PAN 2 對決 Hunyuan3D WorldClaw：一個模型有兩半，還是五十個模型共穿一件風衣？

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.

你注意到的第二件事更有用。WorldClaw 自己的論文列出了它運行所用的模型，而那份清單就是別人元件的採購清單：Claude Opus 4.8 負責規劃，GPT-Image-2 負責圖像，SAM3 和 SAM3D 負責分割，Hunyuan3D 負責重建，Blender 5.1.1 透過 MCP 驅動來進行組裝，全部跑在四張 NVIDIA H20 上。PAN 2 只指名一個元件，並讓它可替換：任何遵循指令的語言模型都能撰寫結構化說明文字，而 IFM 對其中四款進行了排名。這才是真正的比較——不是場景與影片之爭，而是當智慧分散在一整條供應商鏈上、而非集中在單一檢查點時，系統會發生什麼事。

兩種架構，如實描繪

PAN 2 的設計是生成式潛在預測（Generative Latent Prediction），出自《世界模型批判》（arXiv 2507.05169）。概念推理器會把下一個世界狀態寫成結構化、以時間為依據的描述——事件依序發生、動作綁定到行動者、攝影機運動——凍結的 Qwen3.5-9B 文字編碼器會將其映射為條件特徵，29B 擴散 Transformer 補足感知細節，並由 Wan 2.2 VAE 解碼影格。兩個半部，同一個儲存庫，同一份授權。

WorldClaw 的設計是一個四階段精煉迴圈，其作者稱之為由粗到細：語言模型代理會讀取提示詞並產生場景規劃；全域處理會生成語意佈局、高度場與材質，讓地面在任何物件放上去之前先保持連貫；區域會被渲染、分割，並透過 Hunyuan3D 重建為個別網格；接著視覺代理會檢查渲染結果是否有漂浮物件、互相穿插、比例錯誤與姿態錯誤，然後把修正送回。顯式幾何的承諾得以兌現——你得到的是物件，而不是融合成一團的團塊或高斯濺射——而且代理只在你載入場景之前工作一次。

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」這個詞換來了什麼，又付出了什麼代價

這個比較的陷阱在於，兩則公告都用了這個詞，但兩者對它的意思並不相同。

• 代理作為作者——WorldClaw 的規劃器會將提示詞拆解為場景計畫，其視覺代理負責發出修正；PAN 2 的推理器則撰寫描述接下來發生之事的說明文字。

• 就智慧的執行方式而言——WorldClaw 的只執行一次，在創作迴圈中執行，並在網格匯出後就消失；PAN 2 的則是每個片段執行一次，每次呼叫都執行，貫穿系統的整個生命週期。

• 輸出類型 — WorldClaw 會回傳包含個別網格、材質與變換的場景檔案；PAN 2 則回傳完全不包含任何幾何資料的 MP4。

• 可編輯性 — WorldClaw 的輸出可在建模軟體中開啟、重新拓撲並置入場景；PAN 2 唯一可編輯的部分只有說明文字，因此修訂就意味著重新渲染。

{{1}}相依性範圍{{/1}} — WorldClaw 需要六個需個別授權的元件，以及一份 Blender 安裝；PAN 2 需要權重、一個文字編碼器與一個 VAE。

• 「好」是什麼意思——WorldClaw 的評判標準是場景能否在沒有漂浮物的情況下組裝起來；PAN 2 的評判標準則是它呈現的後果是否為該動作實際會產生的後果。

WorldClaw 分散式智慧的成本不是概念上的，而是營運上的：六個元件意味著六套條款、六種故障模式，以及六個可能因版本更新而改變輸出的地方。PAN 2 集中式智慧的成本則相反——單一授權、單一相依性樹，以及一個你必須自行評估的推理器，因為廠商對它的排名就是廠商自己的排名。

兩者都不是缺陷。但這說明了為什麼這兩者很少會是同一道問題的正確答案：一個是內容管線，另一個是後果引擎，而需要網格（meshes）的團隊在 PAN 2 裡找不到任何能幫上忙的東西。

兩條管線，寫成一系列階段

序列最能清楚展現模型與框架之間的差異。

PAN 2，一次呼叫——讀取觀測結果與所請求的動作，寫出結構化的世界狀態，將其編碼，以引導強度 2.5 執行五十個擴散步驟，解碼二十秒的 704×1248。該序列中的任何內容在片段結束後都不會留存。

• WorldClaw，四個階段——用語言模型規劃場景，生成全域語意佈局與高度場，渲染並分割區域，再將每個區域重建為網格，接著用視覺代理檢查渲染結果並將修正送回。那個流程中沒有任何一步是單一模型。

• 狀態存放在哪裡——PAN 2 唯一持久的產物是字幕與 MP4；WorldClaw 的則是包含個別網格、材質與變換的場景檔，其壽命比整條管線更長。

• 可能失敗的地方——{{1}}PAN 2{{/1}} 會在渲染內部失敗：漏掉步驟、漂移、物理捷徑。{{2}}WorldClaw{{/2}} 則會在接縫處失敗：規劃器誤讀提示、分割器把物件切成兩半、重建器產生錯誤比例、組裝器讓兩個網格互相穿插。

• 你能檢視什麼——PAN 2 給你一段影片和一份 token 預算；WorldClaw 給你可供測量的幾何，因此也給你可供歸因的錯誤。

最後一列才是值得保留的。能歸因的失敗，比只能看見的失敗更便宜修好；而 mesh 管線能免費給你這一點，因為中間產物是可檢查的。影片管線給你最終答案和一段說明文字，而當答案錯了，你唯一能動的槓桿就是那段說明文字。

這也說明了 WorldClaw 的視覺代理校正階段為何有其存在的必要。相互穿透、漂浮物件、姿態錯誤與比例錯誤，都是從分別生成的部件組裝幾何時會出現的失敗模式，而這些問題在你渲染並實際查看之前都看不出來。單一模型不需要那個階段，因為單一模型無法產出各部分彼此不一致的場景——它只會產出整體錯誤的場景。

評估落差並不對稱，而且其方向與授權相反。

WorldClaw 已發表的評估是質性層面的。該論文將其輸出與 SynCity、WorldGen、MajutsuCity 和 Marble 並列比較，卻沒有 FID、沒有 CLIP 分數，也沒有附上數字的用戶研究。對於一篇描述場景生成框架的論文來說，這是一個實質缺口；任何要重新實作它的團隊，都應把「看起來比 SynCity 更好」視為一項假設，而非一項結果。

PAN 2 公布的內容更多，且比大多數影片模型發布時更精確地標註其條件。橫跨六個能力類別的三百個單一動作測試案例，包含 201 個圖像轉影片與 99 個文字轉影片；一百個第一人稱日常任務以兩種方式呈現，共 200 個提示與 456 個步驟，並依步驟完成度與完整計畫完成度在三個隨機種子上評分；Physics-IQ Verified 在圖像轉影片設定下進行，並經正規化，使兩次真實拍攝之間的變異數等於 100；PhyGround 採用五點量表，由 Qwen3.8-27B 評判；RBench 取五個任務類別與四個具身類別的未加權平均值；以及一項針對 140 個提示的盲測成對人類研究，共有十三名評審與 1,400 次比較，Elo 以 Bradley–Terry 擬合並以 1500 為中心。

十三位審查者是一個小型小組，而他們是拿作者的模型與作者自己的基線進行評判，其中封閉的比較模型是透過第三方推論 API 一次性生成，且有幾列被標記為單一隨機種子。這一切都不獨立。但這一切都可以辨讀，這是次佳的情況——而這正是你能與之爭辯的發布，和只能觀看的發布之間的差別。

因此，授權條款的方向與證據正好相反。PAN 2 採用 Apache-2.0，無需審核，六十個檔案共 86.17 GB，不要求標示出處，也沒有使用者門檻。WorldClaw 則沒有授權條款可讀，因為根本沒有東西可授權：該 GitHub 專案只有 README 和素材，沒有程式碼、沒有權重、沒有推論腳本、沒有 API，也沒有價格。沒有實作的框架論文只是方法描述，不是工具；再加上需要四張 H20，且依賴一整套各自獨立授權的模型，這意味著即使真的發布，也不會是直接下載即可使用的東西。

路由器真正承受負載的地方，而這並不是你預期的地方

這是罕見的組合，其中有趣的商業事實落在框架這一側。WorldClaw 的規劃部分並非藏在 API 背後的神祕模型——它在論文中被具名，而它所指名的元件都是型錄中的普通模型。Claude Opus 4.8 在 OrcaRouter 的型錄中。GPT-Image-2 也是。IFM 為 PAN 2 圖說階段評選出的四個推理模型也一樣：Claude Opus 5.5、GPT-6 Astra、Kimi K3 與 Qwen3.8-Flash。

這意味著，重新實作 WorldClaw 分解流程——規劃、地形、物件、精修——的團隊，如今可以透過單一金鑰，把語言與圖像階段組裝起來，價格為各供應商定價原樣轉嫁、0% 加價，並且在規劃呼叫於建置途中逾時時自動容錯移轉。當你在實驗之間替換圖說撰寫器，並將 29B 渲染器固定在你自己的節點上時，同一把金鑰也會驅動 PAN 2 的推理器欄位。OrcaRouter 並不託管 PAN 2 或 Hunyuan3D WorldClaw 當中的任何一個：前者是你自己在硬體上執行的影片擴散模型，後者則在任何地方都不存在可執行程式碼。本文沒有任何內容應被解讀為暗示相反情況。

誠實的說法是，我們負責路由這些接縫。在 WorldClaw 風格的管線中，這類接縫有三個——從提示到計畫、從計畫到圖像、從算繪到評審——而每一個都是按用量計費的呼叫。在 PAN 2 管線中只有一個，而它是唯一不需要 GPU 的部分。這比「我們執行世界模型」是更狹窄的主張，但也是真實的那個。

即使你兩者都不執行，每個設計仍能帶給你什麼啟發

WorldClaw 最具可轉移性的想法是拆解，而非場景。先規劃、鋪設地形、逐一重建物件，再檢查與修正——這四階段結構對任何輸出日後還需要編輯的管線而言，都是穩健的架構；而顯式網格（explicit-mesh）的選擇，對任何會離開管線並進入遊戲引擎的成果來說，也是正確的選擇。讓視覺代理檢查漂浮物件與比例錯誤的修正迴圈，是多數團隊會跳過、也是多數團隊後悔跳過的部分。

PAN 2 最值得借鏡的概念是 caption 契約。介面不是提示詞輸入框，而是一段結構化、以時間為依據的描述，具備 1,480 軟上限與 1,536 硬上限的 token 預算、隨附的 prompt 改寫技能、固定的負向提示詞，以及會依編碼器上限檢查 caption 的驗證器。自由文字在使用前會先被改寫，而模型卡也明言，agent 案例研究依賴人工精修過的 prompt。任何打造或使用世界模型的團隊都該偷學這一點：推理端與渲染端之間的契約，正是品質勝負所在，值得用 schema 而非憑感覺。

兩種設計也都共有一個該領域尚未解決的失效模式，只是失效的方式不同。PAN 2 會在不同片段之間出現外觀漂移，因為每一段最多只從一個起始影格加上文字模擬而來，而它的卡片把知覺記憶列為缺失的一環；其自身的局限性章節一開頭便坦承，約三分之二的模擬計畫至少包含一個未實際執行的步驟。WorldClaw 的漂移則是幾何與空間性的：相互穿插、比例錯誤、物體懸浮，這正是它為何需要在迴路中加入視覺代理。一個需要記憶，另一個需要檢查器，而兩者都尚未發表實測曲線來說明隨時間推移會惡化到什麼程度。

決策，一次完成

如果你需要一個場景——一個關卡、一份合成室內資料集、一組虛擬製作佈景——WorldClaw 是更切題的參照對象，而你無法執行它。把四階段分解與顯式網格輸出納入你自己的建置流程，將四台 H20 等級的機器再加上一項 Blender 依賴列入預算，並用你能實際量測的東西取代質性評估，因為論文並沒有給你這樣的東西。

如果你需要先了解後果——也就是在你投入一項計畫之前，它實際會做什麼——PAN 2 今天下午就能下載，採用寬鬆授權，而且坦承在三項計畫中有兩項會失敗。請先閱讀限制頁面，讓檢查器全程參與，並預期花費的是 GPU 小時，而不是每個 token 的美元：13 秒的影片在四張 B300 上約需 119 秒，而取樣器每個片段會執行一百次前向傳遞。

如果你正在打造那個兩間實驗室都沒交付的東西——一個你可以當作幾何來編輯、然後看著它運作的世界——你就是在每個接縫處，用一個精煉器、一個場景建構器、一個渲染器和一個語言模型把它自己組裝起來。那比任何一則公告所暗示的都要費工，而這也正是這個類別接下來一年實務工作會發生的地方。

能改變這一頁的是程式碼。一個附帶權重與推論腳本的 WorldClaw 發布，會把一套方法變成一件工具，並讓這項比較成為活生生的對照；一個在 RGB 之外同時輸出深度的 PAN 2 變體，則會從另一個方向達成同樣的事。這兩者今日皆不存在。在任一者出現之前，準確的總結是：一個可下載的後果引擎，與一個無法建構的場景框架；而它們真正共享的唯一一件事，是想預測一個世界，而非描繪一個世界的圖像。