PAN 2 对比 Hi3D v1.0：两款都拒绝告诉你任何物体有多大的模型

向这两个模型中的任何一个要一个世界，你首先失去的就是尺子。PAN 2 是基础模型研究所（Institute of Foundation Models）的 290 亿参数开放权重世界模型，自 2026 年 10 月 7 日起作为 Apache-2.0 检查点在 Hugging Face 上发布，代码于 11 月 5 日发布，并于 11 月 10 日提供 Day-0 vLLM-Omni 支持：给它一个起始帧和一段描述的动作，它就会以每秒 24 帧渲染最长 20 秒的 704×1248 视频，展示相应后果。Hi3D v1.0（前身为 Sparc3D）是 2026 年 10 月 23 日发布的开放权重几何细化器，它接收一张图像和一个粗糙网格，返回一个更密集的网格，且仅涉及几何；每个结果都会重新居中并归一化到单位半径。一个输出不附带任何度量声明的动态影像；另一个输出绝对尺度被刻意删除的静态形状。两者都不会告诉你眼前的东西是否有一米宽，而一旦你不再期待它们这样做，两者都会更有用。

那种共同的省略，才是进行比较的诚实基础。惯常的表述——3D 与视频，或几何与动态——正确但无益，因为它让这一选择听起来像一种偏好。真正能决定问题的表述是：每个模型交给你什么，它为了得到这些丢弃了什么，以及之后你被允许用结果做什么。

每一个分别交给你的东西，逐项来看

在命名任何能力之前，先命名输出对象，因为这两个对象并非同一类事物。

• 输入 — PAN 2 接收一个可选的首帧，以及由 prompt-rewriter 技能精炼的结构化动作描述；Hi3D v1.0 接收一张图像和同一对象的粗糙网格。

• 输出 — PAN 2 返回一段最长二十秒的 MP4；Hi3D 仅返回顶点几何体，除此之外不提供任何内容，不包括颜色、纹理、材质和顶点颜色。

• 时间——PAN 2 的存在意义就是向前运行，每个片段都是对某种后果的预测；Hi3D 根本没有时间轴，对于相同的两个输入，它会永远返回相同的网格。

• 尺度——PAN 2 对其渲染的任何内容都不作度量宣称；Hi3D 会将每个结果归一化为单位半径，有意丢弃绝对尺寸。

• 批处理形态 — PAN 2 每次调用渲染一个片段；Hi3D 以批大小为一运行。

• 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.

• 获取方式——PAN 2 共 86.17 GB，分布在 60 个文件中，无访问限制，采用 Apache-2.0 许可；Hi3D 可根据其自身的 Hi3D Open License 下载，商业使用免版税，但需注明“Powered by Hi3D 1.0”。

• 硬件 — PAN 2 的文档默认配置是在 BF16 下使用八块 H200；其中一项方案是在四块 B300 上处理十三秒视频约需 119 秒；Hi3D 已在单块 96GB H20 上验证，且没有 CPU 推理路径。

• 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.

两个模型都会删除的那个数字，以及原因

Hi3D 的归一化处理有文档记录，却很容易被忽略：每个精修网格都会被重新居中，并归一化到单位半径。这是几何学习中的常规做法，因为一个必须回归绝对坐标的网络，会把容量浪费在它本可以直接被告知的尺度上；也因为由扫描数据和资产拼装而成的训练集，很少在单位上保持一致。这也意味着，从 Hi3D 输出的网格无法直接以真实世界尺寸放入场景，除非你重新施加一个必须从别处获知的缩放因子。精修后的几何体在构造上就是无度量（metric-free）的。

PAN 2 的遗漏更为微妙，得到的关注却少于它应得的。该模型会呈现一个物理上连贯的后果——草莓演示就是任何人对这一想法最清晰的表述：更换水果或液体，飞溅就会改变——而它这样做时从未断言任何距离。训练信号是视频，输出也是视频，而视频没有内在尺度：顶针的特写和水桶的广角镜头是同一个张量。模型卡自己列出的捷径清单从另一面指向同一缺口：意大利面在沥干之前就出现在滤锅里——一个没有经历本应发生的物理过程却推进了的场景。

这就是无法用 PAN 2 构建驾驶模拟器的原因，无论它在水花效果上变得多好。道路网络需要以米为单位的车道宽度和以厘米为单位的激光雷达回波，而一个对世界的全部表征都是潜变量视频的模型，根本没有地方容纳这两者。这也是 Hi3D 无法提供那些米制尺度的原因：它从一个本身没有深度的图像中，细化单个物体的形状，而所用的尺度已被它归一化掉了。

如果你的流水线需要度量输出，那么度量信息就必须在任一模型之前从某处引入——来自深度传感器、画面中已知尺寸的标记、CAD 文件——而两个模型都位于这个决策的下游，而不是由它们来做这个决策。这一点值得直说，因为另一种情况就是团队在集成了一周之后才发现它。

可编辑性，才是那种经得起项目实际检验的差异所在

生成视频在修改方面是死路一条。如果 PAN 2 渲染出一个计划，其中抽屉打开、杯子被碰倒，而你想让抽屉打开得更慢，你不会去编辑片段；你会重写说明文字，并为再经过一个 29B transformer 的一百次前向传播付费。说明文字是唯一可编辑的表面，而且它确实是一个很好的表面——结构化、以时间为锚定、动作绑定到行动者，并明确写出摄像机运动——但它运作在“发生了什么”的层面，而不是“这个顶点去哪里”的层面。

精修后的网格是另一种产物。Hi3D 的输出可在建模软件中打开、进行重拓扑、在其他环节贴图，然后再被放置到场景中。精修是这条管线中一个不可逆的步骤，而这条管线在其他方面充满了可逆步骤，而这正是内容团队想要的：一个能改进粗模、随后又不会碍事的工具。

这是确实存在的组合关系，且不作过度引申。一个由 Hi3D 细化的粗略块面搭建会变成精细道具；场景搭建器会放置该道具；PAN 2 风格的世界模型会渲染某物对其作用时会发生什么。二者是相邻阶段，而非竞争者。不存在的是一个闭环：Hi3D 无法拿一帧 PAN 2 画面反推出几何体，因为单帧视频没有深度且尺度未知，并不是 Hi3D 旨在解决的网格问题。

在那条流水线中，路由层真正发挥价值的地方是黏合性的语言工作，而不是任一模型。为渲染结果生成说明文字，以便模拟器能以其为条件；编写结构化世界状态描述，供 PAN 2 的文本编码器在软性 1,480 个 token、硬性 1,536 个 token 的预算下使用；判断生成帧是否符合要求——这些都是普通的按量计费模型调用，并且围绕着这两个工具。OrcaRouter 承载着 200 多个模型，置于一个 API 之后，按提供商标价 0% 加价，并支持提供商之间的自动故障转移，因此说明文字生成器和渲染评审器可以共用同一密钥和回退路径。PAN 2 和 Hi3D v1.0 都不在该目录中，这里也没有任何内容暗示相反：渲染器是你的节点，细化器是你的 GPU，而我们路由的是黏合层。

两个许可证，能告诉你客户本应是谁

两个模型都开放到足以下载，而它们的条款出现分歧的方式比权重本身更能说明问题。

PAN 2 采用 Apache-2.0 许可证：除了许可证文本本身，没有署名要求，没有用户数量门槛，没有营收触发条款，也没有使用领域限制。你可以对它进行微调、量化，把它装进产品里发布，而无需对外说明。对于一个由大学附属实验室从头在数亿段视频上训练的 290 亿参数扩散 Transformer 而言，这是一个异常宽松的选择，也是 PAN 2 与它通常被拿来比较的闭源世界模型之间最大的实际差异。

Hi3D v1.0 可免版税用于商业用途，但需带有“Powered by Hi3D 1.0”署名；当月活跃用户超过 200,000 或月收入超过 100 万美元时，将适用一项单独协议。这个门槛就像一枚指纹：它表明目标客户是工作室、平台或工具供应商，也表明作者期望这个模型被嵌入使用，而不是被研究。在这条线以下，它不产生费用；在这条线以上，你就是在谈判。

两种许可证都不是陷阱。它们是对“开放”究竟为了什么所作的不同押注：PAN 2 的许可证是争取作为基础设施被采用，Hi3D 的许可证则是争取被采用，并附带一场商业对话——等你规模足够大、能谈得上时再谈。

硬件账单，这并不接近

如果你已经拥有这台机器，Hi3D 的要求既严格，满足成本又很低：Linux、Python 3.10、计算能力 8.0 或以上的 NVIDIA GPU、CUDA 12.0 到 12.5 之间、没有回退路径的 flash-attn、不支持 CPU 推理，并已在单块 96GB H20 上验证。一台工作室工作站就能满足这些要求。失败模式在于 CUDA 版本锁定和缺少回退路径，而不是内存。

PAN 2 的需求属于另一类。八块 H200 以 BF16 运行是有文档记录的默认配置，再叠加跨四个 tile 的 VAE patch 并行，因为解码一段二十秒的 704×1248 片段本身就是一个内存难题。四块 B300 上“13 秒对应 119 秒”的数字来自 vLLM recipe，正是这个数字把每个设计问题都变成了算术问题：在 flow shift 为 9、每一步 guidance 为 2.5 的情况下，五十个采样器步意味着每个片段要对 29B transformer 进行一百次前向传递；而一个在十步任务的每一步评估五个候选动作的规划器，则需要五十个片段。

因此，成本比较并不是“哪个更便宜”。关键在于：其中一个是工作站工具，另一个是集群负载；一个能负担前者的团队，可能根本跑不起后者。这种不对称并不会让 PAN 2 更差，反而让任何 GPU 预算只有一张卡的人做决定变得容易。

你实际问的是哪个问题

如果你的问题在于 blockout 太粗糙，或者扫描的道具没有精细细节，那么 Hi3D v1.0 才是工具，PAN 2 无关紧要——视频生成器里没有任何东西能给你顶点。把 CUDA 栈的预算算进去，在承诺交付日期之前检查 flash-attn 依赖，并记住网格到达时是单位半径。

如果你的问题在于需要在真正执行某个动作之前看清它会做什么——计划评估、反事实数据、会预演自身选择的机器人或智能体——那么两者之中只有 PAN 2 能给出答案；而且根据它自己的产品说明，它以像素形式作答，大约三分之二的计划会漏掉一步。把检查器设计进回路中，让提示词保持在 token 预算之内，并把每个片段当作假设，而不是测量结果。

如果你两者都需要，就按照产物实际流动的顺序来搭建流水线：先是指标输入，其次是几何，第三是后果，并在每一个需要将一种表示转换为另一种表示的接缝处放置一个语言模型。这比任何一个模型的公告所暗示的都要更工程化，而且这正是每一个严肃的 2026 年世界模型技术栈最终呈现出的形态。

能改变这一页的，是一个能够输出带公制尺度几何的模型以及一条时间轴——一种带单位的 4D 输出。两个发布版本中都没有任何内容指向这一点。在出现这样的东西之前，准确的总结是：PAN 2 向你展示发生了什么，Hi3D 则把已有的内容锐化；二者都不会说明它有多大，而第二个限制正是那个悄悄决定你的哪些项目能用上其中任何一个的限制。