PAN 2 so với Hy-Nomas: Cùng giấy phép, cùng họ kiến trúc, hai định nghĩa về “hành động”

This is the only pair in the current crop of world models where the comparison is a real choice rather than a category error. PAN 2 is the Institute of Foundation Models' 29-billion-parameter world model, Apache-2.0 on Hugging Face since 7 October 2026, code on 5 November, Day-0 vLLM-Omni support on 10 November, which turns a starting frame and a described action into up to twenty seconds of 704×1248 video at 24 frames per second. Hy-Nomas is T​encent Hunyuan's interactive video world model, Apache 2.0, roughly 8 billion parameters, described in arXiv 2610.36729 on 27 October 2026, which turns a text prompt plus a continuous camera trajectory into 720p video at 24 frames per second in eight distilled steps. Both are open-weight. Both are diffusion transformers generating video from a conditioning signal. Both are downloadable this afternoon. Anyone choosing between them cannot use licence, availability or category as a tiebreak, which is exactly what makes it worth doing carefully.

Điểm phân định thực sự có tác dụng là một câu mà cả hai đội đều không đưa vào phần tóm tắt của mình: điều gì được tính là một hành động. Tín hiệu điều khiển của Hy-Nomas là camera đi đâu. Tín hiệu điều khiển của PAN 2 là điều gì xảy ra trong cảnh, được một mô hình ngôn ngữ ghi lại thành chuỗi sự kiện gắn với các tác nhân. Hai thứ đó khác nhau đủ nhiều đến mức một prompt hiệu quả với cái này gần như vô nghĩa với cái kia, và nếu bạn chỉ học được một điều từ so sánh này, thì đó chính là điều ấy.

Hai giao diện điều hòa, không phải hai mức chất lượng

Hy-Nomas điều kiện hóa trên văn bản cùng với một đường dẫn camera. Đường dẫn này liên tục và mang tính hình học: bạn cho nó biết điểm nhìn di chuyển đến đâu, và mô hình tạo ra một phân đoạn được điều kiện hóa trên lịch sử đã lưu trong bộ nhớ đệm để thế giới vẫn nhất quán khi bạn di chuyển. Bộ tăng cường gợi ý của nó, Nomas-PE, viết lại văn xuôi lỏng lẻo thành chú thích JSON có cấu trúc, điều này phản ánh cùng bản năng mà bộ viết lại gợi ý của PAN 2 đi theo từ hướng ngược lại — cả hai nhóm đều kết luận rằng văn bản tự do quá mơ hồ để điều kiện hóa một diffusion transformer.

Điểm chúng khác nhau nằm ở điều mà dạng có cấu trúc mô tả. Cấu trúc của Hy-Nomas mang tính không gian và lấy góc nhìn làm trung tâm; thứ được mô hình hóa một cách chính xác là chuyển động của camera xuyên qua một cảnh. Cấu trúc của PAN 2 mang tính thời gian và lấy tác nhân làm trung tâm: các sự kiện theo thứ tự, mỗi hành động gắn với tác nhân thực hiện nó, cộng thêm chuyển động camera như một trường trong số nhiều trường. Hãy đọc cách IFM tự trình bày, và trọng tâm hiện ra không thể nhầm lẫn — chú thích mô tả điều gì xảy ra sau một hành động, và màn minh họa làm nên tên tuổi của mô hình là một quả dâu được thả vào bát, nơi việc đổi loại quả hoặc chất lỏng sẽ làm thay đổi tia bắn tóe.

• Điều kiện hóa — Hy-Nomas nhận văn bản tự do cùng quỹ đạo camera liên tục; PAN 2 nhận khung hình đầu tiên tùy chọn cùng chú thích hành động có cấu trúc, gắn với thời gian.

• "Hành động" có nghĩa là gì — Hy-Nomas: một chuyển động máy quay, tức là nơi bạn nhìn; PAN 2: một sự kiện với một tác nhân, tức là điều gì xảy ra.

• Cấu trúc phân đoạn — Hy-Nomas là tự hồi quy theo phân đoạn dựa trên lịch sử KV đã được lưu đệm, vì vậy ngữ cảnh được truyền tiếp qua các phân đoạn; PAN 2 mô phỏng mỗi clip chỉ từ tối đa một khung hình khởi đầu cộng với văn bản, không có trạng thái được mang sang giữa các clip.

• Đầu ra — Hy-Nomas: 720×1280 ở 24 fps trong tám bước chưng cất; PAN 2: 704×1248 ở 24 fps qua năm mươi bước lấy mẫu với guidance 2.5.

• Kích thước — Hy-Nomas: khoảng 8B trải trên 54 khối MMDiT luồng kép với kích thước ẩn 2.048, cộng với bộ giải mã PixelUMM đã được tinh chỉnh trên các latent DCAE-V; PAN 2: một MMDiT 29B cùng bộ mã hóa văn bản Qwen3.5-9B đóng băng và VAE Wan 2.2.

• Phần cứng — Hy-Nomas: tám GPU trong triển khai tham chiếu, với một cấu hình RTX 4090 đơn sử dụng DiT INT8, KV cache, bộ giải mã FP8 và offload CPU ở khoảng 38GB; PAN 2: tám H200 ở BF16 làm mặc định như được tài liệu hóa, với một công thức đưa mười ba giây video xuống khoảng 119 giây trên bốn B300.

• Kích thước trọng số — Hy-Nomas: khoảng 196GB trên Hugging Face dưới dạng tencent/Hy-Nomas; PAN 2: 86,17GB trên sáu mươi tệp dưới dạng IFM/PAN2.

Bảy chiều, và không chiều nào trong số đó là điểm số. Điều chúng mô tả là một sự phân kỳ trong thiết kế: Hy-Nomas dồn các tham số của mình vào việc giữ cho một thế giới liền mạch khi bạn di chuyển qua nó, còn PAN 2 dồn các tham số của mình vào việc dự đoán một hành động sẽ gây ra điều gì. Một lộ trình camera thì rẻ để chỉ định và khó để giả tạo; một chuỗi sự kiện thì giàu sức biểu đạt và tốn kém để tạo ra.

Nơi sự khác biệt lộ rõ: ba nhiệm vụ, cả hai mô hình

Đối lập trừu tượng thì rẻ. Còn những cái này thì cụ thể.

Hãy dẫn tôi đi một vòng qua một căn hộ. Hy-Nomas thắng hoàn toàn. Bạn muốn có một đường đi liên tục qua hành lang và vào bếp, với căn phòng phía sau bạn vẫn là căn phòng phía sau bạn. Đó là sinh tự hồi quy theo phân đoạn trên lịch sử được lưu trong bộ nhớ đệm, chính xác là thứ mà kiến trúc của nó được tạo ra để làm, và PAN 2 không thể làm được điều đó: nó kết xuất một clip, và clip tiếp theo bắt đầu từ một khung hình bạn cung cấp mà không có ký ức về những gì đã đến trước đó. Việc nối các clip PAN 2 để tạo một màn dạo bước sẽ tạo ra hiện tượng trôi mà chính thẻ mô hình của nó cảnh báo, khi diện mạo thay đổi giữa các clip trong các tương tác dài bởi vì mỗi clip được mô phỏng chỉ từ tối đa một khung hình khởi đầu.

Tôi mở ngăn kéo và chiếc cốc rơi xuống. PAN 2 thắng, và đây không phải là chuyện sát nút. Yêu cầu là một sự kiện có tác nhân và hệ quả vật lý. Conditioning của Hy-Nomas không có trường nào cho "ngăn kéo mở" tách biệt khỏi camera — bạn có thể đưa nó vào prompt văn bản, và bộ tăng cường prompt của nó sẽ cấu trúc nó, nhưng ngân sách độ chính xác của mô hình đã bị dùng cho góc nhìn thay vì cho tiếp xúc và hệ quả. Hợp đồng chú thích của PAN 2 tồn tại chính xác để ràng buộc hành động với tác nhân và sắp xếp chúng theo thời gian, đó là lý do IFM phát hành một validator kiểm tra các mô tả dựa trên ngân sách của bộ mã hóa văn bản là 1.480 token mềm và 1.536 token cứng thay vì để văn xuôi đi qua.

Tạo hai trăm biến thể của một cảnh thao tác cho một bộ dữ liệu.Cả hai đều sai, theo những cách khác nhau. Hy-Nomas sẽ cho bạn hai trăm chuyển động camera mạch lạc qua hai trăm cảnh và rất ít khả năng kiểm soát liệu cánh tay có thực sự nắm bắt được gì hay không. PAN 2 sẽ cho bạn hai trăm clip được điều kiện hóa theo hành động và, theo chính thẻ của nó, khoảng hai trong ba kế hoạch sẽ chứa ít nhất một bước không được thực hiện — vì vậy một phần ba bộ dữ liệu của bạn sẽ không dùng được trừ khi bạn xây dựng một trình kiểm tra. Không cái nào là một cỗ máy dữ liệu sẵn dùng ngay; khác biệt là ở chỗ lỗi là độ lệch hình học hay một bước bị bỏ sót, và tác vụ hạ nguồn của bạn có thể chịu đựng được loại nào trong số đó.

Nhiệm vụ thứ ba cũng chính là nhiệm vụ quyết định phần cứng của bạn. Hai trăm clip 720p tám bước trên một chiếc 4090 đã lượng tử hóa là chuyện của một buổi chiều. Hai trăm clip trên một node bốn B300 với 119 giây cho mỗi 13 giây video là chuyện của vài ngày, và phép tính đó chính là lý do thực sự khiến hai mô hình không thể thay thế cho nhau ngay cả khi năng lực của chúng trùng nhau.

Cùng một thất bại dưới hai cái tên khác nhau

Cả hai card đều thừa nhận cùng một điểm yếu và không cái nào khắc phục được nó: một mô hình thế giới tầm xa đánh mất thế giới của chính nó. PAN 2 nói rằng hình ảnh bị trôi dạt giữa các clip và gọi bộ nhớ tri giác là mảnh ghép còn thiếu. Hy-Nomas xử lý trực tiếp điều này bằng một bộ nhớ đệm KV được mang theo và một mẫu chú ý nhân quả giữ ngữ cảnh mô tả sống động xuyên các phân đoạn trong khi giới hạn chỉ dẫn hành động trong cửa sổ mà chúng được phát ra — rồi báo cáo trong đánh giá của chính mình rằng nó vẫn kém Genie 3 về bộ nhớ không gian dài hạn.

Lời thừa nhận cuối cùng đó thú vị hơn một chiến thắng. Nó cho thấy cơ chế ghi nhớ hoạt động đủ tốt để đánh bại Genie 3 và LingBot-World v2 về tương tác và khả năng tuân theo lời nhắc — tỷ lệ thắng khoảng 65% ở khả năng tuân theo lời nhắc trên một bộ đánh giá 280 trường hợp bao gồm văn bản nhiều lượt, điều hướng camera, văn bản và camera xen kẽ, và ghi nhớ không gian — mà vẫn thua ở hạng mục đo xem thế giới có giữ nguyên trạng thái hay không. Đó là những so sánh của chính các tác giả với các mốc so sánh do chính các tác giả lựa chọn trên bộ đánh giá của chính họ, và giống như mọi con số trong hạng mục này, chúng chưa được tái lập. Điều chúng không phải là mơ hồ: một mô hình công bố nơi nó thua là một mô hình mà bạn có thể lập kế hoạch dựa trên đó.

Điều rút ra hữu ích cho bất kỳ ai xây dựng trên một trong hai là: tính bền vững không phải là thuộc tính bạn có thể giả định rồi kiểm tra sau. Đó là thứ đầu tiên cần đo trên chính các cảnh của bạn, với ngưỡng dung sai trôi của riêng bạn, trước khi bạn cam kết một pipeline với một mô hình. Cả hai nhà cung cấp đều không công bố đường cong thời gian đến lỗi — khoảng thời gian mà sau đó một cảnh không còn đáng tin cậy — và con số còn thiếu đó quan trọng hơn bất kỳ vị trí benchmark nào.

Chi phí không phải là một sai số làm tròn, nó chính là quyết định.

Tạm gác tranh luận về năng lực sang một bên và hãy xem cần những gì để vận hành từng cái trong một tuần.

Cấu hình một-4090 của Hy-Nomas là sự thật hệ trọng nhất trong phép so sánh này và rất dễ bị bỏ qua bên dưới phần triển khai tham chiếu tám GPU. Một DiT INT8 với KV cache, một bộ giải mã FP8 và CPU offload vừa trong khoảng 38GB, nghĩa là một studio có một card hạng máy trạm có thể tạo video tương tác 720p mà không phải thuê bất cứ thứ gì. Cấu hình tám GPU là thứ mà benchmark mô tả; cấu hình 4090 là thứ mà người đọc thực sự có thể làm ngay tối nay.

PAN 2 không công bố lộ trình tương đương nào. Mặc định được tài liệu hóa của nó là tám H200 ở BF16 với song song patch VAE trên bốn tile, và công thức phục vụ mà mọi người trích dẫn — mười ba giây nội dung 704×1248 trong khoảng 119 giây — giả định bốn B300. Tệ hơn, sampler vốn đắt đỏ theo thiết kế: năm mươi bước với guidance 2.5 được áp dụng ở mỗi bước tức là một trăm lượt forward qua transformer 29B cho mỗi clip, đó là lý do vì sao classifier-free guidance phải được tách trên các rank và song song chuỗi phải được trải rộng hơn. Không có kịch bản lượng tử hóa trên một card trong bản phát hành, và giả vờ ngược lại sẽ là bịa ra một kịch bản như vậy.

Vậy câu nói trung thực về chi phí là thế này: Hy-Nomas tốn một GPU mà bạn có lẽ đã có, PAN 2 tốn một node GPU mà bạn có lẽ không có, và dù chất lượng có chênh lệch bao nhiêu theo hướng nào cũng không thay đổi điều đó với một nhóm nhỏ.

Góc định tuyến ở đây hẹp và đáng được nêu chính xác, bởi cả hai đều là những mô hình bạn tự lưu trữ và không mô hình nào nằm trong danh mục OrcaRouter. Phần có thể định tuyến là phần mà cả hai kiến trúc đều bổ sung vì văn bản tự do không đủ: giai đoạn tăng cường gợi ý. Nomas-PE của Hy-Nomas viết lại văn xuôi thành chú thích JSON có cấu trúc; prompt-rewriter của PAN 2 giữ một lời nhắc hệ thống, một lời nhắc phủ định cố định và một bộ kiểm tra đối chiếu ngân sách token của bộ mã hóa. Đó là các lệnh gọi mô hình ngôn ngữ, và chính là giai đoạn mà một mô hình khác thay đổi một cách đo lường được những gì bộ kết xuất nhận được. IFM đã xếp hạng bốn mô hình lập luận cho giai đoạn chú thích của mình — Claude Opus 5.5, GPT-6 Astra ở mức nỗ lực trung bình, Kimi K3, Qwen3.8-Flash — và cả bốn đều có trong danh mục, nên nửa phần viết lại của bất kỳ quy trình nào cũng có thể được hoán đổi và so sánh qua một khóa duy nhất với giá niêm yết của nhà cung cấp, chênh lệch 0%, với chuyển đổi dự phòng khi một lệnh gọi viết lại hết thời gian giữa lô. Các bộ kết xuất 29B và 8B vẫn ở trên phần cứng của bạn. Đó là toàn bộ tuyên bố.

Hai thẻ mô hình thực sự chứa những gì

Cả hai bản phát hành đều tung một lá bài ra công khai, và hai lá bài khác nhau ở chỗ chúng sẵn sàng thừa nhận điều gì.

Báo cáo của Hy-Nomas, arXiv 2610.36729 ngày 27 tháng 10 năm 2026, mô tả thủ thuật giúp tương tác nhiều lượt hoạt động: các chú thích có cấu trúc được căn chỉnh với một mẫu chú ý nhân quả nhận biết hành động, nhờ đó ngữ cảnh mô tả duy trì qua các phân đoạn trong khi các chỉ dẫn hành động bị giới hạn trong cửa sổ mà chúng được đưa ra. Đánh giá là một bộ chuẩn gồm 280 trường hợp trên bốn hạng mục — văn bản nhiều lượt, điều hướng camera, văn bản và camera xen kẽ, và bộ nhớ không gian — được đánh giá bằng so sánh cặp do con người thực hiện với Genie 3, LingBot-World v2 và Happy Oyster. Nó thắng về tương tác và tuân theo lời nhắc, với tỷ lệ thắng được báo cáo khoảng 65% ở khả năng tuân theo lời nhắc, và thua Genie 3 về bộ nhớ không gian dài hạn. Trọng số khoảng 196GB dưới dạng tencent/Hy-Nomas theo giấy phép Apache 2.0, với mã nguồn trên GitHub và một bản demo được lưu trữ trực tuyến.

Thẻ của PAN 2 dài hơn và kém tâng bốc hơn. Kiến trúc là dự đoán tiềm ẩn tạo sinh từ Phê bình các Mô hình Thế giới (arXiv 2507.05169), và chính tài liệu mô tả nó cũng liệt kê những thất bại: khoảng hai trong ba kế hoạch mô phỏng bỏ ít nhất một bước, diện mạo trôi dạt giữa các clip vì không có trạng thái được mang theo, cách dùng từ cho quan sát và hành động làm thay đổi kết quả, văn bản diễn đạt "mở ngăn kéo" tốt còn "đặt từng ngón tay ở đây" thì kém, một mô phỏng có thể vẫn tiến triển trong khi vi phạm vật lý, và việc mô phỏng các kế hoạch đáng lẽ phải thất bại vẫn chưa được đo lường.

Đọc hai bản cạnh nhau và khác biệt về phong cách công bố là rõ ràng. Hy-Nomas báo cáo tỷ lệ thắng và một ca thua; PAN 2 báo cáo tỷ lệ thất bại và một danh sách. Cả hai đều không phải là một cuộc kiểm toán, và cả hai đều do các nhóm xây dựng mô hình viết. Nhưng một thẻ cho biết mô hình thua ở đâu là tài liệu bạn có thể dựa vào để lập kế hoạch, và cả hai đều đáp ứng điều đó — hơn những gì phần lớn đối thủ đóng của họ cung cấp.

Cái nào, và điều gì sẽ làm thay đổi câu trả lời

Chọn Hy-Nomas nếu vấn đề của bạn là khám phá hoặc nội dung: một thế giới mà ai đó bước qua, một chuyển động camera mà ai đó đạo diễn, một cảnh 720p mạch lạc từ một câu lệnh trên một card duy nhất. Cơ chế bộ nhớ, điều kiện hóa camera và đường dẫn 4090 của nó đều hướng tới cùng một người dùng — người cần nhìn thấy một địa điểm và di chuyển qua nó, với chi phí thấp, ngay bây giờ.

Chọn PAN 2 nếu vấn đề của bạn là việc ra quyết định: một tác nhân cần xem trước tác động của một hành động, một trình lập kế hoạch xếp hạng các kế hoạch ứng viên, một câu hỏi nghiên cứu về việc liệu một mô tả có cấu trúc của một sự kiện có đủ để tạo ra hệ quả của nó hay không. Hợp đồng chú thích, bộ khung đánh giá đã công bố và trọng số Apache-2.0 của nó đều hướng đến một người dùng cần được phản biện một cách trung thực và có phần cứng để chi trả cho việc đó.

Hai điều sẽ phá vỡ thế cân bằng theo cách mà hiện cả hai nhà cung cấp đều chưa cho phép. Một bộ nhớ kiểu Hy-Nomas được duy trì xuyên các phân đoạn trên một mô hình có điều kiện hóa hành động của PAN 2 sẽ là một sản phẩm tốt hơn đáng kể so với cả hai. Một nghiên cứu thất bại được công bố — PAN 2 mô phỏng những kế hoạch đáng lẽ phải thất bại, Hy-Nomas đo độ trôi lệch trong mười phút thay vì một phút — sẽ trả lời câu hỏi mà cả hai thẻ đều để ngỏ. Cho đến khi một trong số đó thành hiện thực, lựa chọn không phải là mô hình nào tốt hơn. Mà là thế giới của bạn là thứ bạn đi xuyên qua hay là thứ xảy đến với bạn.