Institute of Foundation Models (IFM), działający przy MBZUAI, opublikował PAN 2, otwarty model świata przeznaczony dla sztucznej inteligencji fizycznej. Na podstawie sceny i działania opisanego tekstem symuluje on wynik w formie wideo. Ogłoszenie pojawiło się na X 10 listopada 2026 roku, a wagi, kod treningowy i kod wnioskowania są dystrybuowane na licencji Apache 2.0.
Model świata to system przewidujący ewolucję środowiska po podjęciu działania. PAN 2, przedstawiany jako model ogólnego przeznaczenia, jest następcą PAN-a wydanego w listopadzie 2025 roku. Deklarowanym celem jest wnioskowanie przez symulację: agent proponuje kilka planów, PAN 2 symuluje każdy z nich, a agent działa według najlepszego. Dla twórców robotyki i agentów chodzi o przetestowanie planu w symulacji przed jego wykonaniem.
Wnioskowanie dwuetapowe
PAN 2 dzieli symulację na dwa etapy. Pierwszy, zwany konceptualnym, opiera się na dużym modelu językowym (LLM), czyli systemie wytrenowanym do manipulacji tekstem. Odczytuje on obserwację i żądane działania, a następnie opisuje kolejny stan świata w formie ustrukturyzowanego JSON: wydarzenia, datowane działania powiązane z aktorami oraz ruch kamery. Według raportu IFM domyślnym silnikiem wnioskowania jest Kimi K3, ale tę rolę może pełnić dowolny LLM zdolny do przestrzegania instrukcji.
Drugi etap, percepcyjny, powierzony jest transformatorowi dyfuzyjnemu o 29 miliardach parametrów, nazwanemu MMDiT, który przewiduje latenty wideo. IFM wytrenował go od zera na setkach milionów opisanych wideo. Tekstowy enkoder Qwen3.5-9B, zamrożony podczas użytkowania, warunkuje ten model, a dekoder VAE z Wan 2.2 generuje końcowe obrazy.
IFM twierdzi, że LLM jest kluczowy. Bez wnioskowania konceptualnego wskaźnik ukończenia pełnych planów spada z 34,0% do 0,0%, a wskaźnik ukończenia etapów spada z 75,1% do 8,7%. Proste przepisanie w ustrukturyzowanym formacie odzyskuje część tej różnicy, osiągając 27,8% pełnych planów. IFM wskazuje również, że po początkowej fazie treningu odrzucił obrazy z gier wideo, animacji i symulacji. Model testowy o 9 miliardach parametrów, wytrenowany bez nich, zdobył 58% głosów w ślepej ocenie.
Wyniki podane przez wydawcę
Wszystkie poniższe wyniki są samodzielnie zgłoszone przez IFM, który użył własnej zestawu testów: 6 umiejętności ocenianych na 300 przypadkach z pojedynczą akcją oraz 100 zadaniach wieloetapowych. W przypadku pełnych planów PAN 2 osiąga 34,00%, wobec 32,50% dla MiniMax-H3, 26,77% dla FLUX 3 i 24,49% dla Seedance 2.5. W przypadku etapów rozpatrywanych pojedynczo uzyskuje 75,10%, wobec 75,12% dla MiniMax-H3. W 6 umiejętnościach osiąga 84,48%, wobec 87,20% dla MiniMax-H3, który prowadzi we wszystkich sześciu kategoriach.
W rankingu Physics-IQ Verified PAN 2 uzyskuje 49,38, prowadząc wśród modeli otwartych, za zamkniętym modelem FLUX 3 z wynikiem 51,11. Na RBench osiąga 57,04, wobec 56,16 dla MiniMax-H3. W teście preferencji ludzkich osiąga Elo 1595 z GPT-6 Astra jako silnikiem wnioskowania, wobec 1620 dla MiniMax-H3.
Jeśli chodzi o sprzęt, każdy procesor GPU ładuje pełny 29-miliardowy model w formacie BF16, z odciążaniem blokowym jako rozwiązanie awaryjne. IFM nie publikuje danych dotyczących pamięci VRAM ani czasu generowania. Domyślna długość sekwencji to 241 klatek, czyli około 10 sekund, a limit wynosi 20 sekund w rozdzielczości 704×1248 przy 24 klatkach na sekundę. Opisy są ograniczone do 1536 tokenów, jednostek tekstu przetwarzanych przez model.
IFM zaleca również stosowanie oddzielnego zabezpieczenia pan2-guardrail. W testach instytutu zmniejszyło ono niebezpieczne wyniki ze szkodliwych zapytań tekst-na-wideo z 33,9% do 1,5%, jednocześnie blokując 11,5% nieszkodliwych zapytań.
