PAN 2 vs Hunyuan3D WorldClaw: Một mô hình với hai nửa, hay năm mươi mô hình trong một chiếc áo khoác?

Put these two side by side and the first thing you notice is that they are not the same kind of object. PAN 2 is a model: 29 billion parameters of multi-modal diffusion transformer from the Institute of Foundation Models, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, and it does one thing — given a starting frame and a described action it renders up to twenty seconds of 704×1248 video at 24 frames per second predicting the consequence. Hunyuan3D WorldClaw is a framework: T​encent Hunyuan's agentic pipeline for turning one open-ended text prompt into an explorable 3D scene made of explicit textured per-object meshes, described in arXiv 2608.05248 on 5 August 2026 and announced on 11 August, with a repository that holds a README and assets and no code. One is a downloadable checkpoint you run. The other is a published method you would have to rebuild.

Điều thứ hai bạn nhận ra thì hữu ích hơn. Bài báo của chính WorldClaw nêu tên các mô hình mà nó chạy, và danh sách đó giống như một danh sách mua sắm các thành phần của người khác: Claude Opus 4.8 để lập kế hoạch, GPT-Image-2 để tạo hình ảnh, SAM3 và SAM3D để phân đoạn, Hunyuan3D để tái dựng, Blender 5.1.1 được điều khiển qua MCP để lắp ráp, tất cả trên bốn GPU NVIDIA H20. PAN 2 nêu tên một thành phần và để nó có thể thay thế: bất kỳ mô hình ngôn ngữ nào tuân theo chỉ dẫn đều viết chú thích có cấu trúc, và IFM đã xếp hạng bốn trong số đó. Đó mới là so sánh thực sự — không phải cảnh quay so với video, mà là điều gì xảy ra với một hệ thống khi trí tuệ được trải rộng khắp một chuỗi nhà cung cấp thay vì tập trung vào một checkpoint.

Hai kiến trúc, được phác họa một cách trung thực

Thiết kế của PAN 2 là Generative Latent Prediction từ Phê bình các Mô hình Thế giới (arXiv 2507.05169). Một bộ lý luận khái niệm viết trạng thái thế giới tiếp theo dưới dạng mô tả có cấu trúc, gắn với thời gian — các sự kiện theo thứ tự, hành động gắn với tác nhân, chuyển động camera — một bộ mã hóa văn bản Qwen3.5-9B đóng băng ánh xạ nó thành các đặc trưng điều kiện, một transformer khuếch tán 29B bổ sung chi tiết tri giác, và một VAE Wan 2.2 giải mã các khung hình. Hai nửa, một kho lưu trữ, một giấy phép.

Thiết kế của WorldClaw là một vòng lặp tinh chỉnh bốn giai đoạn mà các tác giả của nó mô tả là từ thô đến tinh: các tác nhân mô hình ngôn ngữ đọc lời nhắc và tạo ra một kế hoạch cảnh; một lượt toàn cục tạo bố cục ngữ nghĩa, trường độ cao và vật liệu để mặt đất liền mạch trước khi bất cứ thứ gì đặt lên đó; các vùng được kết xuất, phân đoạn và tái dựng thành từng lưới riêng lẻ thông qua Hunyuan3D; và một tác nhân thị giác kiểm tra bản kết xuất để tìm vật thể lơ lửng, xuyên lẫn nhau, sai tỷ lệ và sai tư thế, rồi gửi các hiệu chỉnh ngược lại. Lời hứa về hình học tường minh được giữ trọn — bạn nhận được các vật thể, không phải một khối hợp nhất nhòe hay một Gaussian splat — và các tác nhân chỉ làm việc một lần, trước khi bạn tải cảnh.

Where the two converge is the part worth internalising: in both systems the pixels are the fast, cheap half and a language model decides what should exist. Where they diverge is who owns the language model. IFM treated the reasoner as a variable and published the harness that ranked the candidates. T​encent treated the reasoner as a dependency and named one.

Từ “agentic” đem lại điều gì, và phải trả giá ra sao

Cái bẫy trong phép so sánh này là cả hai thông báo đều sử dụng từ đó, và không bên nào dùng nó với cùng một nghĩa.

• Agent như tác giả — các bộ lập kế hoạch của WorldClaw phân rã một prompt thành kế hoạch cảnh và agent thị giác của nó đưa ra các chỉnh sửa; bộ suy luận của PAN 2 viết chú thích mô tả điều gì xảy ra tiếp theo.

• Khi trí tuệ hoạt động — WorldClaw chạy một lần, trong vòng lặp authoring, và biến mất khi các mesh được xuất; PAN 2 chạy một lần cho mỗi clip, trong mỗi lần gọi, suốt vòng đời của hệ thống.

• Loại đầu ra — WorldClaw trả về một tệp cảnh với từng lưới, vật liệu và phép biến đổi riêng lẻ; PAN 2 trả về một tệp MP4 hoàn toàn không chứa hình học nào.

• Khả năng chỉnh sửa — Đầu ra của WorldClaw mở được trong phần mềm dựng hình, được tái cấu trúc topology và đặt vào vị trí; bề mặt có thể chỉnh sửa duy nhất của PAN 2 là chú thích, nên khi sửa đổi thì phải kết xuất lại.

• Bề mặt phụ thuộc — WorldClaw yêu cầu sáu thành phần được cấp phép riêng và một bản cài Blender; PAN 2 yêu cầu các trọng số, một bộ mã hóa văn bản và một VAE.

• "Tốt" có nghĩa là gì — WorldClaw được đánh giá dựa trên việc cảnh có được lắp ghép mà không có vật thể lơ lửng hay không; PAN 2 được đánh giá dựa trên việc hệ quả mà nó hiển thị có đúng là hệ quả mà hành động thực sự sẽ tạo ra hay không.

Chi phí của trí tuệ phân tán của WorldClaw không nằm ở khái niệm mà ở vận hành: sáu thành phần nghĩa là sáu bộ điều khoản, sáu chế độ lỗi và sáu nơi mà một lần tăng phiên bản có thể làm thay đổi đầu ra. Chi phí của trí tuệ tập trung của PAN 2 thì ngược lại — một giấy phép, một cây phụ thuộc và một bộ suy luận mà bạn phải tự đánh giá vì xếp hạng của nhà cung cấp về nó là do chính nhà cung cấp đưa ra.

Cả hai cái giá đó đều không phải là khiếm khuyết. Nhưng điều đó giải thích vì sao hai thứ này hiếm khi là câu trả lời đúng cho cùng một câu hỏi: một bên là pipeline nội dung, bên kia là cỗ máy hệ quả, và một nhóm cần mesh sẽ không tìm thấy gì trong PAN 2 để hỗ trợ mình.

Hai quy trình, được viết dưới dạng một chuỗi các giai đoạn

Sequence là nơi sự khác biệt giữa một mô hình và một framework thể hiện rõ ràng nhất.

• PAN 2, một lần gọi — đọc phần quan sát và hành động được yêu cầu, ghi trạng thái thế giới có cấu trúc, mã hóa nó, chạy năm mươi bước khuếch tán ở thang hướng dẫn 2,5, giải mã hai mươi giây 704×1248. Không có gì trong chuỗi đó còn tồn tại sau clip.

• WorldClaw, bốn giai đoạn — lập kế hoạch cảnh bằng một mô hình ngôn ngữ, tạo bố cục ngữ nghĩa toàn cục và các trường độ cao, kết xuất và phân đoạn các vùng rồi tái dựng từng vùng thành lưới, sau đó kiểm tra bản kết xuất bằng một tác nhân thị giác và gửi các chỉnh sửa trở lại. Không có gì trong chuỗi đó là một mô hình duy nhất.

• Nơi trạng thái được lưu trữ — tạo tác bền vững duy nhất của PAN 2 là phụ đề và tệp MP4; của WorldClaw là một tệp cảnh với các lưới, vật liệu và phép biến đổi riêng lẻ, tồn tại lâu hơn pipeline.

• Nơi nó có thể thất bại — PAN 2 thất bại bên trong quá trình render: một bước bị bỏ sót, sự trôi dạt, một lối tắt vật lý. WorldClaw thất bại tại một đường nối: một bộ lập kế hoạch đọc sai lời nhắc, một bộ phân đoạn cắt một đối tượng làm đôi, một bộ tái tạo tạo ra tỷ lệ sai, một bộ lắp ráp để hai lưới xuyên vào nhau.

• Những gì bạn có thể kiểm tra — PAN 2 cho bạn một video và một ngân sách token; WorldClaw cho bạn hình học có thể đo được, và do đó là những lỗi mà bạn có thể quy về nguyên nhân.

Hàng cuối cùng là hàng đáng giữ lại. Một lỗi mà bạn có thể quy về nguyên nhân sẽ rẻ hơn để sửa so với một lỗi mà bạn chỉ có thể nhìn thấy, và một pipeline mesh cho bạn điều đó miễn phí vì các artefact trung gian có thể kiểm tra được. Một pipeline video cho bạn câu trả lời cuối cùng và một chú thích, và khi câu trả lời sai, đòn bẩy duy nhất của bạn là chú thích.

Điều này cũng giải thích tại sao giai đoạn hiệu chỉnh bằng tác nhân thị giác của WorldClaw lại tồn tại. Xuyên lẫn, vật thể lơ lửng, tư thế sai và tỷ lệ sai là những kiểu lỗi khi lắp ghép hình học từ các mảnh được tạo riêng lẻ, và không kiểu lỗi nào trong số đó hiển thị cho đến khi bạn kết xuất và quan sát. Một mô hình đơn không cần giai đoạn đó vì một mô hình đơn không thể tạo ra một cảnh mà các phần của nó mâu thuẫn với nhau — nó chỉ có thể tạo ra một cảnh sai như một tổng thể.

Khoảng cách đánh giá không đối xứng, và nó chỉ theo hướng ngược lại với các giấy phép.

Đánh giá được công bố của WorldClaw là định tính. Bài báo so sánh đầu ra của nó trực tiếp với SynCity, WorldGen, MajutsuCity và Marble, và không có FID, không có điểm CLIP, không có nghiên cứu người dùng nào kèm theo con số. Đối với một bài báo mô tả một khung tạo cảnh mà đó là một khoảng trống thực sự, thì bất kỳ nhóm nào tái triển khai nó cũng nên coi "trông tốt hơn SynCity" là một giả thuyết chứ không phải một kết quả.

PAN 2 công bố nhiều hơn và dán nhãn các điều kiện của mình chính xác hơn so với hầu hết các đợt phát hành mô hình video. Ba trăm ca kiểm thử một hành động trên sáu hạng mục năng lực, 201 ca hình ảnh sang video và 99 ca văn bản sang video; một trăm tác vụ thường nhật góc nhìn thứ nhất được đặt theo cả hai cách, 200 lời nhắc và 456 bước, được chấm điểm dựa trên mức hoàn thành bước và hoàn thành toàn bộ kế hoạch qua ba seed; Physics-IQ Verified trên thiết lập hình ảnh sang video, được chuẩn hóa sao cho phương sai giữa hai lần quay thật bằng 100; PhyGround trên thang năm điểm do Qwen3.8-27B đánh giá; RBench là trung bình không trọng số trên năm hạng mục tác vụ và bốn hạng mục embodiment; và một nghiên cứu trên người so sánh cặp mù trên 140 lời nhắc với mười ba người đánh giá và 1.400 so sánh, Elo được khớp bằng Bradley–Terry và lấy tâm tại 1500.

Mười ba người phản biện là một hội đồng nhỏ, và họ đang đánh giá mô hình của các tác giả so với các baseline của chính các tác giả, với các mô hình so sánh đóng được tạo một lần thông qua một API suy luận của bên thứ ba và một số hàng bị đánh dấu là single-seed. Không có phần nào trong đó là độc lập. Tất cả đều có thể đọc hiểu được, và đó là điều tốt nhất kế tiếp — và đó chính là khác biệt giữa một bản phát hành mà bạn có thể tranh luận cùng và một bản mà bạn chỉ có thể nhìn vào.

Khi đó, các giấy phép lại đi ngược hẳn với bằng chứng. PAN 2 dùng Apache-2.0, không bị chặn, 86,17 gigabyte trải trên sáu mươi tệp, không yêu cầu ghi công, không có ngưỡng người dùng. WorldClaw không có giấy phép nào để đọc, vì không có gì để cấp phép: dự án GitHub chỉ chứa README và tài nguyên, không mã, không trọng số, không script suy luận, không API và không giá. Một bài báo về framework mà không có triển khai chỉ là mô tả một phương pháp, không phải công cụ, và yêu cầu bốn H20 cùng việc phụ thuộc vào một chồng mô hình được cấp phép riêng lẻ nghĩa là một bản phát hành sẽ không phải là bản tải xuống dùng được ngay, kể cả nếu nó có xảy ra.

Nơi một bộ định tuyến thực sự chịu lực, và đó không phải nơi bạn tưởng.

Đây là cặp hiếm hoi mà sự thật thương mại thú vị nằm ở phía framework. Nửa lập kế hoạch của WorldClaw không phải là một mô hình bí ẩn đằng sau API — nó được nêu tên trong bài báo, và các thành phần mà nó nêu tên là những mô hình có sẵn trong danh mục thông thường. Claude Opus 4.8 có trong danh mục của OrcaRouter. GPT-Image-2 cũng vậy. Bốn mô hình suy luận mà IFM đã xếp hạng cho giai đoạn tạo chú thích của PAN 2 cũng vậy: Claude Opus 5.5, GPT-6 Astra, Kimi K3 và Qwen3.8-Flash.

Điều đó có nghĩa là một nhóm tái triển khai phân rã WorldClaw — lập kế hoạch, địa hình, đối tượng, tinh chỉnh — có thể lắp ghép các giai đoạn ngôn ngữ và hình ảnh ngay hôm nay thông qua một khóa duy nhất, ở mức giá niêm yết của từng nhà cung cấp được chuyển nguyên với mức phụ phí 0%, với chuyển đổi dự phòng tự động khi một lệnh gọi lập kế hoạch hết thời gian giữa quá trình dựng. Cùng khóa đó điều khiển vị trí reasoner của PAN 2 khi bạn hoán đổi trình viết chú thích giữa các thí nghiệm và giữ cố định renderer 29B trên node của riêng bạn. Điều OrcaRouter không làm là lưu trữ cả PAN 2 lẫn Hunyuan3D WorldClaw: một là mô hình khuếch tán video bạn chạy trên phần cứng của mình, cái còn lại không tồn tại dưới dạng mã có thể chạy được ở bất kỳ đâu. Không nên đọc bất cứ điều gì trong bài viết này theo hướng gợi ý điều ngược lại.

Cách diễn đạt trung thực là chúng tôi định tuyến các đường nối. Trong một pipeline kiểu WorldClaw có ba đường như vậy — từ prompt đến kế hoạch, từ kế hoạch đến hình ảnh, từ render đến critic — và mỗi đường đều là một lệnh gọi có tính phí. Trong pipeline PAN 2 chỉ có một, và đó là phần duy nhất không cần GPU. Đó là một tuyên bố hẹp hơn so với “chúng tôi chạy các mô hình thế giới”, và đó mới là tuyên bố đúng.

Mỗi thiết kế dạy bạn điều gì, ngay cả khi bạn không chạy cái nào

Ý tưởng dễ chuyển giao nhất của WorldClaw là việc phân rã, không phải cảnh. Lập kế hoạch, bố trí địa hình, tái dựng từng đối tượng riêng lẻ, rồi kiểm tra và chỉnh sửa — cấu trúc bốn giai đoạn đó là một kiến trúc hợp lý cho bất kỳ pipeline nào mà đầu ra về sau phải được chỉnh sửa, và lựa chọn lưới tường minh là lựa chọn đúng cho bất cứ thứ gì rời khỏi pipeline và đi vào một game engine. Vòng lặp chỉnh sửa với một tác nhân thị giác kiểm tra các vật thể lơ lửng và sai tỉ lệ là phần mà hầu hết các đội bỏ qua và hầu hết các đội hối tiếc vì đã bỏ qua.

Ý tưởng dễ chuyển giao nhất của PAN 2 là hợp đồng chú thích. Giao diện không phải là một ô nhập prompt; đó là một mô tả có cấu trúc, gắn với thời gian, với ngân sách token 1.480 mềm và 1.536 cứng, một kỹ năng prompt-rewriter được phát hành kèm, một negative prompt cố định và một trình xác thực kiểm tra chú thích so với giới hạn của encoder. Văn bản tự do được viết lại trước khi sử dụng, và model card nói rõ rằng các nghiên cứu điển hình về agent đã dựa vào những prompt được tinh chỉnh thủ công. Bất kỳ đội ngũ nào đang xây dựng một world model hoặc sử dụng một world model đều nên học lấy điều đó: hợp đồng giữa nửa suy luận và nửa kết xuất là nơi chất lượng được định đoạt, và nó xứng đáng có một schema thay vì dựa vào cảm tính.

Cả hai thiết kế cũng cùng chung một điểm yếu mà lĩnh vực này chưa giải quyết được, và chúng thất bại theo những cách khác nhau. PAN 2 trôi dạt về ngoại hình giữa các clip vì mỗi clip chỉ được mô phỏng từ tối đa một khung hình khởi đầu cộng với văn bản, và thẻ của nó nêu bộ nhớ tri giác là mảnh ghép còn thiếu; phần hạn chế của chính nó mở đầu bằng việc thừa nhận rằng khoảng hai trong ba kế hoạch mô phỏng chứa ít nhất một bước không được thực hiện. Sự trôi dạt của WorldClaw mang tính hình học và không gian: xuyên lẫn nhau, sai tỷ lệ, vật thể lơ lửng, đó là lý do nó hoàn toàn cần một tác nhân thị giác trong vòng lặp. Một bên cần bộ nhớ, bên kia cần người kiểm tra, và cả hai đều chưa công bố đường cong đo lường mức độ tệ đi theo thời gian.

Quyết định, chỉ trong một lượt

Nếu bạn cần một địa điểm — một màn chơi, một bộ dữ liệu nội thất tổng hợp, một bối cảnh sản xuất ảo — thì WorldClaw là tài liệu tham chiếu phù hợp hơn và bạn không thể chạy nó. Hãy đưa cách phân rã bốn giai đoạn và đầu ra lưới tường minh vào bản dựng của riêng bạn, dự trù ngân sách cho lớp máy bốn H20 cùng một phụ thuộc Blender, và thay đánh giá định tính bằng thứ bạn có thể đo được, vì bài báo không cung cấp cho bạn một thứ như vậy.

Nếu bạn cần một hệ quả — điều mà một kế hoạch sẽ làm, trước khi bạn cam kết với nó — PAN 2 có thể tải xuống ngay chiều nay, được cấp phép thoáng, và trung thực về việc thất bại trong hai trên ba kế hoạch. Hãy đọc trang giới hạn trước, duy trì một trình kiểm tra trong quy trình, và lường trước việc tốn giờ GPU thay vì đô la mỗi token: mười ba giây video mất khoảng 119 giây trên bốn B300, và bộ lấy mẫu chạy một trăm lượt truyền xuôi mỗi clip.

Nếu bạn đang xây dựng thứ mà cả hai phòng thí nghiệm đều chưa tung ra — một thế giới mà bạn có thể chỉnh sửa như hình học rồi quan sát nó vận hành — thì bạn đang tự lắp ghép nó từ một bộ tinh luyện, một bộ dựng cảnh, một bộ kết xuất và một mô hình ngôn ngữ ở mọi điểm nối. Đó là nhiều việc hơn so với những gì cả hai thông báo ngụ ý, và đó là nơi công việc thực tiễn của năm tới trong hạng mục này sẽ diễn ra.

Điều có thể thay đổi trang này là mã nguồn. Một bản phát hành WorldClaw kèm trọng số và tập lệnh suy luận sẽ biến một phương pháp thành một công cụ và khiến việc so sánh trở nên trực tiếp; một biến thể PAN 2 xuất ra độ sâu cùng với RGB cũng sẽ làm điều tương tự từ hướng ngược lại. Cả hai đều chưa tồn tại ngày hôm nay. Cho đến khi có một cái, cách tóm tắt chính xác là một động cơ hệ quả có thể tải xuống và một framework cảnh không thể dựng nên, và điều duy nhất chúng thực sự chia sẻ là tham vọng dự đoán một thế giới thay vì kết xuất một bức ảnh về thế giới đó.