L’Institute of Foundation Models (IFM), affiliato al MBZUAI, ha pubblicato PAN 2, un modello del mondo open source destinato all’intelligenza artificiale fisica. A partire da una scena e da un’azione descritte in testo, simula il risultato sotto forma di video. L’annuncio è stato fatto su X il 10 novembre 2026, e i pesi, il codice di addestramento e il codice di inferenza sono distribuiti con licenza Apache 2.0.
Un modello del mondo è un sistema che predice l’evoluzione di un ambiente dopo un’azione. PAN 2, presentato come un modello a uso generale, succede a PAN, rilasciato nel novembre 2025. L’obiettivo dichiarato è il ragionamento per simulazione: un agente propone diversi piani, PAN 2 simula ciascuno di essi, e l’agente agisce in base al migliore. Per gli sviluppatori di robotica e agenti, l’idea è testare un piano in simulazione prima di eseguirlo.
Un ragionamento in due fasi
PAN 2 suddivide la simulazione in due fasi. La prima, detta concettuale, si basa su un grande modello linguistico (LLM), ovvero un sistema addestrato a manipolare testo. Legge l’osservazione e le azioni richieste, quindi redige lo stato successivo del mondo sotto forma di JSON strutturato: eventi, azioni datate legate ad attori e movimento della telecamera. Secondo il rapporto dell’IFM, il ragionatore utilizzato di default è Kimi K3, ma qualsiasi LLM capace di seguire istruzioni può svolgere questo ruolo.
La seconda fase, percettuale, è affidata a un trasformatore di diffusione da 29 miliardi di parametri, battezzato MMDiT, che predice i latenti del video. IFM lo ha addestrato da zero su centinaia di milioni di video annotati. Un codificatore di testo Qwen3.5-9B, congelato durante l’uso, condiziona questo modello, e il decodificatore VAE di Wan 2.2 produce le immagini finali.
IFM sostiene che l’LLM è determinante. Senza ragionamento concettuale, il tasso di completamento dei piani completi scende dal 34,0% allo 0,0%, e quello delle fasi passa dal 75,1% all’8,7%. Una semplice riscrittura in formato strutturato recupera parte del divario, con il 27,8% di piani completi. IFM indica anche di aver scartato le immagini di videogiochi, animazione e simulazione dopo una fase di addestramento iniziale. Un modello test da 9B addestrato senza di esse ha ottenuto il 58% dei voti in un test alla cieca.
Risultati annunciati dall’editore
Tutti i punteggi seguenti sono auto-dichiarati da IFM, che ha utilizzato la propria suite di test: 6 capacità valutate su 300 casi a azione singola e 100 compiti multi-fase. Sui piani completi, PAN 2 raggiunge il 34,00%, contro il 32,50% di MiniMax-H3, il 26,77% di FLUX 3 e il 24,49% di Seedance 2.5. Sulle fasi prese una a una, ottiene il 75,10%, contro il 75,12% di MiniMax-H3. Sulle 6 capacità, mostra l’84,48%, contro l’87,20% di MiniMax-H3, che prevale in tutte e sei le categorie.
Sulla classifica Physics-IQ Verified, PAN 2 ottiene 49,38, in testa tra i modelli aperti, dietro al modello chiuso FLUX 3, a 51,11. Su RBench, raggiunge 57,04, contro 56,16 di MiniMax-H3. Nel test di preferenza umana, mostra un Elo di 1595 con GPT-6 Astra come ragionatore, contro 1620 per MiniMax-H3.
Per quanto riguarda l’hardware, ogni GPU worker carica il modello completo da 29B in BF16, con uno scaricamento a blocchi come soluzione di ripiego. IFM non pubblica né cifre sulla memoria video (VRAM) né durate di generazione. La durata predefinita di una sequenza è di 241 immagini, cioè circa 10 secondi, e il limite è di 20 secondi in 704×1248 a 24 immagini al secondo. Le descrizioni sono limitate a 1.536 token, le unità di testo elaborate dal modello.
IFM raccomanda inoltre il proprio sistema di sicurezza separato, pan2-guardrail. Nei test dell’istituto, ha ridotto le uscite non sicure provenienti da richieste dannose da testo a video dal 33,9% all’1,5%, bloccando allo stesso tempo l’11,5% delle richieste innocue.
