Hi3D V1.0 对比 Hunyuan3D WorldClaw：是把一件资产做好，还是粗略地做出一个世界

一个 Hunyuan3D WorldClaw 场景并不是一个 3D 模型。它由地形、建筑、植被、车辆和角色组成，每一个都被重建为独立的网格，放置在生成的地景上，然后由一个视觉代理进行检查，该代理会将有问题的区域送回修复。 Hi3D V1.0 并不构建世界。它接收一个粗略网格和一张参考图像，并花费 96 GB GPU 让那个单一物体的几何形状更精细。因此，这种比较并不是场景对场景，而是吞吐量对保真度，而这两个系统位于同一条生产线的两端。

WorldClaw 在构建一个世界之前需要什么

WorldClaw 是腾讯混元推出的智能体框架，可将一段文本提示转化为一个规模庞大、可探索、可编辑的 3D 世界。论文《WorldClaw: Agentic 3D Open-World Generation at Scale》于 2026 年 8 月 7 日以编号 2608.05248 发布在 arXiv 上，项目主页和 GitHub 仓库也在同一周上线。该架构分四个阶段运行：

• 意图分析与场景规划——由两个语言模型智能体解析提示词。其中一个只提取用户明确提出的约束条件；另一个则补全提示词中省略的细节。论文中指明该阶段使用的是 Claude Opus 4.8。

• 全局地形生成 — 语义布局图与区域感知高度场生成连续的地形骨架，并按区域分配材质、岩石与植被。

• 区域对象生成——将详细区域渲染为受地形约束的 2D 合成图，使用 GPT-Image-2 和 SAM3D 将其分割为实例，再通过 Hunyuan3D 重建为各个独立的 3D 网格，并将这些网格放置回地形上。

• 基于渲染的细化——视觉智能体从多个视角渲染场景，检查悬浮物体、相互穿透、错误缩放和错误姿态，修复有问题的区域并重新渲染，直到通过。装配在 Blender 中通过 MCP 完成。

第三个阶段才是这里的关键。WorldClaw 场景中的每个物体都是一次独立的图像到3D重建。一个包含两百个不同道具的场景，就是两百次网格生成；每一次都以一张分割后的2D合成图为条件，并各自带有底层重建模型所能产生的保真度。场景的视觉上限由其最差的资产决定，而该框架自身的评估并未衡量这一点。论文报告了与 SynCity、Meta 的 WorldGen、MajutsuCity 和 World Labs 的 Marble 的定性并排对比——没有 FID，没有 CLIP 分数，没有用户研究，也没有逐物体保真度指标。

Hi3D 会贡献什么，以及不会贡献什么

Hi3D V1.0 于 2026 年 10 月 23 日发布，是一个基于 Sparc3D 构建的精修模型。给它一张物体的参考图像以及同一物体的粗网格，它就会逐步采样稀疏潜在变量，通过自剪枝稀疏 VAE 进行解码，并提取出更高分辨率的表面。三次处理将结构网格提升至 64³、128³ 和 192³，并将稀疏提取网格提升至 512³、1024³ 和 1536³，每轮进行 25 次调度器更新。它每次运行一个对象。

WorldClaw 第三阶段与它的契合在纸面上显而易见。WorldClaw 已经为每个对象准备了分割后的 2D 合成图，并且已经通过 Hunyuan3D 生成网格。这恰好是 Hi3D 所需的两项输入：参考图像和粗糙网格。在放置每个对象之前对其进行细化，将提升决定场景近景质量的资产的几何细节。

三项限制使其无法成为可直接替换的升级方案。

首先，Hi3D 仅处理几何体。它不生成纹理、材质或顶点颜色，而 WorldClaw 的输出是明确带纹理、可单独编辑、面向游戏引擎的网格。Hi3D 会改善轮廓和局部表面细节，然后将资产交给一个纹理化步骤，而这一步两个代码库都不提供。由经过细化但未加纹理的网格构建出的世界，并不是 WorldClaw 承诺的交付物。

其次，参考图像必须展示同一个物体。WorldClaw 的分割会给出该物体在区域合成图中的图像裁剪，这与干净的产品参考图接近但并不完全相同。这是否足够好，是一个尚无人回答的实证问题。

第三，吞吐量。Hi3D 每次只细化一个网格，而实测配置是一块 96 GB 的 H20，既没有 CPU 路径，也没有批处理模式。根据论文的描述，WorldClaw 已经在 4× H20 上运行。在放置之前增加一个逐对象细化阶段，会使流水线中最昂贵的部分乘以场景中的对象数量。

两个页面都没有给你的那个数字

你无法根据已公开的材料对这种成分进行成本核算，而这是本次比较中最重要的实际发现。

Hi3D 未公布任何实际耗时（wall-clock latency）。README 给出了调度器更新、pass 次数以及一块实测 GPU，但没有给出在 512³、1024³ 或 1536³ 下每个物体所需的秒数。WorldClaw 也没有公布逐物体重建时间。论文中的算力陈述针对的是 4× H20 上的整个系统，而不是多一个道具的边际成本。缺少这两个数字，决定细化是否可负担的算术——每场景物体数 × 每物体秒数 × GPU 小时数——就无法仅依据这些来源完成。

可以说的是成本形态。Hi3D 的 512³ 设置运行一遍；1024³ 运行两遍；1536³ 运行全部三遍。每一遍是 25 次调度器更新。更高分辨率换来细节，代价是更多遍数。批大小为 1，因此成本随对象数量线性增长，无法在一个批次内分摊。如果一个 WorldClaw 场景包含几十个主要对象和数百个背景道具，合理的流程应当精修主要对象，而将背景留在粗阶段——这一决策恰恰需要两个项目都未公布的逐对象耗时数据。

真正区分它们的五个维度

• 工作单元 —— Hi3D V1.0 处理单个物体，而 Hunyuan3D WorldClaw 处理一个包含众多物体的开放世界场景

• 输出 — Hi3D V1.0 的仅几何网格，对比 Hunyuan3D WorldClaw 可在 Blender 中组装的可编辑、带纹理网格

• 输入 — Hi3D V1.0：一张参考图像外加一个粗糙网格，对比 Hunyuan3D WorldClaw：一个开放式文本提示

• 代码与权重——Hi3D V1.0 即日起可依据 Hi3D Open License 1.0 下载，而 Hunyuan3D WorldClaw 只有一份 README 和一篇论文，无代码、无权重、无 API、无定价

• 证据——Hi3D V1.0 与 Hunyuan3D WorldClaw 没有数值基准对比，仅有定性比较，没有 FID，没有 CLIP，也没有用户研究

可用性决定本季度。

其中一个是工具，另一个是设计文档。

Hi3D V1.0 目前即可克隆、安装并运行。它需要 Linux、Python 3.10、CUDA 12.0 至 12.5、计算能力为 8.0 的 GPU，以及从源码构建的 flash-attn，并且完整的 1536³ 阶梯仅在 96 GB 的 H20 上验证过。该许可证允许商业使用，但一旦产品月活跃用户超过 200,000 或月收入超过 1,000,000 美元，便需要通知并另行取得许可；商业集成还需满足署名要求。权重是 Hugging Face 上的八个文件。没有托管端点——模型卡称其未由任何推理提供商部署——而公司的商业 v3.0 采用 2048³ 体素和 8K 纹理，是通过其自有平台单独销售的另一款产品。

如今，腾讯以外的任何人都无法运行 WorldClaw。GitHub 仓库包含一个 assets 文件夹、一个 .gitignore 和一个 README。没有实现、没有检查点、没有 API，也没有定价，而且一个请求代码的 issue 一直无人回应。论文足够详细，可以据此重新实现该架构，项目页面也是很好的演示，但两者都不是你能排进计划的依赖项。如果你正在构建世界生成器，WorldClaw 是一份值得阅读的蓝图；它不是你可以调用的组件。

这种不对称，正是这场对位在实践层面的答案。本月需要更好的物体几何能力的团队，可以使用 Hi3D；而本月需要 WorldClaw 场景级能力的团队，则必须自己去构建，而论文是腾讯已发布的唯一能帮上忙的东西。

LLM 账单落在何处

WorldClaw 的架构非常坦率地揭示了昂贵调用发生在哪里。规划场景、提取用户约束、补全提示中省略的细节，以及运行决定哪些内容需要重新渲染的视觉评审，全都是语言调用或视觉语言调用。该框架将这些调用路由到前沿模型，而不是训练自己的模型。这是一个刻意的赌注：以编排优先于训练，而质量则受制于你无法控制的组件。

这也是 OrcaRouter 所覆盖的层。3D 重建仍留在你的 GPU 上，并不是我们提供的服务——模型目录涵盖文本、视觉、视频、嵌入和语音模型，而不包括几何。规划器和评审器则是另一回事。将 200 多个模型置于一个 API 之后意味着规划器和评审器无需单独的合同、单独的密钥和单独的故障域；供应商的标价以 0% 加价透传，因此供应商调价当天就能传递到端点；自动故障转移可避免单个供应商降级导致某个世界在生成中途停滞；路由 DSL 可将多个模型组合成一次调用，而这正是“先规划后评审”循环的实际形态。对于单场景成本主要由反复的智能体调用主导的流水线来说，这种控制面比任何单一模型选择都更重要。

谁应该采取行动，针对什么？

如果你的瓶颈是单个资产的质量——一个可打印零件、一个产品模型或一个主角道具——那么 Hi3D V1.0 现已可用，而且只要你拥有 96 GB GPU 并且已经有粗糙网格，开始尝试的成本就很低。请先阅读局限性部分，再读新闻稿：该模型会细化结构，但不会修正错误的轮廓，也不会输出纹理。

如果你的瓶颈是场景组装，那么 WorldClaw 是更具雄心的系统，也是可用性更低的那个。它的贡献在架构层面：一个由粗到细的智能体循环，配有基于渲染的评判器，并明确指出物体重建阶段是决定每个资产保真度成败的环节。下一个显而易见的实验是将像 Hi3D 这样的细化器置于该阶段之后，并衡量场景的近景质量是否提升到足以证明额外遍数合理。还没有人发表过这项测量，而在有人做到之前，这种比较仍然只是关于一条生产线的假设，而不是一个结果。