PAN 2 vs. Agora-2: Das eine simuliert Konsequenzen, das andere hält eine Welt am Laufen

Zwanzig Personen in einer Welt klingt nach mehr als einer Person, die sich vorstellt, was als Nächstes passiert. Das ist die ganze Verwechslung zwischen PAN 2 und Agora-2, und es lohnt sich, sie aufzudröseln, bevor irgendjemand sie gegeneinander benchmarkt. Agora-2 ist Odysseys spielbare Forschungsvorschau, veröffentlicht am 21. September 2026, die zwanzig Teilnehmer in einer gemeinsamen simulierten Umgebung unterstützt – vier davon menschliche Steuernde, sechzehn davon gelernte Policies – und ihre Welt konsistent hält, selbst wenn ein Spieler wegschaut. PAN 2 ist IFMs Open-Weight-Simulator mit 29 Milliarden Parametern, veröffentlicht als 86,17 Gigabyte großer Apache-2.0-Checkpoint, der ein Frame und eine beschriebene Aktion entgegennimmt und bis zu zwanzig Sekunden Video zurückgibt, das die Konsequenz vorhersagt. Das eine ist ein Server für eine Welt. Das andere ist eine Frage, die man einer Welt stellt. Die Überschneidung im Vokabular ist nahezu vollständig und die Überschneidung in der Funktion nahezu null, was genau der Grund ist, warum der Vergleich immer wieder schlecht gemacht wird.

Die Zahl, die übertragen wird, ist nicht die Zahl, die zählt.

Die Berichterstattung über Agora-2 führt mit den zwanzig, und Odysseys eigener Beitrag ermutigt dazu. Die Zusammensetzung ist interessanter als die Anzahl. Vier gleichzeitig aktive menschliche Controller liefern Eingaben für Bewegung und Aktionen; sechzehn autonome Entitäten werden von Monster- und Begleiter-Policies gesteuert, die Odyssey auf demselben Korpus trainiert hat, aus dem die Welt gelernt wurde – Aufnahmen von Diablo II. Die Sitzung ist also nicht zwanzig Personen in einem Raum. Sie ist ein Rendering-Problem mit einer sehr kleinen Zustandsmaschine im Zentrum, verkleidet als Spielserver.

Diese Architektur macht Agora-2 zu einer anderen Art von Objekt als PAN 2. Odyssey trennt das, was entscheidet, was geschieht, von dem, was entscheidet, wie es aussieht, und die Größendifferenz zwischen beiden ist die auffälligste Zahl im Bericht: Das Simulationsmodell hat 4.457.777 Parameter – rund 4,5 Millionen, vier Schichten breit, vierzehn Bewegungszweige, ein Verlaufsfenster von vier Schritten –, während der Renderer ein Flow-Matching-Transformer mit etwa einer Milliarde Parametern ist, der pro Update fünf Solver-Schritte ausführt und auf ein 342-Token-Präfix konditioniert ist, das Karte, Entitäten, transiente Effekte, Kamera und Kader beschreibt.

PAN 2 macht das Gegenteil. Es verwendet fast seine gesamte Kapazität für Wahrnehmung: Ein 29B multimodaler Diffusions-Transformer sagt die Frames voraus, und der Teil, der entscheidet, was geschieht, ist überhaupt kein gelernter Simulator, sondern ein Sprachmodell, das eine strukturierte, zeitlich verankerte Beschreibung von Ereignissen, Aktionen und Kamerabewegung schreibt. Agora-2 legt seine Intelligenz in eine winzige explizite Zustandsrepräsentation. PAN 2 legt seine Intelligenz in den Renderer und delegiert das Reasoning an Text.

• Entscheidet, was passiert — Agora-2: ein gelerntes Simulationsmodell mit 4,46 Mio. Parametern und explizitem Entitätszustand; PAN 2: jedes instruktionsbefolgende Sprachmodell, das eine Weltzustandsbeschreibung verfasst.

• Rendert es — Agora-2: ein ~1B-Flow-Matching-Renderer mit fünf Solver-Schritten pro Update; PAN 2: ein 29B-Diffusion-Transformer mit fünfzig Schritten und Guidance bei jedem Schritt.

• Zeithorizont — Agora-2: eine offene Sitzung, die bestehen bleibt; PAN 2: bis zu 20 Sekunden pro Clip, höchstens ein Startframe, mit Drift über die Clips hinweg.

• Eingabe — Agora-2: Bewegungs- und Aktionsbefehle von Controllern plus erlernte Policies; PAN 2: ein optionales erstes Frame plus eine strukturierte Aktionsbeschreibung in Textform.

• Teilnehmende — Agora-2: 4 Menschen und 16 Policies in einem gemeinsamen Zustand; PAN 2: keine, es ist ein Batch-Generator.

• Zugang — Agora-2: keine Gewichte, kein Repository, keine Lizenz und kein Preis; PAN 2: Apache-2.0-Gewichte, ohne Zugangsbeschränkung, mit GitHub-Code und einem vLLM-Rezept.

Persistenz ist das, was Agora-2 tatsächlich gelöst hat.

Lässt man den Multiplayer-Rahmen beiseite, ist Agora-2s eigentlicher Beitrag ein Satz in Odysseys Post: Weil Entitätseigenschaften unabhängig von einer bestimmten Ansicht erhalten bleiben, sind sie weiterhin verfügbar, wenn eine Entität außerhalb des Bilds ist. Ein Videogenerator, der nur auf die letzten Frames konditioniert ist, verliert das Monster in dem Moment, in dem man sich umdreht. Ein Weltmodell, das expliziten Zustand beibehält, tut das nicht. Das ist die Designentscheidung, die Agora-2 von jedem Videomodell mit Multiplayer-Ambitionen unterscheidet, und sie ist der Grund, warum die Zahl von zwanzig Teilnehmern eine Aussage über Zustandsverwaltung und nicht über Rendering ist.

PAN 2 erhebt keinen solchen Anspruch, und seine Model Card sagt das auch. Jeder Clip wird aus höchstens einem Startframe plus Text simuliert, daher driftet das Erscheinungsbild über Clips hinweg in langen Interaktionen, und die Model Card nennt perzeptuelles Gedächtnis, das neben dem textbasierten Zustand aufrechterhalten wird, als das, was zur Behebung nötig wäre. Mit anderen Worten: PAN 2 weiß, dass es das Problem von Agora-2 hat, und hat es nicht gelöst, und Agora-2 hat eine Version davon gelöst, indem es die Welt klein genug hielt, um sie in einem expliziten Tensor zu fassen.

Zusammengenommen spannen die beiden Designs das Feld ab. Lässt sich Ihre Welt mit 4,5 Millionen Parametern beschreiben – ein Kartengitter, eine Entitätsliste, eine Reihe von Bewegungszweigen –, ist Persistenz handhabbar, und Sie erhalten eine Session. Besteht Ihre Welt aus physischen Konsequenzen in einer offenen Domäne, brauchen Sie einen Renderer, der Materialien und Kontakt versteht, und Persistenz wird in dem Moment zu einem offenen Forschungsproblem, in dem sich die Kamera bewegt.

Was eine Sitzung kostet und was eine Simulation kostet

Keine der beiden Zahlen wird als Preis veröffentlicht, weil keines der beiden Modelle verkauft wird. Beide werden als Hardware veröffentlicht, was nützlicher ist.

Odysseys Serving-Plan für eine Vier-Spieler-Sitzung sieht vier NVIDIA RTX PRO 4500-Karten vor: ein Renderer pro GPU, wobei eine dieser GPUs zusätzlich das Simulationsmodell und die Agentenrichtlinien hostet; angestrebt sind fünfzehn latente Updates pro Sekunde bei dreißig angezeigten Frames pro Sekunde. Der Bericht räumt offen ein, dass diese beiden Zahlen Zielwerte und keine Messungen sind – Abschnitt 8 führt die dauerhaft erzielte Bildrate und die Latenz vom Eingang bis zur Anzeige während der Live-Interaktion mehrerer Agenten als quantitativ nicht bewertet auf. Auch die Trainingskosten sind aufgeschlüsselt: sechzigtausend Updates auf 4.232.000 Segmenten, dann weitere sechzigtausend auf 4.332.800, ausgeführt auf 32 B200-GPUs.

Das Äquivalent zu PAN 2 ist das vLLM-Rezept: dreizehn Sekunden 704×1248-Video in ungefähr 119 Sekunden auf vier B300-GPUs, mit einem dokumentierten Standardwert von acht H200s in BF16. Fünfzig Sampler-Schritte mit Classifier-Free Guidance bei jedem Schritt – einhundert Forward-Pässe durch einen 29B-Transformer pro Clip – sind der Grund, warum Guidance auf zwei Ranks und Sequence-Parallelismus auf zwei weitere parallelisiert wird.

Die beiden Konfigurationen sind von ähnlicher Größenordnung, und dort endet die Ähnlichkeit. Vier Karten kaufen eine Sitzung, die weiterläuft. Vier Karten auf PAN 2 kaufen zwei Minuten pro dreizehn Sekunden gerenderter Konsequenz, und die Kosten eines Plans sind die Kosten jedes Kandidaten, den der Planer in Betracht gezogen hat. Odysseys Zahl ist eine Durchsatzuntergrenze für eine Erfahrung. Die von IFM ist ein Preis pro Frage.

Heute kann nur auf eines davon gebaut werden.

Das ist der Punkt, an dem der Vergleich aufhört, architektonisch zu sein.

Agora-2 ist eine Forschungsvorschau mit einer spielbaren Demo unter Odysseys eigener Adresse und einem technischen Bericht. Es gibt keine Gewichte, kein Repository, keine Lizenz, keine Inferenz-API und keinen Preis. Odyssey ordnet die Entwicklung hin zu Multi-Agenten-Interaktion innerhalb grundlegender Weltmodelle als zukünftige Arbeit ein, mit PROWL als Forschungsstrang und Odyssey-3 als letztendlichem Ziel. Praktisch: Man kann es spielen, aber nicht darauf aufbauen, und auch kein Dritter kann es einem bereitstellen.

PAN 2 ist die umgekehrte Anordnung. Gewichte auf Hugging Face seit dem 7. Oktober 2026, ohne Zugangsbeschränkung, Apache-2.0 für den eigenen Code und die Gewichte; GitHub-Repository mit Inferenz- und Trainingsskripten seit dem 5. November; Day-0-Unterstützung für vLLM-Omni am 10. November zusammengeführt; eine als separates Repository verteilte Guardrail mit eigenen Falsch-Positiv-Zahlen. IFMs Ankündigung war ein einzelner Beitrag auf dem eigenen X-Konto – „Introducing PAN 2: an open foundation world model for physical intelligence“ – ohne Blogeintrag, Paper-Link, gehosteten Endpunkt oder Preisseite. Das ist eine dünne Ankündigung um ein dickes Artefakt herum, also das Gegenteil von Agora-2s poliertem Beitrag um eine geschlossene Demo herum.

Wenn Ihre Frage lautet: „Was kann ich in diesem Quartal in Produktion bringen?“, dann lautet die Antwort: keines von beiden – allerdings aus unterschiedlichen Gründen. Für Agora-2 gibt es keinen von Odyssey beschriebenen Weg von der Demo zum Deployment. PAN 2 hat einen Weg – die Gewichte und das Rezept – und eine Einschränkung, die entscheidet, ob Sie ihn gehen sollten: Laut dem Abschnitt zu Einschränkungen in der Modellkarte selbst enthalten etwa zwei von drei simulierten Plänen mindestens einen Schritt, der nicht ausgeführt wird.

Der Hybrid, den keines der beiden Labore gebaut hat

Die interessante Ingenieursfrage ist nicht, welches Modell gewinnt. Sie lautet, wie ein System aussieht, das jedes für das einsetzt, worin es gut ist – und keiner der beiden Anbieter liefert es.

Stellen Sie sich einen Agenten vor, der in einer persistenten Welt planen muss. Das Design von Agora-2 zeigt, wie man die Welt stabil hält: expliziter Zustand, ein strukturiertes Konditionierungspräfix, Richtlinien, die klein genug sind, um neben einem Renderer zu laufen. Das Design von PAN 2 zeigt, wie man die Frage „Was passiert, wenn“ zu einer physischen Interaktion beantwortet: die Frage an ein Sprachmodell übergeben, eine strukturierte Beschreibung erhalten, die Konsequenz rendern, sie ansehen. Ein Stack, der den Zustand von Agora-2 beibehielte und PAN 2 nach der feinkörnigen Physik innerhalb einer Zelle davon fragte, wäre strikt besser als beide und würde erfordern, dass beide Labore etwas öffnen, das sie nicht geöffnet haben.

Was Sie heute tun können, ist die Hälfte, für die keines der beiden Modelle nötig ist. Der Planer von PAN 2 ist als jedes Sprachmodell definiert, das Anweisungen befolgt, und IFM hat vier davon nach der Rate vollständig abgeschlossener Pläne eingestuft: Claude Opus 5.5, GPT-6 Astra mit mittlerem Aufwand, Kimi K3, Qwen3.8-Flash. Alle vier sind auf OrcaRouter, sodass die Caption-Stufe einer PAN 2-Pipeline über einen einzigen Endpunkt mit automatischem Failover laufen kann und der Listenpreis jedes Anbieters zu 0 % Aufschlag durchgereicht wird, wobei pro Experiment statt pro Vertrag gewechselt wird. OrcaRouter hostet PAN 2 nicht und kann es nicht routen — der 29B-Renderer bleibt auf Ihren GPUs — und es kann erst recht nicht Agora-2 hosten, was niemand kann. Was ein Router leisten kann, ist, die Reasoning-Hälfte elastisch zu halten, während die Simulationshälfte an Hardware gebunden bleibt, die Sie bereits besitzen.

Wie man entscheidet

Wenn Sie ein Spiel bauen, eine Trainingsumgebung für Agenten, die in einem gemeinsamen Raum agieren müssen, oder irgendetwas, bei dem die Welt konsistent bleiben muss, während sich mehrere Akteure durch sie bewegen, dann ist Agora-2 die relevantere Forschungsarbeit und die weniger verfügbare. Lesen Sie den Bericht, probieren Sie die Vorschau aus, und betrachten Sie die zwanzig Teilnehmer als eine Aussage über Zustandsdesign statt als eine Kapazität, die Sie mieten können.

Wenn Sie physische Ergebnisse bewerten müssen – hält dieser Griff, verschüttet dieses Einschenken etwas, übersteht dieser Plan den Kontakt mit der Szene –, dann hat Agora-2 nichts für Sie, und PAN 2 ist herunterladbar, dokumentiert und ehrlich darüber, dass es in den meisten Plänen einen Schritt auslässt. Planen Sie die GPUs ein, bevor Sie das Engineering einplanen: vier B300s für zwei Minuten pro dreizehn Sekunden legen die Kosten für jeden Kandidaten fest, den Ihr Planer in Betracht zieht.

Die beiden werden eine Weile verglichen werden, weil „Weltmodell“ derzeit ein Etikett ist, das auf alles angewendet wird, was etwas Visuelles vorhersagt. Das Etikett leistet hier nichts. Eines dieser Systeme ist ein Ort, der bleibt, während Menschen sich durch ihn bewegen. Das andere ist eine Frage danach, was als Nächstes passiert, die auf Abruf beantwortet wird, wobei die Antwort auf zwanzig Sekunden begrenzt ist. Sie zu verwechseln kostet dich ein Viertel der Entwicklungszeit; sie auseinanderzuhalten kostet einen Nachmittag.