PAN 2 對比 Hi3D v1.0：兩個都拒絕告訴你任何東西有多大的模型

向這兩個模型中的任一個要求一個世界，你最先失去的就是那把尺。{{1}}PAN 2{{/1}} 是 {{2}}基礎模型研究院{{/2}} 的 290 億參數開放權重世界模型，自 2026 年 10 月 7 日起以 Apache-2.0 檢查點形式在 Hugging Face 上發布，程式碼於 11 月 5 日釋出，並於 11 月 10 日獲得 Day-0 vLLM-Omni 支援：給它一個起始影格與一段描述的動作，它就會渲染長達二十秒、704×1248、每秒 24 幀的影片，呈現該動作的後果。{{3}}Hi3D v1.0{{/3}}（前身為 {{4}}Sparc3D{{/4}}）是於 2026 年 10 月 23 日發表的開放權重幾何精修器，接收一張影像與一個粗略網格，並傳回更密集的網格，且僅限幾何，每個結果都會重新置中並正規化至單位半徑。一個輸出動態畫面，不帶任何尺度宣稱；另一個輸出靜態形狀，並刻意刪除其絕對尺度。兩者都不會告訴你眼前的物件是否寬達一公尺，而一旦你不再期待它們這麼做，兩者都會更有用。

那個共同的省略，才是進行比較的誠實基礎。常見的框架——3D 對比影片，或幾何對比動態——雖然正確卻無助益，因為它讓這個選擇聽起來像是一種偏好。真正能起決定作用的框架是：每個模型交到你手上的是什麼、它為了達到那裡捨棄了什麼，以及之後你被允許對結果做什麼。

每一個交到你手上的東西，逐項來看

在命名任何能力之前，先為輸出物件命名，因為這兩個物件並不是同一類東西。

• 輸入 — PAN 2 接收一個可選的第一幀，外加一段由 prompt-rewriter 技能精煉的結構化動作描述；Hi3D v1.0 接收一張影像，以及同一物件的粗略網格。

• 輸出 — PAN 2 會傳回最長二十秒的 MP4；Hi3D 只傳回頂點幾何，別無其他，沒有顏色、沒有紋理、沒有材質，也沒有頂點顏色。

• 時間 — PAN 2 的存在就是為了向前執行，而每個片段都是對某個後果的預測；Hi3D 完全沒有時間軸，對相同的兩個輸入永遠會回傳相同的網格。

• 尺度 — PAN 2 對其所渲染的任何內容都不作任何度量上的聲稱；Hi3D 會將每個結果正規化為單位半徑，刻意捨棄絕對尺寸。

• 批次形態 — PAN 2 每次呼叫只渲染一個片段；Hi3D 以批次大小一執行。

• 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.

• 取得方式 — PAN 2 總計 86.17 GB，分散於六十個檔案，無需申請即可取得，採 Apache-2.0 授權；Hi3D 則可依其 Hi3D Open License 下載，商業使用免付權利金，僅需標註「Powered by Hi3D 1.0」。

硬體 — PAN 2 文件記載的預設配置是八張 H200 以 BF16 執行，並有一套方案是在四張 B300 上將十三秒的影片處理約需 119 秒；Hi3D 則已在單張 96GB H20 上驗證，且沒有 CPU 推論路徑。

• 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.

兩個模型都會刪掉的數字，以及背後的原因

Hi3D 的正規化已有文件記載，卻很容易被忽略：每個精修網格都會重新置中，並正規化為單位半徑。這是幾何學習中的標準做法，因為必須回歸絕對座標的網路，會把容量浪費在原本可直接告知的尺度上；也因為由掃描與資產組建的訓練集，很少在單位上一致。這也意味著，從 Hi3D 產出的網格無法直接以真實世界尺寸放入場景，除非你重新套用一個必須從別處得知的縮放因子。精修後的幾何在建構上不帶度量。

PAN 2 的遺漏更為隱微，受到的關注卻少於它應得的。該模型呈現出一個在物理上連貫的後果——草莓示範，也就是交換水果或液體會改變飛濺效果，這是任何人對這個概念所提出最清楚的表述——而且它這麼做時，從未明確表示任何距離。訓練訊號是影片，輸出也是影片，而影片沒有內在尺度：頂針的特寫與水桶的廣角鏡頭是同一個張量。模型卡自己列出的捷徑清單，則從另一側指向同一個缺口，例如義大利麵在瀝乾之前就出現在濾盆裡——這是一個在缺少本應發生之物理過程的情況下仍推進的場景。

這就是為什麼無論 PAN 2 多麼擅長處理飛濺效果，也無法用它打造駕駛模擬器的原因。道路網路需要以公尺為單位的車道寬度，以及以公分為單位的光達回傳值，而一個整個世界表徵都是潛在影片的模型，根本無處安放這兩者。這也是為什麼 Hi3D 無法提供那些公尺：它是從一張本身沒有深度的影像中，在一個已被它正規化掉的尺度上，精修單一物體的形狀。

如果你的管線需要公制尺度的輸出，這個尺度就必須在某處、在兩個模型之前進入——來自深度感測器、畫面中已知尺寸的標記、CAD 檔案——而兩個模型都位在該決策的下游，而不是由它們來做這個決策。這一點值得明說，因為否則的替代情況就是團隊在整合一週後才發現這件事。

可編輯性，才是真正接觸專案後依然存續的差異。

生成式影片對修訂來說是死路一條。如果 PAN 2 渲染出的計畫是抽屜打開、杯子被撞倒，而你希望抽屜開得慢一點，你不會去編輯那段影片；你會重寫說明文字，然後再付出一百次穿過 29B transformer 的前向傳遞成本。說明文字是唯一可編輯的表面，而且它確實很好用——有結構、以時間為依據，動作綁定到行動者，鏡頭運動也明確寫出——但它運作在「發生什麼事」的層次，而不是「這個頂點要去哪裡」的層次。

精細網格則是另一種截然不同的產物。Hi3D 的輸出會先在建模軟體中開啟，接著重新拓撲、另於其他地方貼圖，最後被放置到場景中。細化是整條流程中唯一不可逆的步驟，而這條流程其餘步驟大多可逆；這正是內容團隊想要的：一款能改善粗略區塊模型、隨後就退居幕後的工具。

以下是確實存在的組合，陳述時不誇大。經 Hi3D 精修的粗略 blockout 會成為細節豐富的道具；場景建構器負責放置該道具；PAN 2 風格的世界模型則渲染出有東西作用於它時會發生什麼。兩者是相鄰的階段，而非競爭對手。不存在的是迴圈：Hi3D 無法接收一張 PAN 2 影格並回傳幾何結構，因為單一影片影格沒有深度、尺度未知，這不是 Hi3D 當初設計來解決的網格問題。

在該流程中，路由層真正發揮價值的地方，在於居間串接的語言處理工作，而不是任何一個模型本身。為渲染結果加上說明文字，讓模擬器能以此作為條件；撰寫結構化的世界狀態描述，供 PAN 2 的文字編碼器在 1,480 個 token 軟性上限與 1,536 個 token 硬性上限的預算內使用；判斷生成的畫面是否符合需求簡報——這些都是按用量計費的一般模型呼叫，而且圍繞著這兩項工具。在單一 API 背後提供超過 200 個模型，對供應商牌價零加成，並可在供應商之間自動容錯移轉，因此圖說撰寫器與渲染評審器可以共用同一組金鑰與備援路徑。PAN 2 與 Hi3D v1.0 都不在該目錄中，這裡也沒有任何內容暗示相反：渲染器是你的節點，精修器是你的 GPU，而我們路由的是黏合層。

兩個授權方案，能告訴你客戶應該是誰

兩款模型都開放到足以讓人下載，而條款的分歧方式比權重本身更能提供資訊。

PAN 2 採用 Apache-2.0：除了授權條款文本之外，沒有署名要求，沒有使用者門檻，沒有營收觸發線，也沒有使用領域限制。你可以微調它、量化它、把它放進產品裡出貨，而且完全不提它。對於一個由大學附屬實驗室從零開始、用數億部影片訓練而成的 290 億參數擴散 Transformer 來說，這是異常寬鬆的選擇，也是 PAN 2 與它常被拿來比較的封閉式世界模型之間最大的實務差異。

Hi3D v1.0 可免權利金用於商業用途，但須標註「Powered by Hi3D 1.0」；當每月活躍使用者超過 200,000 人或每月營收超過 100 萬美元時，則另有協議生效。這個門檻是一枚指紋：它表明目標客戶是工作室、平台或工具供應商，也表明作者預期這個模型是被嵌入使用，而非被研究。在這條線以下，它不收取任何費用；在這條線以上，你就是在談判。

這兩份授權都不是陷阱。它們是對「開放所為何事」的不同押注：PAN 2 的授權是爭取被當作基礎設施採用；Hi3D 的授權則是爭取採用，並在你大到足以談商業條件時，附上一場商業對話。

硬體帳單，這並不接近

Hi3D 的要求很嚴格，但如果你已經擁有那台機器，滿足這些要求的成本很低：Linux、Python 3.10、運算能力 8.0 或以上的 NVIDIA GPU、CUDA 12.0 到 12.5 之間、不設後備路徑的 flash-attn、不支援 CPU 推論，並且已在單張 96GB H20 上驗證過。一台工作室工作站就能輕鬆達標。失敗模式在於 CUDA 版本鎖定與缺少後備方案，而不是記憶體。

PAN 2 的需求屬於另一個類別。BF16 下用八張 H200 是文件記載的預設配置，另外還要再加上跨四個 tile 的 VAE patch 平行化，因為解碼一段二十秒、704×1248 的片段，本身就是一個記憶體問題。四張 B300 上「13 秒要 119 秒」的數字來自 vLLM recipe，而這個數字會把每個設計問題都變成算術問題：sampler 跑五十步、flow shift 為 9、每一步 guidance 為 2.5，等於每個片段要讓 29B transformer 做一百次前向傳遞；而一個在十步任務的每一步評估五個候選動作的規劃器，會需要五十個片段。

所以，成本比較並不是「哪個比較便宜」。而是其中一個是工作站工具，另一個是叢集工作負載，而一個負擔得起前者的團隊，可能根本無法執行後者。這種不對稱並不會讓 PAN 2 變得更差。它讓任何 GPU 預算只有單張卡的人都能輕鬆做出決定。

你實際上問的是哪個問題

如果你的問題是粗模太粗糙，或掃描道具沒有精細細節，那麼 Hi3D v1.0 就是工具，而 PAN 2 無關緊要——影片生成器裡沒有任何東西能給你頂點。為 CUDA 堆疊編列預算，在承諾交付日期前檢查 flash-attn 相依性，並記住網格送達時是單位半徑。

如果你的問題是你需要在投入某個行動前先看清它會造成什麼——計畫評估、反事實資料、會預覽自身選擇的機器人或代理——PAN 2 是兩者中唯一能回答的，而且根據它自己的說明卡，它會以像素作答，但約每三個計畫中就有兩個會漏掉一個步驟。在流程中加入檢查器，讓提示維持在 token 預算內，並把每個片段視為假設，而不是測量。

如果你兩者都需要，就按照產物實際流動的順序來建構這條管線：先輸入度量，其次幾何，第三是後果，並在每一個需要把一種表徵轉變成另一種表徵的接縫處放一個語言模型。這比任何一個模型的公告所暗示的都要多工程，而這正是每一個認真的 2026 世界模型堆疊最終都呈現的形態。

能改變這個頁面的，是一個會輸出帶有公制尺度之幾何的模型與時間軸——也就是帶有單位的 4D 輸出。這兩個發佈版本中，都沒有任何東西指向這一點。在出現這樣的東西之前，準確的總結是：PAN 2 讓你看見會發生什麼，而 Hi3D 會把既有的內容變得更銳利；兩者都不會說明它有多大；而第二個限制，才是默默決定你的哪些專案能使用兩者之一的關鍵。