O Institute of Foundation Models (IFM), ligado ao MBZUAI, publicou PAN 2, um modelo do mundo aberto destinado à inteligência artificial física. A partir de uma cena e de uma ação descritas em texto, ele simula o resultado sob a forma de vídeo. O anúncio foi feito no X a 10 de novembro de 2026, e os pesos, o código de treino e o código de inferência são distribuídos sob licença Apache 2.0.
Um modelo do mundo é um sistema que prevê a evolução de um ambiente após uma ação. O PAN 2, apresentado como um modelo de uso geral, sucede ao PAN, lançado em novembro de 2025. O objetivo declarado é o raciocínio por simulação: um agente propõe vários planos, o PAN 2 simula cada um deles, e o agente age de acordo com o melhor. Para os desenvolvedores de robótica e agentes, a ideia é testar um plano em simulação antes de o executar.
Um raciocínio em duas fases
O PAN 2 reparte a simulação entre duas etapas. A primeira, dita conceptual, assenta num grande modelo de linguagem (LLM), ou seja, um sistema treinado para manipular texto. Ele lê a observação e as ações solicitadas, e depois redige o estado seguinte do mundo sob a forma de JSON estruturado: eventos, ações datadas ligadas a atores, e movimento de câmara. Segundo o relatório do IFM, o raciocinador utilizado por defeito é o Kimi K3, mas qualquer LLM capaz de seguir instruções pode desempenhar este papel.
A segunda etapa, perceptual, é confiada a um transformador de difusão de 29B parâmetros, batizado MMDiT, que prevê os latentes do vídeo. O IFM treinou-o a partir do zero em centenas de milhões de vídeos anotados. Um codificador de texto Qwen3.5-9B, congelado durante a utilização, condiciona este modelo, e o descodificador VAE do Wan 2.2 produz as imagens finais.
O IFM defende que o LLM é determinante. Sem raciocínio conceptual, a taxa de conclusão dos planos completos cai de 34,0% para 0,0%, e a das etapas passa de 75,1% para 8,7%. Uma simples reescrita em formato estruturado recupera parte da diferença, com 27,8% de planos completos. O IFM indica também ter afastado as imagens de videojogos, de animação e de simulação após uma fase de treino inicial. Um modelo de teste de 9B treinado sem elas obteve 58% dos votos em testes cegos.
Resultados anunciados pelo editor
Todas as pontuações abaixo são auto-declaradas pelo IFM, que utilizou a sua própria suite de testes: 6 capacidades avaliadas em 300 casos de ação única, e 100 tarefas multi-etapas. Nos planos completos, o PAN 2 atinge 34,00%, contra 32,50% para o MiniMax-H3, 26,77% para o FLUX 3 e 24,49% para o Seedance 2.5. Nas etapas tomadas uma a uma, obtém 75,10%, contra 75,12% para o MiniMax-H3. Nas 6 capacidades, apresenta 84,48%, contra 87,20% para o MiniMax-H3, que lidera nas seis categorias.
No ranking Physics-IQ Verified, o PAN 2 obtém 49,38, liderando entre os modelos abertos, atrás do modelo fechado FLUX 3, com 51,11. No RBench, atinge 57,04, contra 56,16 para o MiniMax-H3. No teste de preferência humana, apresenta um Elo de 1595 com o GPT-6 Astra como raciocinador, contra 1620 para o MiniMax-H3.
Em termos de hardware, cada trabalhador GPU carrega o modelo completo de 29B em BF16, com um descarregamento por blocos como solução de recurso. O IFM não publica números de memória vídeo (VRAM) nem duração de geração. A duração por defeito de uma sequência é de 241 imagens, ou seja, cerca de 10 segundos, e o limite é de 20 segundos em 704×1248 a 24 imagens por segundo. As descrições têm um limite de 1536 tokens, as unidades de texto processadas pelo modelo.
O IFM recomenda ainda o seu guarda-costas separado, pan2-guardrail. Nos testes do instituto, ele reduziu as saídas não seguras provenientes de consultas maliciosas de texto para vídeo de 33,9% para 1,5%, bloqueando simultaneamente 11,5% das consultas inócuas.
