PAN 2 對比 Hy-Nomas：相同授權、相同架構家族，兩種「動作」定義

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.

真正有效的區分點，是兩隊都沒寫進摘要的一句話：什麼才算一個動作。Hy-Nomas 的控制訊號是鏡頭往哪裡移動。PAN 2 的控制訊號是場景裡發生什麼事，由語言模型寫成一系列與行動者綁定的事件。兩者差異夠大，以至於在某一個上很有效的提示詞，在另一個上幾乎毫無意義；如果你只從這個比較中學到一件事，那就是這件事。

兩個調節介面，而非兩個品質等級

Hy-Nomas 以文字加上相機路徑作為條件。這條路徑是連續且幾何性的：你告訴它視角要往哪裡移動，模型便根據快取的歷史生成一段畫面，讓你在移動過程中世界始終保持連貫。它的提示增強器 Nomas-PE 會把鬆散的散文改寫成結構化的 JSON 描述，這與 PAN 2 的提示改寫器從另一個方向出發的直覺如出一轍——兩個團隊都得出同樣的結論：自由文字太過模糊，不足以作為擴散 transformer 的條件。

它們分歧之處，正是結構化形式所描述的重點。Hy-Nomas 的結構是空間性且以視角為中心；被精確建模的對象，是攝影機穿過場景的運動。PAN 2 的結構是時間性且以行動者為中心：事件依序排列，每個動作都綁定到執行它的行動者，並把攝影機運動作為數個欄位之一。細讀 IFM 自身的表述，重點再明顯不過——說明文字描述的是某個動作之後發生的事，而讓這個模型聲名大噪的示範，是把一顆草莓丟進碗裡，其中替換水果或液體會改變濺起的水花。

• 條件化 — Hy-Nomas 接受自由文字加上連續的相機軌跡；PAN 2 則接受可選的第一影格加上結構化、以時間為依據的動作說明。

• 「action」指的是什麼——Hy-Nomas：一種鏡頭運動，也就是你把視線放在哪裡；PAN 2：帶有角色的事件，也就是發生了什麼事。

分段結構 — Hy-Nomas 是基於快取 KV 歷史的分段自迴歸模型，因此上下文會跨分段延續；PAN 2 僅以最多一個起始影格加上文字來模擬每個片段，片段之間不保留狀態。

• 輸出 — Hy-Nomas：720×1280、24 fps，八個蒸餾步驟；PAN 2：704×1248、24 fps，五十個取樣器步驟、引導係數 2.5。

• 規模 — Hy-Nomas：約 8B，分佈於 54 個雙流 MMDiT 區塊、隱藏維度為 2,048，另有一個在 DCAE-V 潛在表徵上微調的 PixelUMM 解碼器；PAN 2：一個 29B MMDiT，加上一個凍結的 Qwen3.5-9B 文字編碼器和一個 Wan 2.2 VAE。

• 硬體 — Hy-Nomas：參考部署中使用八張 GPU，並有單一 RTX 4090 路徑，採用 INT8 DiT、KV cache、FP8 解碼器與 CPU offload，約 38GB；PAN 2：依文件記載的預設為八張 H200、BF16，另有一套做法可在四張 B300 上以約 119 秒處理十三秒影片。

• 權重大小 — Hy-Nomas：在 Hugging Face 上以 tencent/Hy-Nomas 形式約為 196GB；PAN 2：以 IFM/PAN2 形式分佈於六十個檔案中，共 86.17GB。

七個維度，其中沒有一個是分數。它們所描述的是設計上的分歧：Hy-Nomas 把它的參數用於在你穿行其中時維持世界的整體一致，PAN 2 則把參數用於預測某個動作會產生什麼結果。攝影機路徑的指定成本低，卻難以造假；事件序列表達力強，但生成成本高昂。

差異真正顯現之處：三項任務，兩個模型

抽象的對比很廉價。這些則是具體的。

帶我走一遍一間公寓。Hy-Nomas 徹底勝出。你要的是一條連續路徑，穿過走廊進入廚房，而身後的房間始終留在身後。那就是在快取歷史上進行的分段自迴歸生成，而這正是其架構的用途，PAN 2 做不到：它會渲染一段片段，而下一段片段從你提供的影格開始，對之前發生過什麼毫無記憶。把 PAN 2 片段串接起來製作導覽，會產生它自己的模型卡所警告的漂移，也就是在長時間互動中，外觀會在不同片段之間改變，因為每一段最多只從一個起始影格模擬。

我打開抽屜，杯子掉了下來。PAN 2 勝出，而且差距不小。這個請求是一個帶有行動者與物理後果的事件。Hy-Nomas 的條件化沒有獨立於攝影機之外的「抽屜打開」欄位——你可以把它放進文字提示，而它的提示增強器會將其結構化，但模型的精確度預算花在了視角上，而不是接觸與後果上。PAN 2 的標註契約正是為了把動作綁定到行動者並按時間排序而存在，這就是為什麼 IFM 推出了一個驗證器，會依據文字編碼器 1,480 個 token 的軟上限與 1,536 個 token 的硬上限來檢查描述，而不是讓散文直接通過。

為資料集生成兩百個操作場景的變體。兩者都錯，但錯法不同。Hy-Nomas 會給你兩百個連貫的攝影機運動、穿越兩百個場景，但對於機械手臂是否真的抓取到東西，幾乎沒有控制權。PAN 2 會給你兩百段以動作為條件的影片片段，而且根據它自己的說明卡，大約每三個計畫中就有兩個會包含至少一個未實際執行的步驟——因此除非你建立檢查器，否則你的資料集會有三分之一無法使用。兩者都不是開箱即用的資料引擎；差別在於失敗是幾何漂移，還是步驟被漏掉，以及你的下游任務能容忍哪一種。

第三項任務也是決定你硬體的那一項。在單張量化後的 4090 上處理兩百段八步 720p 影片，只需一個下午。在四張 B300 的節點上，以每十三秒影片耗時 119 秒來算，兩百段影片則要花上幾天；而這道算術正是這兩個模型即使能力重疊也無法互換的真正原因。

同一種失敗，卻有兩個不同的名稱

兩張卡都承認同一個弱點，卻都沒有解決它：長時程世界模型會失去它的世界。PAN 2 指出外觀會在不同片段之間漂移，並將知覺記憶列為缺失的一環。Hy-Nomas 則直接以攜帶式 KV 快取，以及一種因果注意力模式來處理這個問題；該模式讓描述性脈絡在各個片段之間持續存活，同時把動作指令限制在它們被發出的視窗內——然而它在其自身的評估中仍報告，自己在長期空間記憶上落後於 Genie 3。

最後那項坦承比一場勝利更有意思。它表示記憶機制運作得夠好，能在互動與遵循提示上擊敗 Genie 3 和 LingBot-World v2——在涵蓋多輪文字、攝影機導航、交錯文字與攝影機操作，以及空間記憶的 280 項基準測試中，遵循提示的勝率約 65%——但在衡量世界是否保持原位的項目上仍然落敗。那些是作者在其自家基準上，與其自選基線模型所作的比較，而且就像這個類別裡的每個數字一樣，都未經重現。它們並不含糊：一個會公布自己在哪裡落敗的模型，是你可以據以規劃的模型。

對任何要建立在這兩者之一上的人來說，有用的解讀是：持續性不是一種可以先假設、之後再檢查的性質。它是你首先該在自己的場景上、用自己對漂移的容忍度去測量的東西，而且要在把管線綁定到某個模型之前就測。兩家廠商都沒有公布失效時間曲線——也就是場景不再可信的持續時間——而這個缺失的數字，比任何基準排名都更重要。

成本不是四捨五入的誤差，而是決策本身。

先將能力方面的爭論擱在一邊，看看每一個要運作一週需要什麼。

Hy-Nomas 的單張 4090 路徑是這項比較中最具影響力的事實，而且在八 GPU 參考部署下很容易被忽略。帶有 KV 快取的 INT8 DiT、FP8 解碼器與 CPU 卸載，大約可容納於 38GB 內，這意味著擁有一張工作站級顯卡的工作室，無需租用任何資源即可生成 720p 互動式影片。八 GPU 配置是基準測試所描述的內容；4090 配置則是讀者今晚實際上就能做到的方案。

PAN 2 並未公布可比的方案。其文件記載的預設是八張 H200、採 BF16，並以 VAE patch 平行化橫跨四個 tile；而大家廣為引用的推論服務配方——以 704×1248 生成十三秒內容約需 119 秒——假設使用四張 B300。更糟的是，取樣器在設計上就很昂貴：五十步、每步套用 2.5 的 guidance，等於每個 clip 要讓 29B transformer 進行一百次前向傳遞，這就是為什麼 classifier-free guidance 必須拆分到不同 rank，且 sequence parallelism 要分散到更多地方。發布版本中沒有量化單卡方案，若假裝有，就等於憑空發明一套。

所以，誠實的成本結論是這樣：Hy-Nomas 消耗的是一張你大概已經有的 GPU，PAN 2 消耗的則是一個你大概沒有的 GPU 節點；而無論品質差距偏向哪一方、差距有多大，對小團隊來說都改變不了這件事。

這裡的路由切入點很窄，值得精確說明，因為這兩者都是你自己託管的模型，且都不在 OrcaRouter 目錄中。可路由的是兩種架構都因為純文字不夠而添加的部分：提示增強階段。Hy-Nomas 的 Nomas-PE 會把自然語言文字改寫成結構化 JSON 描述；PAN 2 的 prompt-rewriter 則包含系統提示、固定的負面提示詞，以及依據編碼器 token 預算進行驗證的驗證器。這些都是語言模型呼叫，而這正是不同模型會可量測地改變渲染器所接收到內容的階段。IFM 為其描述生成階段排出了四個推理模型的名次——Claude Opus 5.5、以中等努力程度運行的 GPT-6 Astra、Kimi K3、Qwen3.8-Flash——而這四個全都在目錄中，因此任一管線的改寫半部都能透過單一金鑰以供應商定價、0% 加成進行替換與比較，並在改寫呼叫於批次處理中途逾時時提供容錯移轉。29B 與 8B 渲染器仍留在你的硬體上。這就是全部主張。

這兩張模型卡實際上包含哪些內容

兩個發行版本都公開亮出一張牌，而這些牌在願意承認什麼上有所不同。

Hy-Nomas 的報告，arXiv 2610.36729，2026 年 10 月 27 日，描述了讓多輪互動得以運作的關鍵技巧：結構化字幕會與具動作感知的因果注意力模式對齊，因此描述性上下文能跨越各個段落持續存在，而動作指令則被限制在它們被發出的那個窗口之內。評估是一項涵蓋四個賽道的 280 個案例基準——多輪文字、相機導航、交錯的文字與相機，以及空間記憶——由人類與 Genie 3、LingBot-World v2 和 Happy Oyster 進行成對比較來評判。它在互動與提示遵循方面勝出，據報在提示遵循上的勝率約為 65%，但在長期空間記憶上則敗給 Genie 3。權重約 196GB，以 tencent/Hy-Nomas 之名在 Apache 2.0 下發布，程式碼在 GitHub 上，並有託管示範。

PAN 2 的卡片較長，也比較不討喜。其架構是生成式潛在預測，出自《世界模型批判》（arXiv 2507.05169），而描述該架構的同一份文件也列出了這些失敗：約三分之二的模擬計畫至少漏掉一個步驟；由於沒有攜帶狀態，外觀會在不同片段間漂移；觀察與行動的措辭會改變結果；文字能很好地表達「打開抽屜」，卻很難表達「把每根手指放在這裡」；模擬可以在違反物理的情況下繼續推進；而模擬那些本應失敗的計畫，目前尚未被衡量。

把這兩份並排閱讀，披露風格的差異顯而易見。Hy-Nomas 報告的是勝率和一次失敗；PAN 2 報告的是失敗率和一份清單。兩者都不是稽核，而且都是由打造這些模型的團隊自己撰寫的。但一張能告訴你模型在哪裡失手的卡片，就是一份你能據以規劃的文件，而這兩份都符合這一點——這已經勝過它們大多數封閉的競爭對手所能提供的。

哪一個，以及什麼會改變答案

如果你的問題是探索或內容，就選 Hy-Nomas：一個有人走過的世界、一個有人執導的鏡頭運動、一張卡上從提示詞生成的連貫 720p 場景。它的記憶機制、鏡頭條件控制與 4090 路徑都指向同一位使用者——一個需要便宜、立刻看見一個地方並在其中移動的人。

如果你的問題是一個決策，就選 PAN 2：需要預覽某個動作會造成什麼結果的代理、對候選計畫進行排序的規劃器，或是關於事件的結構化描述是否足以生成其後果的研究問題。它的 caption 契約、已發布的 harness 和 Apache-2.0 權重，全都指向這樣的使用者：需要被誠實地與之辯論，並且擁有為此付費的硬體。

有兩件事能以兩家廠商目前都不允許的方式打破僵局。在具備 PAN 2 動作條件化的模型上，搭載 Hy-Nomas 風格、可跨片段延續的記憶，會是比兩者都明顯更好的產品。一份公開的失敗研究——由 PAN 2 模擬理應失敗的計畫，由 Hy-Nomas 測量十分鐘而非一分鐘的漂移——將能回答兩張產品卡都留而未答的問題。在其中一項實現之前，選擇無關哪個模型更好，而是關於你的世界是你穿行其中的所在，還是降臨在你身上的遭遇。