PAN 2 vs Hi3D v1.0: Hai mô hình đều từ chối cho bạn biết bất cứ thứ gì lớn đến mức nào

Hãy yêu cầu một trong hai mô hình này tạo ra một thế giới, và thứ đầu tiên bạn đánh mất là thước đo. PAN 2 là mô hình thế giới trọng số mở 29 tỷ tham số của Institute of Foundation Models, có mặt trên Hugging Face dưới dạng checkpoint Apache-2.0 kể từ ngày 7 tháng 10 năm 2026, với mã nguồn vào ngày 5 tháng 11 và hỗ trợ vLLM-Omni Day-0 vào ngày 10 tháng 11: đưa cho nó một khung hình khởi đầu và một hành động được mô tả, nó sẽ kết xuất tối đa hai mươi giây video 704×1248 ở 24 khung hình mỗi giây thể hiện hệ quả. Hi3D v1.0, trước đây là Sparc3D, là một bộ tinh chỉnh hình học trọng số mở được công bố vào ngày 23 tháng 10 năm 2026, nhận một hình ảnh cùng một lưới thô và trả về một lưới dày đặc hơn, chỉ về hình học, với mọi kết quả được đặt lại tâm và chuẩn hóa về bán kính đơn vị. Một mô hình xuất ra hình ảnh chuyển động mà không đưa ra tuyên bố nào về số đo; mô hình kia xuất ra một hình dạng tĩnh với tỷ lệ tuyệt đối của nó bị cố ý xóa bỏ. Không mô hình nào cho bạn biết thứ trước mặt bạn có bề ngang một mét hay không, và cả hai đều hữu ích hơn khi bạn thôi kỳ vọng chúng làm được điều đó.

Sự bỏ sót chung đó là cơ sở trung thực để so sánh. Cách đóng khung thông thường — 3D so với video, hay hình học so với động lực học — là đúng nhưng không hữu ích, vì nó khiến lựa chọn nghe như một sở thích. Cách đóng khung quyết định được mọi thứ là những gì mỗi mô hình trao cho bạn, những gì nó vứt bỏ để đạt được điều đó, và những gì bạn được phép làm với kết quả sau đó.

Mỗi thứ mang lại cho bạn điều gì, từng mục một

Hãy đặt tên cho đối tượng đầu ra trước khi đặt tên cho bất kỳ năng lực nào, vì hai đối tượng ấy không phải là cùng một loại thứ.

• Đầu vào — PAN 2 nhận một khung hình đầu tiên tùy chọn cùng chú thích hành động có cấu trúc được tinh chỉnh bởi kỹ năng viết lại lời nhắc; Hi3D v1.0 nhận một hình ảnh và lưới thô của cùng đối tượng.

• Đầu ra — PAN 2 trả về một tệp MP4 dài tối đa hai mươi giây; Hi3D chỉ trả về hình học đỉnh và không có gì khác, không có màu sắc, không có kết cấu, không có vật liệu và không có màu đỉnh.

• Thời gian — PAN 2 tồn tại để được chạy theo chiều tiến, và mỗi đoạn clip là một dự đoán về một hệ quả; Hi3D hoàn toàn không có trục thời gian và sẽ mãi mãi trả về cùng một mesh cho cùng hai đầu vào.

• Tỷ lệ — PAN 2 không đưa ra bất kỳ khẳng định đo lường nào về bất cứ thứ gì nó kết xuất; Hi3D chuẩn hóa mọi kết quả về bán kính đơn vị, cố ý loại bỏ kích thước tuyệt đối.

• Hình dạng lô — PAN 2 kết xuất một clip mỗi lần gọi; Hi3D chạy với kích thước lô là một.

• Resolution of the output — PAN 2 renders 704×1248 at 24 frames per second for up to twenty seconds; Hi3D refines to an effective sparse extraction-grid resolution of up to 1536°, which is a density of vertices rather than a pixel count.

• Truy cập — PAN 2 có dung lượng 86,17 gigabyte trải trên sáu mươi tệp, không hạn chế truy cập, Apache-2.0; Hi3D có thể tải xuống theo Giấy phép Mở Hi3D riêng, miễn phí bản quyền cho mục đích thương mại với ghi công "Powered by Hi3D 1.0".

• Phần cứng — Mặc định theo tài liệu của PAN 2 là tám H200 ở BF16, với một công thức chạy video dài mười ba giây trong khoảng 119 giây trên bốn B300; Hi3D đã được kiểm chứng trên một H20 96GB duy nhất, không có đường suy luận trên CPU.

• What you can check yourself — PAN 2's card describes its harness in enough detail to argue with: 300 single-action cases across six capability categories, 100 multi-step tasks scored on step and full-plan completion over three seeds, and a blind pairwise study with thirteen reviewers; Hi3D's card states that training code and the paper's evaluation harness are not included in the release, so its quality claims cannot be re-run from the download.

Those nine rows are the whole purchase decision, and eight of them are descriptions of what each tool accepts and returns rather than claims about how good it is.

Con số mà cả hai mô hình đều xóa, và tại sao

Cách chuẩn hoá của Hi3D được ghi trong tài liệu và rất dễ bị bỏ qua: mỗi lưới đã tinh chỉnh được đặt lại tâm và chuẩn hoá về bán kính đơn vị. Đây là thực hành tiêu chuẩn trong học hình học, vì một mạng phải hồi quy toạ độ tuyệt đối sẽ lãng phí năng lực cho một tỉ lệ mà lẽ ra nó có thể được cho biết, và vì các tập huấn luyện được tập hợp từ bản quét và tài nguyên hiếm khi thống nhất về đơn vị. Điều đó cũng có nghĩa là một lưới xuất ra từ Hi3D không thể được đưa thẳng vào một cảnh ở kích thước thực tế mà không cần bạn áp dụng lại một hệ số tỉ lệ mà bạn phải biết từ nguồn khác. Hình học đã tinh chỉnh, xét theo cách nó được tạo ra, không gắn với bất kỳ đơn vị đo nào.

Việc bỏ sót của PAN 2 tinh vi hơn và nhận được ít sự chú ý hơn mức nó xứng đáng. Mô hình tái hiện một hệ quả nhất quán về mặt vật lý — bản demo quả dâu, nơi việc đổi loại quả hoặc chất lỏng làm thay đổi tia bắn, là phát biểu rõ ràng nhất về ý tưởng mà bất kỳ ai đã tạo ra — và nó làm vậy mà không hề khẳng định một khoảng cách. Tín hiệu huấn luyện là video, đầu ra là video, và video không có thang tỉ lệ nội tại: cận cảnh một cái đê khâu và toàn cảnh một cái xô là cùng một tensor. Danh sách các lối tắt của chính thẻ mô hình chỉ vào cùng khoảng trống đó từ phía bên kia, với mì ống xuất hiện trong chao trước khi được xả nước — một cảnh tiến triển mà thiếu đi phần vật lý lẽ ra phải xảy ra.

Đây là lý do không thể xây dựng một trình mô phỏng lái xe từ PAN 2, cho dù nó có làm hiệu ứng bắn tóe giỏi đến đâu. Một mạng lưới đường cần chiều rộng làn đường tính bằng mét và phản hồi lidar tính bằng centimet, còn một mô hình mà toàn bộ cách biểu diễn thế giới là video tiềm ẩn thì không có chỗ để đặt cả hai. Đây cũng là lý do Hi3D không thể cung cấp những số mét đó: nó tinh chỉnh hình dạng của một đối tượng, ở một tỉ lệ mà nó đã chuẩn hoá đi mất, từ một hình ảnh không hề có độ sâu.

Nếu pipeline của bạn cần đầu ra theo đơn vị mét, thông tin tỉ lệ mét phải được đưa vào ở đâu đó trước cả hai mô hình — từ cảm biến độ sâu, một điểm đánh dấu có kích thước đã biết trong khung hình, một tệp CAD — và cả hai mô hình đều nằm ở hạ nguồn của quyết định đó chứ không tự đưa ra quyết định ấy. Điều đó đáng được nói thẳng, vì kịch bản còn lại là một nhóm phát hiện ra điều này sau một tuần tích hợp.

Khả năng chỉnh sửa là khác biệt còn trụ lại khi dự án thực sự được triển khai.

Video được tạo ra là một ngõ cụt cho việc chỉnh sửa. Nếu PAN 2 kết xuất một kế hoạch trong đó một ngăn kéo mở ra và một chiếc cốc bị làm đổ, mà bạn muốn ngăn kéo mở chậm hơn, bạn không chỉnh sửa đoạn clip; bạn viết lại chú thích và trả tiền cho thêm một trăm lượt lan truyền xuôi qua một transformer 29B. Chú thích là bề mặt duy nhất có thể chỉnh sửa, và nó thực sự là một bề mặt tốt — có cấu trúc, gắn với thời gian, với các hành động được gắn với chủ thể và chuyển động camera được nêu rõ — nhưng nó vận hành ở cấp độ “điều gì xảy ra”, chứ không phải “đỉnh này đi đâu”.

Một lưới được tinh chỉnh là kiểu sản phẩm ngược lại. Đầu ra của Hi3D được mở trong phần mềm dựng mô hình, được tái tạo topology, được gán texture ở nơi khác, được đặt vào cảnh. Bước tinh chỉnh là một bước không thể đảo ngược trong một pipeline mà ngoài ra đầy những bước có thể đảo ngược, và đó chính xác là điều một nhóm nội dung muốn: một công cụ cải thiện một bản blockout rồi sau đó rút lui để không cản trở.

Đây là thành phần thực sự tồn tại, được nêu ra mà không thổi phồng. Một bản dựng khối thô được Hi3D tinh chỉnh sẽ trở thành một đạo cụ chi tiết; một trình dựng cảnh đặt đạo cụ đó vào; một mô hình thế giới kiểu PAN 2 kết xuất những gì xảy ra khi có thứ gì đó tác động lên nó. Hai thứ này là các giai đoạn kế cận, không phải đối thủ. Điều không tồn tại là một vòng lặp: Hi3D không thể lấy một khung hình PAN 2 và trả lại cho bạn hình học, bởi vì một khung hình video đơn lẻ không có độ sâu và tỷ lệ chưa biết không phải là bài toán lưới mà Hi3D được xây dựng để giải quyết.

Trong pipeline đó, chỗ mà một lớp định tuyến thực sự phát huy giá trị là ở công việc ngôn ngữ kết nối, chứ không phải ở một trong hai mô hình. Gắn chú thích cho một kết xuất để bộ mô phỏng có thể đặt điều kiện dựa trên đó, viết mô tả trạng thái thế giới có cấu trúc mà bộ mã hóa văn bản của PAN 2 tiêu thụ với ngân sách 1.480 token mềm và 1.536 token cứng, đánh giá xem một khung hình được tạo có khớp với yêu cầu hay không — đó đều là những lệnh gọi mô hình được tính phí thông thường, và chúng bao quanh cả hai công cụ. OrcaRouter mang hơn 200 mô hình đằng sau một API duy nhất với mức cộng thêm 0% trên giá niêm yết của nhà cung cấp, với khả năng chuyển đổi dự phòng tự động giữa các nhà cung cấp, để một trình viết chú thích và một trình đánh giá kết xuất có thể dùng chung một khóa và một đường dự phòng. Cả PAN 2 lẫn Hi3D v1.0 đều không nằm trong danh mục đó và không có gì ở đây ngụ ý điều ngược lại: trình kết xuất là node của bạn, trình tinh chỉnh là GPU của bạn, và thứ chúng tôi định tuyến chính là keo kết nối.

Hai giấy phép cho bạn biết khách hàng được nhắm tới là ai

Cả hai mô hình đều đủ mở để tải xuống, và các điều khoản khác biệt theo cách cung cấp nhiều thông tin hơn cả bản thân trọng số.

PAN 2 dùng Apache-2.0: không yêu cầu ghi công ngoài nội dung giấy phép, không có ngưỡng người dùng, không có ngưỡng doanh thu kích hoạt điều khoản, không hạn chế lĩnh vực sử dụng. Bạn có thể tinh chỉnh nó, lượng tử hóa nó, đóng gói nó trong một sản phẩm và không nói gì về nó. Đối với một diffusion transformer 29 tỷ tham số được huấn luyện từ đầu trên hàng trăm triệu video bởi một phòng thí nghiệm trực thuộc trường đại học, đó là một lựa chọn thoáng bất thường, và là khác biệt thực tế lớn nhất giữa PAN 2 và các mô hình thế giới đóng mà nó thường được đem so sánh.

Hi3D v1.0 là miễn phí bản quyền cho mục đích thương mại với ghi công "Powered by Hi3D 1.0", và một thỏa thuận riêng sẽ bắt đầu áp dụng khi vượt 200.000 người dùng hoạt động hằng tháng hoặc 1 triệu USD doanh thu hằng tháng. Ngưỡng đó giống như một dấu vân tay: nó cho thấy khách hàng mục tiêu là một studio, một nền tảng hoặc một nhà cung cấp công cụ, và cho thấy các tác giả kỳ vọng mô hình sẽ được nhúng vào chứ không phải để nghiên cứu. Dưới ngưỡng thì không tốn phí; vượt ngưỡng thì bạn đang đàm phán.

Không giấy phép nào là bẫy. Chúng là những đặt cược khác nhau về mục đích của sự mở: giấy phép của PAN 2 là nỗ lực nhằm được chấp nhận như hạ tầng, còn của Hi3D là nỗ lực nhằm được chấp nhận kèm theo một cuộc trò chuyện thương mại một khi bạn đã đủ lớn để có cuộc trò chuyện đó.

Hóa đơn phần cứng, thứ không gần

Các yêu cầu của Hi3D thì khắt khe và tốn ít chi phí để đáp ứng nếu bạn đã sở hữu máy: Linux, Python 3.10, GPU NVIDIA có compute capability 8.0 trở lên, CUDA từ 12.0 đến 12.5, flash-attn không có đường dự phòng, không suy luận trên CPU, đã được kiểm chứng trên một H20 96GB. Một máy trạm studio đáp ứng được điều đó. Chế độ lỗi là việc ghim phiên bản CUDA và thiếu cơ chế dự phòng, chứ không phải bộ nhớ.

Yêu cầu của PAN 2 thuộc một hạng mục khác. Tám H200 ở BF16 là mặc định được tài liệu hóa, cộng thêm song song hóa patch VAE trên bốn tile, vì giải mã một clip 704×1248 dài hai mươi giây là một bài toán bộ nhớ riêng. Con số 119 giây cho mười ba giây trên bốn B300 đến từ công thức vLLM, và đó là con số biến mọi câu hỏi thiết kế thành một câu hỏi số học: năm mươi bước sampler ở flow shift 9 với guidance 2.5 ở mỗi bước tương đương một trăm lượt truyền xuôi qua transformer 29B cho mỗi clip, và một planner đánh giá năm hành động ứng viên mỗi bước của một tác vụ mười bước sẽ cần năm mươi clip.

Vậy nên so sánh chi phí không phải là "cái nào rẻ hơn". Mà là một trong hai là công cụ cho máy trạm, còn cái kia là khối lượng công việc chạy trên cụm, và một nhóm có thể chi trả cho cái đầu tiên lại có thể hoàn toàn không chạy nổi cái thứ hai. Sự bất đối xứng đó không làm PAN 2 tệ hơn. Nó khiến quyết định trở nên dễ dàng với bất kỳ ai có ngân sách GPU chỉ đủ cho một card.

Câu hỏi nào mà bạn thực sự đang hỏi

Nếu vấn đề của bạn là blockout quá thô, hoặc một prop được quét không có chi tiết mịn, thì Hi3D v1.0 là công cụ còn PAN 2 thì không liên quan — không có gì trong một trình tạo video sẽ cho bạn các đỉnh. Hãy tính ngân sách cho stack CUDA, kiểm tra phụ thuộc flash-attn trước khi bạn hứa ngày giao hàng, và nhớ rằng lưới đến ở bán kính đơn vị.

Nếu vấn đề của bạn là bạn cần thấy một hành động làm gì trước khi cam kết thực hiện nó — đánh giá kế hoạch, dữ liệu phản thực, một robot hoặc một tác nhân xem trước các lựa chọn của mình — thì PAN 2 là cái duy nhất trong hai cái đưa ra câu trả lời, và nó trả lời bằng pixel với một bước bị bỏ trong khoảng hai trong ba kế hoạch theo thẻ của chính nó. Hãy thiết kế một bộ kiểm tra vào vòng lặp, giữ các lời nhắc của bạn trong ngân sách token, và coi mỗi clip là một giả thuyết thay vì một phép đo.

Nếu bạn cần cả hai, hãy xây dựng pipeline theo đúng thứ tự mà các artefact thực sự luân chuyển: đầu vào metric trước, hình học thứ hai, hệ quả thứ ba, và một mô hình ngôn ngữ tại mỗi mối nối nơi một biểu diễn phải trở thành một biểu diễn khác. Đó là nhiều kỹ thuật hơn so với hàm ý từ thông báo của bất kỳ mô hình nào, và đó là hình dạng mà mọi chồng xếp world-model nghiêm túc của năm 2026 đều đã đi tới.

Điều sẽ thay đổi trang này là một mô hình phát ra hình học với tỉ lệ mét và một trục thời gian — một đầu ra 4D có đơn vị. Không có gì trong cả hai bản phát hành chỉ ra điều đó. Cho đến khi có thứ gì đó làm được, tóm tắt chính xác là PAN 2 cho bạn thấy điều gì xảy ra và Hi3D làm sắc nét những gì đang có, rằng cả hai sẽ không nói nó lớn đến mức nào, và rằng hạn chế thứ hai chính là thứ âm thầm quyết định dự án nào của bạn có thể dùng một trong hai.