Hi3D V1.0 與 CARI4D：相同骨幹，兩個不同問題

關於Hi3D V1.0與CARI4D，最能說明問題的一點是：兩者都能呼叫騰訊的 Hunyuan3D-2。Hi3D V1.0 於 2026 年 10 月 23 日發布，是 Sparc3D 的開源後繼者；它在示範中使用 Hunyuan3D-2 mini 適配器產生粗略網格，再加以細化。CARI4D 是 NVIDIA 類別無關的人與物體互動 4D 重建技術，它使用 Hunyuan3D-2 從影片第一幀重建物體網格，之後再追蹤該物體如何移動。相同的上游幾何模型，兩個截然不同的任務：Hi3D 問的是物體表面在高解析度下應該長什麼樣，而 CARI4D 問的是人與物體隨時間做了什麼。

Hunyuan3D-2 究竟位居何處

值得把話說精確，因為「兩者都使用 Hunyuan3D」可能暗示出比實際更密切的關係。

Hi3D 的核心程式庫完全不需要 Hunyuan。精修管線（refinement pipeline）接收一張參考影像與一個粗略網格（coarse mesh），而 demo/refine_mesh.py 並未從騰訊匯入任何東西。Hunyuan3D-2 mini 轉接器位於 demo/coarse_stage.py，屬於選用元件，其存在是為了讓只有一張影像的人也能產出精修器所需的粗略網格。騰訊的程式碼、權重與輸出仍受其自身授權條款約束，必須另行取得。在正式生產管線中，Hunyuan 只是眾多可能上游來源之一。

CARI4D 的依賴性是結構性的。其物件重建階段會取用第一幀、分割被操控的物件，並以 Hunyuan3D-2 重建其幾何形状。接著，該網格會利用 UniDepth 以及透過 FoundationPose 進行的由粗到細搜尋，被置於公制尺度上。管線其餘部分——用於人體的 NLF、姿勢假設選擇步驟、用於渲染與比對校正的 CoCoNet，以及具接觸感知的聯合最佳化——都依賴該物件網格足夠良好，足以作為追蹤依據。

其結果正是這項比較有用的框架。Hi3D 的全部目的，就是修正 Hunyuan3D-2 所產生的那類幾何。CARI4D 的目的則是還原動作，並將網格視為它繼承而來的輸入。其中一個模型正對準另一個模型的弱點，而兩個專案都沒有明說。

每個學習到的模型各有什麼用途

Hi3D 的學習元件是一種以影像特徵為條件的稀疏流（sparse flow），定義於取自粗略網格的座標上。它取樣稀疏潛在向量，以自我剪枝的稀疏 VAE 將其解碼，擷取出表面，重新體素化，然後重複此流程。三次傳遞會將結構網格從 64³ 提升到 128³ 再到 192³，並將稀疏擷取網格從 512³ 提升到 1024³ 再到 1536³，每趟傳遞進行 25 次排程器更新。模型正在學習局部的幾何細節：邊緣、細薄結構、表面連續性，以及粗略生成器會抹平的那些部分。

CARI4D 的學習元件是 CoCoNet，一個渲染並比較的網路。它會將物件與人的當前估計渲染成 RGB、深度與遮罩，並使用 DINOv2 ViT-B/14 與 ViT-S/14 六通道 XYZ 與遮罩編碼器對該渲染結果進行編碼，執行時空注意力，並回歸每幀姿態修正以及兩個手部接觸 logits。研究檢查點為 194M 參數；2026 年 8 月 30 日釋出、取得商業授權的 MHR 變體則為 231M。它學到的不是形狀細節，而是渲染假設與觀測幀之間的關係。

這些是不同的訓練訊號與不同的失效模式。Hi3D 能把錯誤的輪廓變得更銳利。CARI4D 能在影片中準確追蹤形狀不佳的物體，卻仍給你品質不佳的網格，因為它的指標關注的是姿態與接觸，而不是表面保真度。

逐行輸出的是什麼

• 輸入 — Hi3D V1.0：一張參考影像加上一個粗略網格，對比 CARI4D：一段單目 RGB 影片

• 輸出 — Hi3D V1.0 僅幾何的 trimesh 網格，相較於 CARI4D 的逐幀人體姿態與形狀、物體旋轉與平移，以及兩個手部接觸 logits

• 尺度 — Hi3D V1.0 重新置中並正規化至單位最大半徑，相較於透過 UniDepth 與 FoundationPose 還原的 CARI4D 公制尺度

• 紋理 — Hi3D V1.0 無 vs CARI4D 無；它回傳的是姿勢與接觸，而不是帶紋理的資產

• 運算 — Hi3D V1.0 在 96 GB NVIDIA H20 上實測，無 CPU 路徑，批次大小為一，對比 NVIDIA Ampere 上的 CARI4D PyTorch，已在 A100 上驗證，並提供 Docker 映像檔

• 授權條款 — Hi3D V1.0 採用 Hi3D Open License 1.0，商業使用設有 200,000 MAU 或每月營收 100 萬美元的觸發條件；CARI4D 的 231M 商業檢查點則採用 NVIDIA Open Model Agreement，194M 版本僅限研究用途

• 證據 — Hi3D V1.0 未公布數值基準；相較之下，CARI4D 是 CVPR 2026 論文，包含消融實驗與 BEHAVE 結果，但這些結果由廠商自行報告，未經獨立重現。

沒有人發表過的實驗

以下是共享骨幹所凸顯的組合，並以實驗而非功能的形式表述。

CARI4D 透過 Hunyuan3D-2 從單一第一幀重建其物件網格。Hi3D 正是以同一物件的參考影像為條件，對這類粗略網格進行精修——而 CARI4D 正好有這樣的參考影像，因為第一幀就是參考。理論上，一套管線可以取得 CARI4D 的第一幀影像與 Hunyuan 網格，以 1024³ 或 1536³ 執行 Hi3D，並將精修後的表面交回負責放置與追蹤它的階段。

實際上，有四項障礙，而且每一項都不小。

• 尺度。Hi3D 會將輸出重新置中，並正規化至單位最大半徑。CARI4D 需要公制尺度的網格才能初始化 FoundationPose。反向轉換並未公開，一旦弄錯，物件在每一幀中的視覺大小都會改變。

• 結構。Hi3D 會細化提供給它的粗略結構；它不會修正該結構。若 Hunyuan3D-2 從單一幀誤判了物體的拓撲，Hi3D 會讓這項誤判變得更精細。CARI4D 的姿態假設選擇可吸收部分物體誤差——論文報告指出，初始化時物體 Chamfer 距離可從約 1,565 公分降至 16.85 公分——但這並非形狀修復階段。

• 執行階段。Hi3D 一次只處理一個物件，最多三輪、每輪 25 步，且未公布延遲數據。CARI4D 的管線已串接 Hunyuan3D、UniDepth、NLF、FoundationPose、CoCoNet 以及一項聯合優化。在逐片段迴圈之前再加進一個 96 GB 的精修階段，離線情境下或許還說得過去，互動情境下則不可能。

• 驗證。尚無人發表這項整合。CARI4D 論文中的數字衡量的是姿態與接觸準確度，而非更好的物件網格對這些數字的影響。很有可能的是，細化能改善網格，卻幾乎不改變重建指標，因為追蹤對表面細節具有穩健性。也有可能更銳利的網格能改善 FoundationPose 的對應關係。在有人執行消融實驗之前，兩者都只是猜測。

這項觀察的誠實價值不在於「把它們一起使用」，而在於這兩個發行版本在一個特定接縫處互補，而這個接縫附帶一個可衡量的問題，兩家廠商都尚未回答。

兩種證據，皆非獨立

CARI4D 的實證基礎看起來比 Hi3D 更紮實，而它確實也是如此，但兩者的差距比乍看之下更小。CARI4D 有一篇經同儕審查的 CVPR 2026 論文、一個具名的基準、消融實驗，以及所報告的成果：在分布內資料上重建誤差降低 38%，在未見資料上降低 36%。這些都是 NVIDIA 以其自身評估得出的數字，尚無中立實驗室重現過。其程式碼與評估腳本皆已公開，這使重現成為可能，但並不代表已經完成重現。

Hi3D 完全沒有任何數值基準。該儲存庫發布了九種方法在局部幾何上的視覺比較、約兩百萬個精選資產的訓練規模宣稱，以及 1536³ 稀疏提取的解析度宣稱。新聞稿則補充了 90% 的切片成功率，並宣稱在所報告的評估中取得最高的多視圖保真度與細節分數，但未提供分數、未提供基線，也未指名切片器。訓練程式碼與評估測試框架均缺席，因此無法從發布內容重建論文中的表格。

換句話說，兩者都是由廠商自行報告的。一個附有論文，另一個則有新聞稿。買家應將 CVPR 標誌視為認真看待其方法論的理由，而非獨立測試的替代品。

你實際上想問的是哪個問題？

如果你有一段影片，內容是一個人拿著物件操作，而你需要知道手、物件和身體是如何移動的——公制尺度的姿勢、接觸點、逐幀——CARI4D 就是為此打造的系统，而商業 checkpoint 讓它能夠部署。Hi3D 完全無法回答這個問題。它沒有時序模型、沒有姿勢輸出，也沒有接觸推理。

如果你有參考影像和粗略網格，而且需要更銳利的靜態資產，Hi3D 就是直接可用的工具。CARI4D 也無法回答那個問題：它的物件網格是追蹤管線的副產品，其保真度取決於 Hunyuan3D-2 從單一影格所能產生的結果，而且它呈現的是姿勢，而不是精煉後的表面。

如果你正在建構這個複合系統——一條物件幾何是薄弱環節的重建流程——有意思的做法是測試 Hi3D 的細化是否能改善 CARI4D 的下游指標。這是一個有明確實驗設計、且尚無已發表答案的研究問題。先為尺度變換和 GPU 編列預算，再為論文編列預算。

環繞兩者的那一層

OrcaRouter 並未提供這兩個模型，而且兩者都不是語言模型。型錄涵蓋文字、視覺、影片、嵌入與語音；3D 重建是在你自己的硬體上執行。不過，圍繞重建過程的呼叫屬於模型呼叫：為第一幀生成說明、為資產記錄描述物件，或判斷精修後的渲染是否仍從三個角度與參考相符。

最後那個很適合模型融合。與其信任單一視覺模型對細化後網格是否忠實的判斷，不如把同一組多視角比較送給一組模型，讓它们的答案彙整。OrcaRouter 透過單一 API 提供融合功能與超過 200 個獨立模型，供應商牌價以 0% 加成原樣傳遞，且在某個供應商效能下降時自動容錯移轉。幾何資料留在你的 GPU 上；圍繞它的判斷可以具備備援，而串接起來又不昂貴。

什麼能讓它塵埃落定

一次消融實驗會比任何程度的規格比較都更有用：取一組 BEHAVE 序列，用 Hi3D 在 1024³ 解析度下細化物件網格，還原正規化，並相對於未細化的基線報告姿態與接觸指標。如果數字有變，共用主幹就成了管線。如果沒變，Hi3D 的價值仍留在它最強的地方——作為給已經擁有粗略網格者的獨立幾何工具。

在那個實驗出現之前，站得住腳的區分很簡單。Hi3D V1.0 是一個幾何精修器，權重開放，但沒有基準測試。CARI4D 是一個動作重建器，有論文，也有商業版檢查點。兩者在 Hunyuan3D-2 上交會，而兩者誰都不能取代誰。