực trên A100, cùng với một Docker image

• Giấy phép — Hi3D V1.0, Giấy phép Mở Hi3D 1.0, được sử dụng thương mại với ngưỡng kích hoạt 200.000 MAU hoặc doanh thu 1 triệu USD/tháng, so với CARI4D là Thỏa thuận Mô hình Mở của NVIDIA dành cho checkpoint thương mại 231M, chỉ dùng cho nghiên cứu đối với bản phát hành 194M

• Bằng chứng — Hi3D V1.0 không công bố benchmark số nào so với CARI4D, một bài báo CVPR 2026 có các ablation và kết quả BEHAVE, do nhà cung cấp tự báo cáo và chưa được tái lập độc lập

Thí nghiệm chưa từng ai công bố

Đây là sự kết hợp mà phần nền tảng dùng chung khiến trở nên hiển nhiên, được trình bày như một thí nghiệm chứ không phải một tính năng.

CARI4D tái dựng lưới đối tượng của nó từ một khung hình đầu tiên duy nhất thông qua Hunyuan3D-2. Hi3D tinh chỉnh đúng loại lưới thô đó, với điều kiện là một ảnh tham chiếu của cùng đối tượng — và CARI4D có một ảnh như vậy, vì khung hình đầu tiên chính là ảnh tham chiếu. Về nguyên tắc, một pipeline có thể lấy ảnh khung hình đầu tiên của CARI4D và lưới Hunyuan, chạy Hi3D ở 1024³ hoặc 1536³, rồi trả bề mặt đã tinh chỉnh về cho giai đoạn đặt và theo dõi nó.

Trên thực tế có bốn trở ngại, và không trở ngại nào là nhỏ.

• Tỷ lệ. Hi3D định tâm lại đầu ra của nó và chuẩn hoá đầu ra đó về bán kính cực đại bằng một đơn vị. CARI4D cần một lưới theo tỷ lệ mét để khởi tạo FoundationPose. Phép biến đổi ngược không được công bố, và làm sai phép biến đổi này sẽ thay đổi kích thước biểu kiến của vật thể trong mọi khung hình.

Cấu trúc. Hi3D tinh chỉnh cấu trúc thô được cung cấp; nó không sửa chữa cấu trúc đó. Nếu Hunyuan3D-2 đọc sai cấu trúc liên kết của vật thể từ một khung hình, Hi3D sẽ khiến việc đọc sai đó trở nên chi tiết hơn. Việc lựa chọn giả thuyết tư thế của CARI4D có thể hấp thụ một phần lỗi của vật thể — bài báo báo cáo việc giảm khoảng cách Chamfer của vật thể từ khoảng 1.565 cm xuống 16,85 cm khi khởi tạo — nhưng đây không phải là giai đoạn sửa hình dạng.

• Thời gian chạy. Hi3D xử lý từng đối tượng một, tối đa ba lượt, mỗi lượt 25 bước, và không công bố độ trễ. Pipeline của CARI4D vốn đã nối chuỗi Hunyuan3D, UniDepth, NLF, FoundationPose, CoCoNet và một bước tối ưu hóa chung. Việc thêm một giai đoạn tinh chỉnh 96 GB trước vòng lặp theo từng clip có thể chấp nhận được khi chạy ngoại tuyến và bất khả thi khi chạy tương tác.

• Kiểm chứng. Chưa ai công bố tích hợp này. Các con số trong bài báo của CARI4D đo độ chính xác tư thế và tiếp xúc, không đo tác động của một lưới đối tượng tốt hơn lên những con số đó. Hoàn toàn có thể là bước tinh chỉnh cải thiện lưới và hầu như không làm thay đổi các chỉ số tái dựng, vì việc theo dõi vẫn vững với chi tiết bề mặt. Cũng có thể là một lưới sắc nét hơn cải thiện các tương ứng của FoundationPose. Cho đến khi có người chạy thử nghiệm loại bỏ (ablation), cả hai đều chỉ là phỏng đoán.

Giá trị thực chất của quan sát này không phải là “hãy dùng chúng cùng nhau”. Mà là hai bản phát hành bổ trợ cho nhau tại một mối nối cụ thể, và mối nối đó gắn với một câu hỏi có thể đo lường được mà không nhà cung cấp nào đã trả lời.

Hai loại bằng chứng, không loại nào độc lập

CARI4D trông có vẻ được chứng minh đầy đủ hơn Hi3D, và đúng là như vậy, nhưng khác biệt nhỏ hơn vẻ ngoài ban đầu. CARI4D có một bài báo CVPR 2026 đã qua bình duyệt, một bộ đánh giá chuẩn có tên, các thí nghiệm loại bỏ thành phần (ablation) và một con số được báo cáo là sai số tái tạo thấp hơn 38% trên dữ liệu cùng phân phối và 36% trên dữ liệu chưa từng thấy. Đó là những con số của NVIDIA, do chính NVIDIA đánh giá. Chưa có phòng thí nghiệm trung lập nào tái lập được chúng. Mã nguồn và các script đánh giá đều công khai, khiến việc tái lập trở nên khả thi — nhưng chưa được thực hiện.

Hi3D hoàn toàn không có benchmark số nào. Kho lưu trữ công bố các so sánh trực quan giữa chín phương pháp cho hình học cục bộ, một tuyên bố về quy mô huấn luyện khoảng hai triệu tài nguyên được tuyển chọn, và một tuyên bố về độ phân giải trích xuất thưa 1536³. Thông cáo báo chí bổ sung tỷ lệ cắt thành công 90% và tuyên bố về điểm trung thực đa góc nhìn và chi tiết cao nhất trong đánh giá được báo cáo, mà không có điểm số, không có đường cơ sở và không nêu tên bộ cắt nào. Mã huấn luyện và khung đánh giá đều vắng mặt, nên không thể tái dựng các bảng của bài báo từ thông cáo.

Nói cách khác, cả hai đều do nhà cung cấp tự báo cáo. Một cái có kèm bài báo, cái còn lại có thông cáo báo chí. Người mua nên coi huy hiệu CVPR là lý do để xem trọng phương pháp luận, chứ không phải là thứ thay thế cho một bài kiểm tra độc lập.

Bạn thực sự có câu hỏi nào?

Nếu bạn có một video về một người đang thao tác với một vật thể và bạn cần biết bàn tay, vật thể và cơ thể đã chuyển động như thế nào — tư thế theo thang đo mét, các điểm tiếp xúc, từng khung hình — thì {{1}}CARI4D{{/1}} là hệ thống được xây dựng cho việc đó, và checkpoint thương mại giúp nó có thể triển khai được. {{2}}Hi3D{{/2}} hoàn toàn không thể trả lời câu hỏi đó. Nó không có mô hình thời gian, không có đầu ra tư thế và không có suy luận tiếp xúc.

Nếu bạn có một hình ảnh tham chiếu và một lưới thô, đồng thời cần một tài nguyên tĩnh sắc nét hơn, thì Hi3D chính là công cụ phù hợp trực tiếp. CARI4D cũng không thể trả lời câu hỏi đó: lưới đối tượng của nó là sản phẩm phụ của một quy trình theo dõi, được tạo ra với mức độ trung thực mà Hunyuan3D-2 có thể đạt được từ một khung hình, và nó chỉ cung cấp tư thế chứ không phải một bề mặt đã được tinh luyện.

Nếu bạn đang xây dựng composite — một pipeline tái dựng nơi hình học đối tượng là mắt xích yếu — thì nước đi thú vị là kiểm tra xem bước tinh chỉnh của Hi3D có cải thiện các chỉ số hạ nguồn của CARI4D hay không. Đó là một câu hỏi nghiên cứu có thực nghiệm rõ ràng và chưa có câu trả lời nào được công bố. Hãy dự trù ngân sách cho phép biến đổi tỉ lệ và GPU trước khi dự trù ngân sách cho bài báo.

Lớp bao quanh cả hai

OrcaRouter không phục vụ cả hai mô hình này, và cả hai đều không phải mô hình ngôn ngữ. Danh mục bao gồm văn bản, thị giác, video, embedding và giọng nói; việc tái tạo 3D được thực hiện trên phần cứng của bạn. Tuy nhiên, các lệnh gọi xoay quanh việc tái tạo lại là lệnh gọi mô hình: tạo chú thích cho khung hình đầu tiên, mô tả đối tượng cho hồ sơ tài sản, hoặc đánh giá xem một bản render đã tinh chỉnh có còn khớp với tham chiếu từ ba góc hay không.

Cái cuối cùng đó rất phù hợp với việc hợp nhất mô hình. Thay vì tin vào ý kiến của một mô hình thị giác duy nhất rằng một lưới đã được tinh chỉnh là bám sát bản gốc, hãy gửi cùng một phép so sánh đa góc nhìn đến một nhóm mô hình và để câu trả lời của chúng tổng hợp lại. OrcaRouter cung cấp tính năng hợp nhất và hơn 200 mô hình riêng lẻ phía sau một API, với giá niêm yết của nhà cung cấp được chuyển nguyên ở mức 0% markup và tự động chuyển đổi dự phòng nếu một nhà cung cấp bị suy giảm. Phần hình học vẫn ở trên GPU của bạn; phần đánh giá xung quanh nó có thể mang tính dư thừa mà không tốn kém để kết nối.

Điều gì sẽ giải quyết được nó?

Một thí nghiệm ablation sẽ mang lại nhiều hơn bất kỳ việc so sánh thông số nào: lấy một chuỗi BEHAVE, tinh chỉnh lưới đối tượng bằng Hi3D ở 1024³, hoàn tác chuẩn hoá, và báo cáo các chỉ số tư thế và tiếp xúc so với baseline chưa tinh chỉnh. Nếu các con số thay đổi, backbone dùng chung sẽ trở thành một pipeline. Nếu không, giá trị của Hi3D vẫn nằm ở nơi nó mạnh nhất — như một công cụ hình học độc lập cho những người đã có sẵn lưới thô.

Cho đến khi thí nghiệm đó ra đời, cách phân định có thể biện minh rất đơn giản. Hi3D V1.0 là một bộ tinh chỉnh hình học với trọng số mở và không có benchmark. CARI4D là một bộ tái tạo chuyển động với một bài báo và một checkpoint thương mại. Hai bên giao nhau tại Hunyuan3D-2, và không bên nào thay thế được bên kia.