Hi3D V1.0 so với Hunyuan3D WorldClaw: Một asset được làm tốt, hay cả một thế giới được làm qua loa

Một Hunyuan3D WorldClaw cảnh không phải là một mô hình 3D duy nhất. Đó là địa hình, tòa nhà, thảm thực vật, phương tiện và nhân vật, mỗi thứ được tái tạo thành một lưới riêng, đặt trên một cảnh quan được tạo ra và sau đó được một tác nhân thị giác kiểm tra, tác nhân này gửi các vùng lỗi trở lại để sửa chữa. Hi3D V1.0 không xây dựng thế giới. Nó lấy một lưới thô và một hình ảnh tham chiếu rồi dành một GPU 96 GB để làm cho hình học của vật thể đơn lẻ đó sắc nét hơn. Do đó, so sánh không phải là cảnh với cảnh. Đó là thông lượng so với độ trung thực, và hai hệ thống nằm ở hai phía đối diện của cùng một dây chuyền sản xuất.

WorldClaw cần gì trước khi có thể xây dựng một thế giới

WorldClaw là framework tác tử của Tencent Hunyuan giúp biến một câu lệnh văn bản thành một thế giới 3D lớn, có thể khám phá và chỉnh sửa. Bài báo “WorldClaw: Agentic 3D Open-World Generation at Scale” xuất hiện trên arXiv với mã 2608.05248 vào ngày 7 tháng 8 năm 2026, và trang dự án cùng kho lưu trữ GitHub ra mắt trong cùng tuần. Kiến trúc vận hành qua bốn giai đoạn:

• Phân tích ý định và lập kế hoạch cảnh — hai tác nhân mô hình ngôn ngữ phân tích lời nhắc. Một bên chỉ trích xuất các ràng buộc mà người dùng đã nêu; bên kia điền vào những chi tiết mà lời nhắc còn thiếu. Bài báo nêu tên Claude Opus 4.8 cho giai đoạn này.

• Tạo địa hình toàn cục — bản đồ bố cục ngữ nghĩa và trường độ cao nhận biết vùng tạo ra khung địa hình liên tục với vật liệu, đá và thực vật được gán theo vùng.

• Tạo đối tượng theo vùng — các vùng chi tiết được kết xuất thành ảnh tổng hợp 2D ràng buộc bởi địa hình, được phân đoạn thành từng thể hiện bằng GPT-Image-2 và SAM3D, được tái tạo thành các lưới 3D riêng lẻ thông qua Hunyuan3D, rồi được đặt trở lại lên địa hình.

• Tinh chỉnh dựa trên render — một tác nhân thị giác render cảnh từ nhiều góc nhìn, tìm các vật thể lơ lửng, hiện tượng xuyên lấn, sai tỉ lệ và sai tư thế, sửa vùng bị lỗi rồi render lại cho đến khi đạt. Việc lắp ghép diễn ra trong Blender thông qua MCP.

Giai đoạn thứ ba đó mới là giai đoạn quan trọng ở đây. Mỗi vật thể trong một cảnh WorldClaw là một lần tái dựng 3D từ hình ảnh riêng biệt. Một cảnh có hai trăm đạo cụ khác nhau nghĩa là hai trăm lần sinh lưới, mỗi lần được điều kiện hóa trên một ảnh ghép 2D đã phân đoạn và mỗi lần mang theo mức độ trung thực mà mô hình tái dựng nền tảng có thể tạo ra. Giới hạn trần thị giác của cảnh do tài nguyên kém nhất trong đó quyết định, và đánh giá của chính khuôn khổ này không đo lường điều đó. Bài báo báo cáo các so sánh song song định tính với SynCity, WorldGen của Meta, MajutsuCity và Marble của World Labs — không có FID, không có điểm CLIP, không có nghiên cứu người dùng và không có chỉ số độ trung thực trên từng vật thể.

Hi3D sẽ đóng góp những gì, và những gì nó sẽ không đóng góp

Hi3D V1.0, phát hành ngày 23 tháng 10 năm 2026, là một mô hình tinh chỉnh được xây dựng trên Sparc3D. Cung cấp cho nó một ảnh tham chiếu của một đối tượng và một lưới thô của cùng đối tượng đó, và nó sẽ dần dần lấy mẫu các latent thưa, giải mã chúng thông qua một VAE thưa tự cắt tỉa và trích xuất một bề mặt có độ phân giải cao hơn. Ba lượt đưa lưới cấu trúc lên 64³, 128³ và 192³ và lưới trích xuất thưa lên 512³, 1024³ và 1536³, với 25 lần cập nhật bộ lập lịch mỗi lượt. Nó chạy một đối tượng tại một thời điểm.

Sự phù hợp với giai đoạn thứ ba của WorldClaw là rõ ràng trên lý thuyết. WorldClaw đã có composite 2D đã phân đoạn cho từng đối tượng và đã tạo lưới thông qua Hunyuan3D. Đó chính xác là hai đầu vào mà Hi3D cần: một ảnh tham chiếu và một lưới thô. Việc tinh chỉnh từng đối tượng trước khi nó được đặt sẽ nâng cao chi tiết hình học của các asset quyết định chất lượng cận cảnh của cảnh.

Ba hạn chế khiến nó không thể là một bản nâng cấp thay thế trực tiếp.

Thứ nhất, Hi3D chỉ tạo hình học. Nó không tạo ra texture, material hay màu đỉnh, còn đầu ra của WorldClaw là những mesh có texture rõ ràng, có thể chỉnh sửa riêng lẻ, được thiết kế để dùng trong game engine. Hi3D sẽ cải thiện đường bao và chi tiết bề mặt cục bộ, rồi chuyển asset sang một bước tạo texture mà cả hai repository đều không cung cấp. Một thế giới được dựng từ những mesh đã tinh chỉnh nhưng chưa có texture không phải là sản phẩm bàn giao mà WorldClaw cam kết.

Thứ hai, ảnh tham chiếu phải hiển thị cùng một đối tượng. Phân đoạn của WorldClaw tạo ra một ảnh cắt của đối tượng bên trong một ảnh ghép khu vực, gần giống nhưng không hoàn toàn giống với một ảnh tham chiếu sản phẩm sạch. Liệu như vậy có đủ tốt hay không là một câu hỏi thực nghiệm mà chưa ai trả lời.

Thứ ba, thông lượng. Hi3D tinh chỉnh từng lưới một, và cấu hình được đo là H20 96 GB không có đường xử lý CPU và không có chế độ theo lô. Theo bài báo, WorldClaw đã chạy trên 4× H20. Việc thêm một giai đoạn tinh chỉnh cho từng đối tượng trước khâu bố trí sẽ nhân phần tốn kém nhất của pipeline lên theo số lượng đối tượng trong cảnh.

Con số mà cả hai trang đều không cung cấp cho bạn

Bạn không thể tính chi phí cho thành phần này từ tài liệu đã công bố, và đó là phát hiện thực tiễn quan trọng nhất trong so sánh này.

Hi3D không công bố độ trễ theo đồng hồ thực. README đưa ra số lần cập nhật bộ lập lịch, số lượt pass và một GPU đã được đo, nhưng không có số giây trên mỗi vật thể ở 512³, 1024³ hay 1536³. WorldClaw cũng không công bố thời gian tái tạo trên mỗi vật thể. Tuyên bố tính toán của bài báo là về toàn bộ hệ thống trên 4× H20, không phải về chi phí cận biên của thêm một đạo cụ. Nếu không có cả hai con số, phép tính quyết định xem việc tinh chỉnh có khả thi về chi phí hay không — số vật thể mỗi cảnh nhân số giây mỗi vật thể nhân giờ GPU — không thể thực hiện được từ các nguồn.

Điều có thể nói là hình dạng của chi phí. Thiết lập 512³ của Hi3D chạy một lượt; 1024³ chạy hai; 1536³ chạy cả ba. Mỗi lượt là 25 cập nhật bộ lập lịch. Độ phân giải cao hơn mua thêm chi tiết và tốn thêm lượt. Kích thước lô là một, nên chi phí tăng tuyến tính theo số lượng đối tượng và không thể được phân bổ đều qua một lô. Nếu một cảnh WorldClaw chứa hàng chục đối tượng chủ đạo và hàng trăm đạo cụ nền, một pipeline hợp lý sẽ tinh chỉnh các đối tượng chủ đạo và để nền ở giai đoạn thô — một quyết định đòi hỏi chính xác thời gian xử lý từng đối tượng mà cả hai dự án đều chưa công bố.

Năm khía cạnh thực sự phân biệt chúng

• Đơn vị công việc — Hi3D V1.0 một đối tượng so với Hunyuan3D WorldClaw một cảnh thế giới mở chứa nhiều đối tượng

• Đầu ra — Hi3D V1.0: một lưới chỉ có hình học so với Hunyuan3D WorldClaw: các lưới có thể chỉnh sửa, có kết cấu, được lắp ghép trong Blender

• Đầu vào — Hi3D V1.0 một ảnh tham chiếu cùng một lưới thô so với Hunyuan3D WorldClaw một lời nhắc văn bản mở

• Mã nguồn và trọng số — Hi3D V1.0 có thể tải xuống ngay hôm nay theo Hi3D Open License 1.0, so với Hunyuan3D WorldClaw chỉ có một README và một bài báo, không có mã nguồn, không có trọng số, không có API, không có thông tin giá

• Bằng chứng — Hi3D V1.0 không có đánh giá chuẩn định lượng so với Hunyuan3D WorldClaw, chỉ có so sánh định tính, không có FID, không có CLIP, không có nghiên cứu người dùng

Tính sẵn có quyết định cả quý.

Một trong những cái này là công cụ và cái còn lại là tài liệu thiết kế.

Hi3D V1.0 hiện có thể được clone, cài đặt và chạy. Nó cần Linux, Python 3.10, CUDA 12.0 đến 12.5, một GPU có khả năng tính toán 8.0 và bản dựng từ mã nguồn của flash-attn, và toàn bộ thang 1536³ mới chỉ được xác thực trên H20 96 GB. Giấy phép cho phép sử dụng thương mại, với yêu cầu thông báo và giấy phép riêng khi một sản phẩm vượt quá 200.000 người dùng hoạt động hằng tháng hoặc 1.000.000 USD doanh thu hằng tháng, và yêu cầu ghi công đối với các tích hợp thương mại. Các trọng số là tám tệp trên Hugging Face. Không có endpoint được lưu trữ — thẻ mô hình cho biết nó không được triển khai bởi bất kỳ nhà cung cấp suy luận nào — và phiên bản v3.0 thương mại của công ty, với voxel 2048³ và kết cấu 8K, là một sản phẩm riêng được bán qua nền tảng riêng của công ty.

Hiện nay không ai bên ngoài Tencent có thể chạy WorldClaw. Kho lưu trữ GitHub chứa một thư mục assets, một .gitignore và một README. Không có bản triển khai, không có checkpoint, không có API và không có giá cả, và một issue yêu cầu mã nguồn vẫn chưa được trả lời. Bài báo đủ chi tiết để tái triển khai kiến trúc và trang dự án là một minh họa tốt, nhưng cả hai đều không phải là một thành phần phụ thuộc mà bạn có thể đưa vào kế hoạch. Nếu bạn đang xây dựng một trình tạo thế giới, WorldClaw là một bản thiết kế đáng đọc; nó không phải là một thành phần mà bạn có thể gọi.

Sự bất đối xứng đó là câu trả lời thực tế cho cuộc so tài. Một đội cần hình học đối tượng tốt hơn trong tháng này có thể dùng Hi3D. Một đội cần năng lực cấp cảnh của WorldClaw trong tháng này thì phải tự xây dựng nó, và bài báo là thứ duy nhất Tencent đã công bố có thể giúp ích.

Hóa đơn LLM sẽ rơi vào đâu

Kiến trúc của WorldClaw trung thực một cách hiếm có về việc các lời gọi tốn kém nằm ở đâu. Lập kế hoạch cho cảnh, trích xuất các ràng buộc của người dùng, điền vào những chi tiết mà câu lệnh đã bỏ qua và chạy phần phê bình thị giác để quyết định xem cần kết xuất lại những gì — tất cả đều là các lời gọi ngôn ngữ hoặc ngôn ngữ-thị giác. Khuôn khổ này định tuyến chúng tới các mô hình tiên phong thay vì tự huấn luyện mô hình riêng. Đó là một canh bạc có chủ đích: điều phối thay vì huấn luyện, với chất lượng bị giới hạn bởi những thành phần mà bạn không kiểm soát.

Đây cũng là lớp mà OrcaRouter bao phủ. Việc tái tạo 3D vẫn nằm trên GPU của bạn và không phải thứ chúng tôi cung cấp — danh mục gồm các mô hình văn bản, thị giác, video, embedding và giọng nói, không phải hình học. Bộ lập kế hoạch và bộ phê bình lại là câu chuyện khác. Đặt hơn 200 mô hình phía sau một API nghĩa là bộ lập kế hoạch và bộ phê bình không cần hợp đồng riêng, khóa riêng và miền lỗi riêng; giá niêm yết của nhà cung cấp được chuyển tiếp với markup 0%, nên thay đổi giá của nhà bán đến endpoint trong cùng ngày; chuyển đổi dự phòng tự động ngăn một nhà cung cấp bị suy giảm làm đình trệ một thế giới giữa lúc đang tạo; và DSL định tuyến kết hợp nhiều mô hình vào một lời gọi, mà vòng lặp lập kế hoạch rồi phê bình thực chất chính là như vậy. Với một pipeline mà chi phí trên mỗi cảnh bị chi phối bởi các lời gọi agent lặp lại, bề mặt điều khiển đó quan trọng hơn bất kỳ lựa chọn mô hình đơn lẻ nào.

Ai nên hành động, và về vấn đề gì

Nếu nút thắt cổ chai của bạn là chất lượng của một tài sản riêng lẻ — một chi tiết có thể in được, một mô hình sản phẩm, một đạo cụ chủ đạo — thì Hi3D V1.0 hiện đã có sẵn và chi phí bắt đầu thử nghiệm rất thấp, miễn là bạn sở hữu GPU 96 GB và đã có một lưới thô. Hãy đọc phần hạn chế trước thông cáo báo chí: mô hình tinh chỉnh cấu trúc, nó không sửa một hình dáng tổng thể sai, và nó không trả về kết cấu.

Nếu nút thắt cổ chai của bạn là việc lắp ráp cảnh, WorldClaw là hệ thống tham vọng hơn và cũng ít sẵn có hơn. Đóng góp của nó mang tính kiến trúc: một vòng lặp tác tử từ thô đến tinh với một bộ phê bình dựa trên kết xuất, và một tuyên bố rõ ràng rằng giai đoạn tái tạo đối tượng là nơi độ trung thực của từng tài sản được quyết định thành bại. Thí nghiệm tiếp theo hiển nhiên là đặt một bộ tinh chỉnh như Hi3D phía sau giai đoạn đó và đo xem liệu chất lượng cận cảnh của cảnh có cải thiện đủ để biện minh cho các lượt xử lý bổ sung hay không. Chưa ai công bố phép đo đó, và cho đến khi có người làm vậy, so sánh này vẫn chỉ là một giả thuyết về một dây chuyền sản xuất chứ không phải một kết quả.