Hi3D V1.0 与 CARI4D：相同的骨干，两个不同的问题

最能说明问题的事实是Hi3D V1.0和CARI4D：两者都能调用腾讯的 Hunyuan3D-2。Hi3D V1.0 于 2026 年 10 月 23 日发布，是 Sparc3D 的开源后继版本，其演示使用 Hunyuan3D-2 mini 适配器生成粗糙网格，然后再对其进行细化。CARI4D 是 NVIDIA 提出的类别无关的人-物交互 4D 重建方法，它使用 Hunyuan3D-2 从视频第一帧重建物体的网格，然后跟踪该物体如何移动。相同的上游几何模型，两项完全不同的任务：Hi3D 关注物体表面在高分辨率下应该呈现什么样子，而 CARI4D 关注人和物体随时间做了什么。

Hunyuan3D-2 实际处于什么位置

值得说得精确一些，因为“两者都使用 Hunyuan3D”可能会暗示一种比实际存在更紧密的关系。

Hi3D 的核心库完全不需要 Hunyuan。细化流程接收一张参考图像和一个粗网格，而 demo/refine_mesh.py 不从腾讯导入任何内容。Hunyuan3D-2 mini 适配器位于 demo/coarse_stage.py，是可选的，它的存在是为了让只有一张图像的人也能生成细化器所需的粗网格。腾讯的代码、权重和输出保留其各自的许可证，必须单独获取。在生产流程中，Hunyuan 只是众多可能的上游之一。

CARI4D 的依赖是结构性的。其物体重建阶段取第一帧，分割被操作的物体，并用 Hunyuan3D-2 重建其几何形状。然后使用 UniDepth，并通过 FoundationPose 进行由粗到精的搜索，将该网格按公制尺度放置。流水线的其余部分——用于人体的 NLF、姿态假设选择步骤、用于渲染-比较校正的 CoCoNet，以及接触感知联合优化——都依赖于该物体网格足够好，以便作为跟踪依据。

结果是本次比较的有用{{1}}框架{{/1}}。Hi3D 的全部目的就是纠正 {{2}}Hunyuan3D-2{{/2}} 所生成的那类几何结构。CARI4D 的目的是恢复运动，并且它把网格视为其继承而来的输入。一个模型瞄准了另一个模型的弱点，而两个项目都没有明说。

每个已学习模型的用途

Hi3D 的学习组件是一个以图像特征为条件的稀疏流，其定义在取自粗网格的坐标上。它采样稀疏潜变量，用自剪枝稀疏 VAE 对其进行解码，提取表面，重新体素化，然后重复这一过程。三轮处理将结构网格从 64³ 提升到 128³ 再到 192³，并将稀疏提取网格从 512³ 提升到 1024³ 再到 1536³，每轮进行 25 次调度器更新。该模型正在学习局部几何细节：边缘、薄结构、表面连续性，以及那些被粗粒度生成器抹平的部分。

CARI4D 的学习组件是 CoCoNet，一个渲染-比较网络。它将物体和人的当前估计渲染为 RGB、深度和掩码，使用 DINOv2 ViT-B/14 和一个 ViT-S/14 六通道 XYZ 与掩码编码器对该渲染进行编码，运行时空注意力，并回归逐帧姿态校正以及两个手部接触 logits。研究检查点为 1.94 亿参数；于 2026 年 8 月 30 日发布的商业授权 MHR 变体为 2.31 亿参数。它学到的不是形状细节，而是渲染假设与观测帧之间的关系。

这些是不同的训练信号，也是不同的失效模式。Hi3D 能把错误的轮廓变得更锐利。CARI4D 能在视频中准确追踪一个形状糟糕的物体，却仍然给出质量很差的网格，因为它的度量关注的是姿态和接触，而不是表面保真度。

逐行输出的结果是什么

• 输入 — Hi3D V1.0：一张参考图像加一个粗糙网格；对比 CARI4D：一段单目 RGB 视频

• 输出 — Hi3D V1.0：仅几何的 trimesh 网格，对比 CARI4D 的逐帧人体姿态与形状、物体旋转与平移，以及两个手部接触 logits

• 尺度 — Hi3D V1.0 重新居中并归一化至单位最大半径，对比 CARI4D 通过 UniDepth 和 FoundationPose 恢复的度量尺度

• 纹理 — Hi3D V1.0 none 对比 CARI4D none；它返回的是姿态与接触信息，而不是带纹理的资产

• 计算 — Hi3D V1.0 在 96 GB NVIDIA H20 上实测，无 CPU 路径，批大小为 1，对比 NVIDIA Ampere 上的 CARI4D PyTorch，并在 A100 上验证，附带 Docker 镜像

• 许可证 — Hi3D V1.0 采用 Hi3D Open License 1.0，商业使用的触发条件为 200,000 MAU 或月收入 100 万美元；而 CARI4D 的 231M 商业检查点采用 NVIDIA Open Model Agreement，194M 版本则仅限研究用途

• 证据——Hi3D V1.0 未公布数值基准，而 CARI4D 是一篇 CVPR 2026 论文，包含消融实验和 BEHAVE 结果，由厂商报告且未经独立复现

无人发表过的实验

以下是共享主干所凸显出的组合方式，它被表述为一项实验，而非一项功能。

CARI4D 通过 Hunyuan3D-2 从单个首帧重建其物体网格。Hi3D 正是以同一物体的参考图像为条件，对这类粗网格进行细化——而 CARI4D 就有这样一张参考图，因为首帧就是参考。原则上，一条流水线可以取用 CARI4D 的首帧图像和 Hunyuan 网格，以 1024³ 或 1536³ 运行 Hi3D，并将细化后的表面交回负责放置和跟踪它的阶段。

在实践中存在四个障碍，而且没有一个是小障碍。

• 尺度。Hi3D 会对其输出重新居中，并将其归一化到单位最大半径。CARI4D 需要一个公制尺度的网格来初始化 FoundationPose。反向变换并未公开，一旦弄错，就会改变物体在每一帧中的表观大小。

• 结构。Hi3D 会细化其接收到的粗结构；它不会纠正该结构。如果 Hunyuan3D-2 从单帧中误读了物体的拓扑结构，Hi3D 会让这一误读变得更加精细。CARI4D 的位姿假设选择可以吸收部分物体误差——论文报告称，在初始化时可将物体 Chamfer 距离从约 1,565 cm 降至 16.85 cm——但它并不是一个形状修复阶段。

• 运行时。Hi3D 一次只处理一个对象，最多进行三轮、每轮 25 步，且未公布延迟。CARI4D 的流水线已经串联了 Hunyuan3D、UniDepth、NLF、FoundationPose、CoCoNet 以及一个联合优化。在每个片段循环之前加入一个 96 GB 的细化阶段，在离线场景下或许说得过去，但在交互场景下则不可能。

• 验证。还没有人发表过这种集成。CARI4D 论文中的数字衡量的是位姿与接触精度，而不是更好的物体网格对这些数字产生的影响。完全有可能的是，网格细化改善了网格，却几乎不影响重建指标，因为跟踪对表面细节具有鲁棒性。同样有可能的是，更精细的网格会改善 FoundationPose 的对应关系。在有人运行消融实验之前，这两种都只是猜测。

这条观察的真正价值并不在于“把它们一起用”，而在于：这两个版本在某个特定的接缝处形成互补，而这条接缝上附着一个可度量的问题，两家厂商都还没有回答。

两类证据，彼此都不独立

从证据上看，CARI4D 比 Hi3D 更充分，事实也确实如此，但两者的差距比乍看之下要小。CARI4D 有一篇经同行评审的 CVPR 2026 论文、一个有命名的基准、消融实验，并报告在分布内重建误差降低 38%、在未见数据上降低 36%。这些是 NVIDIA 在其自家评估中给出的数字。尚无中立实验室复现这些结果。代码和评估脚本是公开的，这让复现成为可能，但复现尚未完成。

Hi3D 完全没有数值基准。该仓库发布了针对局部几何的九种方法的视觉比较、约两百万个精选资产的训练规模声明，以及 1536³ 稀疏提取的分辨率声明。新闻稿还补充了 90% 的切片成功率，并声称在所报告的评估中具有最高的多视图保真度和细节分数，但没有给出分数、没有基线，也没有指明切片器。训练代码和评估工具均缺失，因此无法根据发布材料重建论文中的表格。

换句话说，两者都是厂商自报的数据。一个有配套论文，另一个只有新闻稿。买家应当把 CVPR 标志视为认真对待其方法论的理由，而不是独立测试的替代品。

你实际上有什么问题？

如果你有一段某人操作物体的视频，并且需要知道手、物体和身体是如何运动的——度量尺度的姿态、接触点、逐帧——CARI4D 就是为此构建的系统，而商业检查点使其可部署。Hi3D 完全无法回答这个问题。它没有时序模型、没有姿态输出，也没有接触推理。

如果你有一张参考图像和一个粗略的网格，并且需要一个更精细的静态资产，那么 Hi3D 就是直接可用的工具。CARI4D 同样无法回答这个问题：它的物体网格是跟踪流程的副产品，其保真度取决于 Hunyuan3D-2 从单帧图像中能给出的水平，而且它输出的是姿态，而非经过精修的表面。

如果你正在搭建这个组合体——一条物体几何是薄弱环节的重建流水线——那么有意思的做法是测试 Hi3D 的细化能否改善 CARI4D 的下游指标。这是一个有明确实验、尚无已发表答案的研究问题。先为尺度变换和 GPU 编预算，再为论文编预算。

包围两者的层

这两个模型都不由 OrcaRouter 提供，也都不是语言模型。模型目录涵盖文本、视觉、视频、嵌入和语音；3D 重建则在您自己的硬件上完成。不过，围绕重建的这些调用都是模型调用：为第一帧生成说明文字、为资产记录描述对象，或判断精修后的渲染结果是否仍与三个角度的参考相符。

最后那一点很适合模型融合。与其只相信单个视觉模型对精修网格是否忠实的判断，不如把同一组多视图对比发给一组模型，让它们的答案汇总起来。OrcaRouter 通过一个 API 提供融合能力以及 200 多个独立模型，提供商标价按 0% 加价透传，并且在某个提供商降级时自动故障转移。几何体留在你的 GPU 上；围绕它的判断可以冗余，而接入成本并不高。

什么能解决这件事

一次消融实验会比任何程度的规格对比都更有价值：取一个 BEHAVE 序列，用 Hi3D 在 1024³ 下细化物体网格，撤销归一化，并对照未细化基线报告姿态与接触指标。如果数字发生变化，共享主干就变成了一条流水线。如果没有变化，Hi3D 的价值就仍停留在它最强的位置——作为面向已经拥有粗网格用户的独立几何工具。

在那个实验出现之前，站得住脚的划分很简单。Hi3D V1.0 是一个几何细化器，权重开放，但没有基准测试。CARI4D 是一个运动重建器，有论文，也有商业检查点。它们在 Hunyuan3D-2 处交汇，而两者谁都不能替代对方。