PAN 2 对决 Hunyuan3D WorldClaw：一个模型分两半，还是五十个模型披一件风衣？

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.

第二点更值得留意。WorldClaw 自己的论文点明了它运行所依赖的模型，而这份清单就像是把各家组件拼凑起来的购物单：用 Claude Opus 4.8 做规划，用 GPT-Image-2 生成图像，用 SAM3 和 SAM3D 做分割，用 Hunyuan3D 做重建，用通过 MCP 驱动的 Blender 5.1.1 做装配，全部跑在四块 NVIDIA H20 上。PAN 2 只点明一个组件，并让它可替换：任何遵循指令的语言模型都能写出结构化描述，而 IFM 对其中四个做了排名。这才是真正的对比——重点并不在场景与视频的对比上；真正的区别在于，当一个系统的智能分散在一条由多个供应商组成的链条上时，与集中在一个检查点里时，会发生什么。

两种架构，如实描绘

PAN 2 的设计是源自《世界模型批判》（arXiv 2507.05169）的生成式潜在预测（Generative Latent Prediction）。一个概念推理器将下一个世界状态写成结构化、以时间为依据的描述——事件按顺序排列，动作绑定到行动者，摄像机运动——一个冻结的 Qwen3.5-9B 文本编码器将其映射为条件特征，一个 29B 扩散 Transformer 填补感知细节，而 Wan 2.2 VAE 解码帧。两个部分，一个仓库，一份许可证。

WorldClaw 的设计是一个四阶段细化循环，其作者将其描述为从粗到细：语言模型智能体读取提示词并生成场景计划；全局处理阶段生成语义布局、高度场和材质，使地面在任何物体放置其上之前就保持连贯；区域经过渲染、分割，并通过 Hunyuan3D 重建为单独的网格；随后由视觉智能体检查渲染结果，排查漂浮物体、相互穿插、比例错误和姿态错误，再将修正意见回传。显式几何的承诺得以兑现——你得到的是一个个物体，而不是融合成一团的东西或高斯泼溅——而且智能体在你加载场景之前就已一次性完成它们的工作。

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.

“agentic”一词带来了什么，又付出了什么代价

这一比较的陷阱在于：两份公告都使用了这个词，但两者用它表达的意思并不相同。

• 智能体作为作者——WorldClaw 的规划器将提示词分解为场景计划，其视觉智能体发出修正；PAN 2 的推理器撰写描述接下来发生情况的说明文字。

• 当智能{{1}}运行{{/1}}时——WorldClaw 的只在创作循环中运行一次，并在网格导出后消失；PAN 2 的则在每次调用时、每个片段运行一次，贯穿系统的整个生命周期。

• 输出类型 — WorldClaw 返回一个包含独立网格、材质和变换的场景文件；PAN 2 返回的 MP4 中完全不包含任何几何体。

• {{1}}可编辑性{{/1}} — {{2}}WorldClaw{{/2}} 的输出可在建模软件中打开，经过重拓扑并放置；{{3}}PAN 2{{/3}} 唯一可编辑的表面是说明文字，因此修改就意味着重新渲染。

• 依赖面 — WorldClaw 需要六个单独许可的组件以及一次 Blender 安装；PAN 2 需要权重、一个文本编码器和一个 VAE。

• “好”意味着什么——WorldClaw 的评判标准是场景能否在没有悬浮物体的情况下完成组装；PAN 2 的评判标准是它所呈现的后果是否为该行动实际会产生的后果。

WorldClaw 分散式智能的代价不是概念层面的，而是运营层面的：六个组件意味着六套条款、六种故障模式，以及六个版本升级可能改变输出的地方。PAN 2 集中式智能的代价则相反——一份许可证、一棵依赖树，以及一个你必须自己评估的推理器，因为供应商对它的排名只是供应商的一家之言。

两种代价都不是缺陷。但这解释了为什么这两者很少是同一个问题的正确答案：一个是内容管线，另一个是后果引擎，而一个需要网格的团队在 PAN 2 里找不到任何能帮上忙的东西。

两条流水线，以一系列阶段的形式编写

在序列上，模型与框架之间的差异体现得最为明显。

PAN 2，单次调用——读取观测与所请求的动作，写入结构化世界状态，对其编码，以 2.5 的引导强度运行五十步扩散，解码二十秒的 704×1248。该序列中的任何内容在片段结束后都不会保留。

• WorldClaw，四个阶段——用语言模型规划场景，生成全局语义布局和高度场，渲染并分割各区域，再将每个区域重建为网格，然后用视觉智能体检查渲染结果并回传修正。这一序列中没有任何一步是单一模型。

• 状态保存在哪里——PAN 2 唯一持久的产物是字幕和 MP4；WorldClaw 的产物则是一个场景文件，其中包含独立的网格、材质和变换，其存续时间超过整个管线。

• 可能失败之处——PAN 2 在渲染内部失败：步骤遗漏、漂移、物理捷径。WorldClaw 在接缝处失败：规划器误读提示词，分割器把物体切成两半，重建器产生错误的尺度，组装器让两个网格相互穿插。

• 你能检查什么——PAN 2 给你一段视频和一份 token 预算；WorldClaw 给你可以测量的几何结构，因此也给你可以归因的错误。

最后一行才是值得保留的。可归因的失败比只能看到的失败修复成本更低，而网格管线免费提供了这一点，因为中间产物是可检查的。视频管线给你一个最终答案和一段说明文字，而当答案错误时，你唯一能调整的就是那段说明文字。

这也解释了 WorldClaw 的视觉智能体校正阶段为何会存在。相互穿插、悬浮物体、姿态错误和尺度错误，都是从分别生成的部件组装几何体时的失效模式，而在你渲染并查看之前，这些都不会显现。单一模型不需要那个阶段，因为单一模型无法生成各部分相互不一致的场景——它只能生成整体上错误的场景。

评估差距并不对称，而且其指向与许可证所指向的方向相反。

WorldClaw 已发表的评估是定性的。论文将其输出与 SynCity、WorldGen、MajutsuCity 和 Marble 并排比较，既没有 FID，也没有 CLIP 分数，更没有附带数字的用户研究。对于一篇描述场景生成框架的论文来说，这是一个实实在在的缺口；任何重新实现它的团队都应把“看起来比 SynCity 更好”当作一个假设，而非结果。

PAN 2 公开的内容更多，对其条件的标注也比大多数视频模型发布更精确。六个能力类别下共有 300 个单动作测试用例，其中 201 个图像到视频、99 个文本到视频；100 个第一人称日常任务以两种方式呈现，包含 200 个提示和 456 个步骤，并在三个随机种子下按步骤完成度和完整计划完成度评分；在图像到视频设置上使用 Physics-IQ Verified，并进行归一化，使两个真实拍摄之间的方差等于 100；PhyGround 由 Qwen3.8-27B 按五点量表评判；RBench 取五个任务类别和四个具身类别的未加权平均值；此外还在 140 个提示上进行了盲化成对人工研究，有 13 名评审员和 1,400 次比较，Elo 由 Bradley–Terry 拟合并以 1500 为中心。

十三位评审人组成的是一个小型评审组，他们是在用作者自己的基线来评判作者的模型，而闭源对比模型只通过第三方推理 API 生成了一次，还有若干行被标记为单种子。这一切都不独立。但这一切都是清晰可查的，而这已是退而求其次的最好情况——也正是这一点，区分了一个你可以与之争辩的发布和一个你只能看看的发布。

那么，许可证的情况与证据所显示的正好相反。PAN 2 采用 Apache-2.0 许可证，无访问限制，分布在六十个文件中，共 86.17 GB，无署名要求，也没有用户数量门槛。WorldClaw 没有许可证可读，因为根本没有什么可授权的：该 GitHub 项目只包含一个 README 和资源文件，没有代码、没有权重、没有推理脚本、没有 API，也没有价格。一篇没有实现的框架论文只是对方法的描述，而不是工具；再加上四块 H20 的要求，以及它依赖一整套分别单独授权的模型，这意味着即便真的发布，也不会是下载即用的。

路由器真正承重的地方，并不在你以为的地方

这是一对罕见的组合：其中有趣的商业事实落在框架这一侧。WorldClaw 的规划部分并不是藏在 API 背后的神秘模型——论文中点名了它，而它点名的组件都是普通目录中的模型。Claude Opus 4.8 就在 OrcaRouter 的目录中。GPT-Image-2 也在。IFM 为 PAN 2 的字幕阶段排名的四个推理模型同样在列：Claude Opus 5.5、GPT-6 Astra、Kimi K3 和 Qwen3.8-Flash。

这意味着，重新实现 WorldClaw 分解——规划、地形、对象、细化——的团队，如今可以通过一个密钥组装语言与图像阶段，按各提供商标价原样透传、0% 加价，并在规划调用于构建中途超时时自动故障转移。当你在不同实验之间更换字幕生成器，并将 29B 渲染器固定在你自己的节点上时，同一个密钥还能驱动 PAN 2 的推理器槽位。OrcaRouter 不做的是托管 PAN 2 或 Hunyuan3D WorldClaw 中的任何一个：前者是你在自己硬件上运行的视频扩散模型，后者在任何地方都不存在可运行代码。本文中的任何内容都不应被理解为暗示相反的情况。

诚实的说法是，我们负责路由接缝。在 WorldClaw 风格的流水线中有三个接缝——从提示词到计划、从计划到图像、从渲染到评判——每一个都是计费调用。而在 PAN 2 流水线中只有一个，并且它是唯一不需要 GPU 的部分。这比“我们运行世界模型”的说法更窄，但它是真实的那个。

即使你两个都不运行，每种设计仍能教给你什么

WorldClaw 最具可迁移性的理念是分解，而不是场景。规划、铺设地形、逐个重建物体，然后检查并修正——这个四阶段结构对于任何产出后续仍需编辑的流水线来说都是合理的架构，而显式网格的选择对于任何要离开流水线、进入游戏引擎的产物而言都是正确之选。由视觉智能体检查悬浮物体和错误尺度的修正循环，是大多数团队会跳过、也是大多数团队后悔跳过的环节。

PAN 2 最具可迁移性的理念是字幕契约。该接口不是提示词框，而是一个结构化、以时间为基准的描述，带有 1,480 个软上限和 1,536 个硬上限的 token 预算、一个随附的提示词重写器技能、一个固定的负面提示词，以及一个根据编码器限制检查字幕的验证器。自由文本在使用前会被重写，而模型卡直言不讳地说明，智能体案例研究依赖于手工精炼的提示词。任何构建世界模型或使用世界模型的团队都应借鉴这一点：推理部分与渲染部分之间的契约正是质量成败所在，它值得拥有一套模式，而不是一种感觉。

两种设计还共有一个该领域尚未解决的失败，但它们的失败方式不同。PAN 2 在不同片段之间出现外观漂移，因为每段模拟至多基于一个起始帧加文本，其卡片将感知记忆列为缺失环节；它自身的局限性部分以这样的承认开头：约三分之二的模拟方案至少包含一个未执行的步骤。WorldClaw 的漂移是几何和空间上的：相互穿透、比例错误、物体悬浮，这正是它必须在回路中引入视觉智能体的原因。一个需要记忆，另一个需要检查器，而两者都没有公布随时间恶化程度的实测曲线。

决定，一气呵成

如果你需要一个场景——一个关卡、一个合成室内数据集、一个虚拟制片片场——WorldClaw 是更相关的参考，而你无法运行它。把四阶段分解和显式网格输出纳入你自己的构建中，为四台 H20 级别的机器外加一个 Blender 依赖做预算，并用你可以测量的东西替换定性评估，因为论文没有给你这样的东西。

如果你需要先了解后果——也就是在投入之前，一个计划究竟会做什么——PAN 2 今天下午即可下载，采用宽松许可证，并且坦诚承认在三个计划中的两个会失败。先阅读限制页面，让检查器参与流程，并预期花费的是 GPU 小时数，而不是按 token 计算的美元：十三秒视频在四块 B300 上大约需要 119 秒，而且采样器对每个片段运行一百次前向传递。

如果你正在构建两家实验室都未交付的东西——一个你可以像编辑几何体一样编辑、然后观察其行为的世界——那么你就是在每一个接缝处，用精炼器、场景构建器、渲染器和语言模型自己把它组装起来。这比两份公告所暗示的都要费事，而这一类别未来一年的实际工作，正会发生在那里。

能改变这个页面的是代码。一次附带权重和推理脚本的 WorldClaw 发布，会把一种方法变成工具，并让这种比较成为实时的比较；一个在 RGB 之外还输出深度的 PAN 2 变体，则会从另一个方向做到同样的事。二者目前都不存在。在其中一个出现之前，准确的概括是：一个可下载的后果引擎和一个无法构建的场景框架，而它们真正唯一的共同点，是想要预测一个世界，而不是渲染出它的一张图片。