PAN 2 与 Hy-Nomas：相同的许可证，相同的架构家族，两种“行动”定义

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.

真正起作用的决胜点，是双方都没写进摘要的一句话：什么才算一个动作。Hy-Nomas 的控制信号是镜头往哪里走。PAN 2 的控制信号是场景中发生了什么，由语言模型记录成一系列绑定到行动者的事件。二者的差异足够大，以至于在一个上效果很好的提示词，放到另一个上几乎毫无意义；如果你只从这次比较中学到一件事，那就是这件事。

两个调节接口，而非两个质量等级

Hy-Nomas 以文本加相机路径为条件。路径是连续且几何化的：你告诉它视点如何移动，模型便基于缓存的历史生成一个片段，从而在你行进时让世界保持连贯。它的提示词增强器 Nomas-PE 会把松散的文字改写成结构化的 JSON 描述，这与 PAN 2 的提示词重写器从另一个方向所遵循的直觉相同——两个团队都得出结论：自由文本过于模糊，无法作为扩散 Transformer 的条件。

它们分道扬镳之处，正是结构化形式所描述的内容。Hy-Nomas 的结构是空间性的、以视点为中心；被精确建模的正是摄像机穿过场景的运动。PAN 2 的结构是时间性的、以行动者为中心：事件按顺序发生，每个动作都绑定到执行它的行动者，而摄像机运动只是若干字段之一。读一读 IFM 自己的表述，重点便一目了然——说明文字描述的是某个动作之后发生了什么，而让该模型声名鹊起的演示，是一颗草莓掉进碗里，只要换掉水果或液体，飞溅就会改变。

• 条件输入 — Hy-Nomas 接收自由文本和连续的相机轨迹；PAN 2 接收可选的首帧以及结构化、时间锚定的动作描述。

• “动作”指的是什么——Hy-Nomas：一种镜头运动，即你朝哪里看；PAN 2：一个带有行动者的事件，即发生了什么。

• 分段结构 — Hy-Nomas 基于缓存的 KV 历史进行分段自回归，因此上下文会跨分段延续传递；而 PAN 2 对每个片段的模拟最多仅依据一个起始帧加文本，片段之间不携带任何状态。

• 输出 — Hy-Nomas：720×1280，24 fps，八步蒸馏；PAN 2：704×1248，24 fps，五十个采样器步，引导系数 2.5。

• 规模——Hy-Nomas：在隐藏维度为 2,048 的 54 个双流 MMDiT 块上约为 8B，另有一个基于 DCAE-V 潜变量微调的 PixelUMM 解码器；PAN 2：一个 29B MMDiT，外加一个冻结的 Qwen3.5-9B 文本编码器和一个 Wan 2.2 VAE。

• 硬件 — Hy-Nomas：参考部署中使用八块 GPU，另有一条单块 RTX 4090 的路径，采用 INT8 DiT、KV 缓存、FP8 解码器和 CPU 卸载，占用约 38GB；PAN 2：按文档默认配置为八块 H200 以 BF16 运行，另有一套方案可在四块 B300 上以约 119 秒处理十三秒视频。

• 权重大小 — Hy-Nomas：在 Hugging Face 上以 tencent/Hy-Nomas 形式约为 196GB；PAN 2：以 IFM/PAN2 形式分布在六十个文件中，总计 86.17GB。

七个维度，其中没有一个是一项得分。它们描述的是设计取向上的分歧：Hy-Nomas 把参数用于在你穿行世界时维系世界的连贯一致，PAN 2 则把参数用于预测一个动作会带来什么结果。相机路径的指定成本低，却很难伪造；事件序列表达力强，生成成本却很高。

差异的关键所在：三项任务，两个模型

抽象的对比很廉价。这些是具体的。

带我走一遍一套公寓。Hy-Nomas 完胜。你需要一条连续路径，穿过走廊进入厨房，同时身后的房间始终是身后的那个房间。这就是基于缓存历史的分段自回归生成，正是其架构的用途所在，而 PAN 2 做不到：它渲染一个片段，而下一个片段从你提供的某一帧开始，对之前发生的内容没有任何记忆。将 PAN 2 片段串联起来制作漫游，会产生其自身模型卡所警告的漂移：在长交互中，由于每个片段最多只从一个起始帧模拟，外观会跨片段发生变化。

我打开抽屉，杯子掉了下来。PAN 2 胜出，而且差距悬殊。该请求是一个包含行动者与物理后果的事件。Hy-Nomas 的条件化机制没有独立于摄像机的“抽屉打开”字段——你可以把它放进文本提示中，其提示增强器会对其加以结构化，但模型的精度预算被用在了视角上，而不是接触与后果上。PAN 2 的说明文字契约正是为了将动作绑定到行动者并按时间排序而存在，这就是为什么 IFM 交付了一个校验器，它会按照文本编码器 1,480 个软 token 和 1,536 个硬 token 的预算来检查描述，而不是让散文式文本直接通过。

为一个数据集生成两百个操作场景变体。两者都错，但错法不同。Hy-Nomas 会给你两百个场景中的两百段连贯镜头运动，却几乎无法控制机械臂是否真的抓到了东西。PAN 2 会给你两百个以动作为条件的片段，而且按其自己的说明卡，大约三分之二的计划会包含至少一个未执行的步骤——因此，除非你构建一个检查器，否则数据集中有三分之一将不可用。两者都不是开箱即用的数据引擎；区别在于失败是几何漂移还是步骤被丢弃，以及你的下游任务能容忍其中哪一种。

第三项任务同样是决定你硬件配置的那一项。在单张量化版 4090 上处理两百段八步 720p 片段，不过是一个下午的事。而在一个四卡 B300 节点上，每十三秒视频要花 119 秒，两百段片段就得花上几天——正是这笔算术，才是这两个模型即便能力有所重叠也依然不能互换的真正原因。

同一个失败，却有两个不同的名字

两张卡片都承认同一个弱点，且都没有解决它：长时程世界模型会失去它的世界。PAN 2 表示，外观会跨片段漂移，并将感知记忆列为缺失的一环。Hy-Nomas 直接应对这一问题：它采用携带式 KV 缓存和因果注意力模式，在跨片段时保持描述性上下文存活，同时将动作指令限制在其发布时所在的时间窗口内——随后它自己的评估报告称，在长期空间记忆方面它仍落后于 Genie 3。

最后那句承认比一场胜利更有意思。它表明，记忆机制足够有效，能在交互和提示词遵循上击败 Genie 3 和 LingBot-World v2——在覆盖多轮文本、镜头导航、文本与镜头交错以及空间记忆的 280 个案例基准上，提示词遵循胜率约为 65%——但在衡量世界是否保持不动的赛道上仍然落败。这些是作者们在作者们自己的基准上、与作者们自选的基线所做的比较，而且和这一类别中的每个数字一样，都未经复现。它们并不含糊：一个会公布自己在哪里落败的模型，是一个你可以据此规划的模型。

对任何基于二者之一进行构建的人来说，有用的翻译是：持久性不是一种可以假定、之后再检查的属性。它是在你把一条流水线交给某个模型之前，首先要用自己的场景、按自己对漂移的容忍度去测量的东西。两家厂商都没有公布失效时间曲线——即场景不再可信所对应的持续时长——而这个缺失的数字，比任何基准排名都更重要。

成本不是一个可以忽略的舍入差异，它就是决策本身。

暂且把能力方面的争论放在一边，看看让每一个运行一周需要付出什么。

Hy-Nomas 的单卡 4090 方案是本次对比中最关键的事实，但在八卡参考部署下很容易被忽略。带 KV 缓存的 INT8 DiT、FP8 解码器和 CPU 卸载大约只需 38GB，这意味着拥有一张工作站级显卡的工作室无需租用任何资源，就能生成 720p 交互式视频。八卡配置是基准测试所描述的；而 4090 配置才是读者今晚实际就能做到的。

PAN 2 没有发布可比的路径。其文档记录的默认配置是八块 H200、BF16，并在四个 tile 上做 VAE patch 并行；而大家常引用的服务配方——在约 119 秒内生成 13 秒的 704×1248 内容——假设使用四块 B300。更糟的是，采样器在设计上就很昂贵：五十步、每一步都施加 2.5 的引导，意味着每个片段要对一个 29B transformer 做一百次前向传播，这就是为什么无分类器引导必须拆分到不同 rank 上，并把序列并行扩展到更多卡上。此次发布没有量化单卡方案，假装有就等于凭空编造一个。

所以，说实话，这笔成本账是这样的：Hy-Nomas 要的是一块你多半已经有的 GPU，PAN 2 要的是一个你多半没有的 GPU 节点——而对小团队来说，无论两者的质量差距朝哪个方向、有多大，这一点都不会改变。

这里的路由角度很窄，值得精确说明，因为这两者都是你自己托管的模型，而且都不在 OrcaRouter 目录中。真正可路由的是两种架构都因纯文本不够而新增的那部分：提示增强阶段。Hy-Nomas 的 Nomas-PE 会把自然语言文本改写成结构化的 JSON 描述；PAN 2 的 prompt-rewriter 则持有一个系统提示词、一个固定的负面提示词，以及一个依据编码器 token 预算进行校验的校验器。这些都是语言模型调用，而且正是在这个阶段，换用不同模型会以可测量的方式改变渲染器收到的内容。IFM 为其描述生成阶段对四个推理模型进行了排名——Claude Opus 5.5、中等推理强度的 GPT-6 Astra、Kimi K3、Qwen3.8-Flash——而且这四个都在目录中，所以任一流水线的改写部分都可以通过一个密钥进行替换和比较，按提供商标价、0% 加价，并且当改写调用在批处理中途超时时可进行故障转移。29B 和 8B 渲染器仍留在你的硬件上。这就是全部主张。

这两张模型卡实际上包含什么内容

两个版本都公开亮出了一张牌，而这两张牌在愿意承认的内容上有所不同。

Hy-Nomas 的报告于 2026 年 10 月 27 日发布在 arXiv 2610.36729 上，描述了使多轮交互奏效的技巧：结构化描述与动作感知的因果注意力模式对齐，因此描述性上下文能够跨片段持续存在，而动作指令则被限制在其发布时所在的窗口内。评估是一个包含 280 个案例的基准，涵盖四个赛道——多轮文本、相机导航、文本与相机交错，以及空间记忆——通过人类成对比较，与 Genie 3、LingBot-World v2 和 Happy Oyster 进行评判。它在交互和提示遵循方面胜出，据报告在提示遵循上的胜率约为 65%，但在长期空间记忆上输给 Genie 3。权重约为 196GB，以 tencent/Hy-Nomas 发布，采用 Apache 2.0 许可，代码在 GitHub 上，并有一个托管演示。

PAN 2 的卡片更长，也不那么讨喜。该架构是来自《世界模型批判》（arXiv 2507.05169）的生成式潜在预测，而描述它的同一份文档也列出了它的种种不足：约三分之二的模拟计划会丢掉至少一个步骤；由于没有携带状态，外观会跨片段漂移；观察与动作的措辞会改变结果；文本能很好地表达“打开抽屉”，却很难表达“把每根手指放在这里”；模拟可以在违反物理规律的情况下继续推进；而那些本应失败的计划是否被模拟，目前尚未得到测量。

把两者并排读一遍，披露风格上的差异一目了然。Hy-Nomas 报告的是胜率和一次亏损；PAN 2 报告的是失败率和一份清单。两者都不是审计，而且都是由构建模型的团队撰写的。但一张能告诉你模型在哪里失手的卡，是一份你可以据此做规划的文档，而这两者都符合这一点——这已经超过它们大多数闭源竞争对手所能提供的了。

哪一个，以及什么会改变答案？

如果你的问题在于探索或内容，就选 Hy-Nomas：一个有人可以走入的世界、一次有人可以导演的镜头运动、一个在单张显卡上由提示词生成的连贯 720p 场景。它的记忆机制、镜头条件控制以及它的 4090 路径都指向同一个用户——一个需要低成本、即刻看到某个地方并在其中穿行的人。

如果你的问题是一个决策，就选 PAN 2：一个需要预演某个动作会带来什么结果的智能体，一个对候选方案进行排序的规划器，一个关于“对事件的结构化描述是否足以生成其后果”的研究问题。它的 caption 契约、已发布的 harness 以及 Apache-2.0 权重，全都指向这样一类用户：他们需要有人坦诚地与之争辩，并且拥有足以为此买单的硬件。

有两件事能以两家厂商目前都不允许的方式打破僵局。在具备 PAN 2 动作条件能力的模型上，采用 Hy-Nomas 式跨片段记忆，会成为一个明显优于两者的产品。一项公开发表的失败研究——PAN 2 模拟本应失败的计划，Hy-Nomas 测量十分钟而非一分钟的漂移——将回答两张卡片都未解答的问题。在其中一项实现之前，这个选择无关哪个模型更好。它关乎的是：你的世界是你穿行其中的世界，还是降临在你身上的世界。