PAN 2 consiguió una ruta de servicio antes de tener un anuncio

A las 16:03 UTC del 10 de noviembre de 2026, una pull request que añadía soporte Day-0 para la generación de texto a vídeo y de imagen a vídeo de PAN 2 terminó de fusionarse en vLLM-Omni. A las 20:55 UTC de ese mismo día, una segunda pull request añadió la página de receta que explica cómo servirlo. PAN 2 es un transformer de difusión para vídeo de 29 mil millones de parámetros del Institute of Foundation Models de MBZUAI, y el motivo por el que esas dos fusiones son la historia es el orden en que llegaron. El repositorio de Hugging Face data del 7 de octubre de 2026 y el de GitHub del 5 de noviembre, así que durante cinco semanas el único rastro público del modelo fueron los metadatos de los repositorios. La primera declaración de primera mano que puedo encontrar es una única publicación de la propia cuenta de X del laboratorio, @IFM_AI, con marca temporal de las 17:00 UTC del 10 de noviembre: cincuenta y seis minutos después de la fusión en vLLM-Omni y casi cuatro horas antes de la receta. Dice «Presentamos PAN 2: un modelo fundacional abierto del mundo para la inteligencia física», incluye un vídeo y no enlaza a nada más allá de sí misma. Ni entrada de blog, ni URL de paper, ni endpoint alojado, ni página de precios, ni nota de prensa. Así que la vía de servicio precedió realmente al anuncio, y el anuncio, cuando llegó, fue más pequeño que la fusión: unos cientos de «me gusta» y un par de párrafos. Lo que existe son 86,17 GB de checkpoint con licencia Apache-2.0, una integración en un framework y un tuit.

¿Qué se concretó realmente y en qué orden?

Ocurrieron cuatro cosas distintas, y confundirlas es lo que hace que una publicación discreta se confunda con un lanzamiento.

• Los pesos — IFM/PAN2 en Hugging Face, repositorio creado el 7 de octubre de 2026 a las 23:42 UTC, última modificación el 9 de noviembre de 2026 a las 21:52 UTC con un commit que añade soporte para el verificador de seguridad como componente de pipeline modular de Diffusers. Sesenta archivos, 86,17 GB, sin control de acceso, Apache-2.0.

• El código — github.com/ifm-ai/PAN2, creado el 5 de noviembre de 2026, con un único commit subido a las 20:13 UTC de ese día. No es un volcado de investigación con un README muerto: hay scripts de inferencia, versiones fijadas del entorno, configuraciones de entrenamiento, una skill de reescritura de prompts y documentación para el despliegue, el entrenamiento y la inferencia.

• La ruta de servicio — vLLM-Omni PR #8602 para soporte Día-0 de texto a vídeo e imagen a vídeo, fusionada el 10 de noviembre a las 16:03 UTC, y la PR #10126 de la receta de vLLM, fusionada esa misma noche a las 20:55 UTC.

• La declaración — @IFM_AI en X, 10 de noviembre a las 17:00 UTC: «Presentamos PAN 2: un modelo fundacional y abierto del mundo para la inteligencia física». Dos párrafos, un vídeo, ningún enlace a una publicación, un artículo o una página.

Esa secuencia es inusual, y el anuncio es el elemento que la vuelve más extraña en lugar de más normal. Normalmente, un laboratorio anuncia, publica los pesos y el soporte del framework va llegando a cuentagotas durante las semanas siguientes mientras los usuarios abren incidencias. Aquí la fusión en el framework llegó primero, el anuncio llegó cincuenta y seis minutos después, y la receta llegó cuatro horas después de eso. El artefacto público más sustancial en la corta vida del modelo sigue siendo un pull request, lo que dice algo sobre cómo se gestionó este lanzamiento: como una entrega de artefactos para personas que leen repositorios, con una publicación en redes sociales añadida casi como una ocurrencia tardía.

Lo que el repositorio te dirá

Más que en la mayoría de las publicaciones de lanzamiento. PAN 2 es un modelo del mundo, no un generador de video con inclinación cinematográfica; la distinción es arquitectónica, no retórica. Implementa el patrón de Predicción Latente Generativa descrito en Crítica de los modelos del mundo (arXiv 2507.05169) y divide la tarea en dos. Un razonador conceptual, que es cualquier modelo de lenguaje que sigue instrucciones, lee la observación y las acciones solicitadas y escribe el siguiente estado del mundo como una descripción estructurada y anclada en el tiempo: eventos en orden, acciones vinculadas a actores, movimiento de cámara. Un codificador de texto congelado asigna esa descripción a características de condicionamiento. Luego, un transformador de difusión multimodal de 29B, entrenado desde cero con cientos de millones de videos anotados en el mismo formato, predice el detalle perceptual que la descripción deja abierto. Un VAE de Wan 2.2 decodifica los latentes, y lo que obtienes es un video de hasta 20 segundos a 704×1248 y 24 fotogramas por segundo.

La configuración publicada es lo suficientemente específica como para calcular sus costos. La configuración del transformer enumera 44 capas, 32 cabezas de atención de 128 dimensiones cada una, un tamaño de parche de 1×2×2, 97 canales de entrada y 48 canales de salida. El muestreador predeterminado es de 50 pasos con un desplazamiento de flujo de 9 y una guía libre de clasificador de 2.5 en cada paso. La longitud predeterminada es de 241 fotogramas, unos diez segundos; el límite máximo es de 481 fotogramas. El codificador de texto es Qwen3.5-9B, congelado y sin modificaciones, y el VAE es el de Wan 2.2. Ambos se descargan de sus propios repositorios —MBZUAI no los redistribuye, y la ficha del modelo tiene cuidado de decirlo.

También hay una skill de reescritura de prompts incluida en el repositorio, con un prompt de sistema, un negative prompt fijo y un validador que comprueba los pies de foto (caption) frente al presupuesto de tokens del codificador de texto: un límite blando de 1.480 tokens y una capacidad máxima de 1.536. Ese es el artefacto individual más útil del paquete. Te dice que el modelo no acepta realmente bien el texto libre, y que el equipo lo sabe.

Lo que no te dirá

Casi todo lo que preguntaría un comprador. No hay precio, porque no hay API. No hay ningún endpoint alojado de MBZUAI. No hay ningún benchmark independiente: las cifras de la tarjeta del modelo son del propio equipo, medidas con su propio harness, y la tarjeta es inusualmente franca sobre las condiciones —Physics-IQ Verified normalizado de modo que la varianza entre dos tomas reales sea igual a 100, PhyGround puntuado en una escala de cinco puntos por Qwen3.8-27B, RBench como una media no ponderada sobre cinco categorías de tareas y cuatro de encarnación. Son decisiones defendibles, y ninguna de ellas es una verificación de terceros.

La evaluación humana es la evidencia más sólida del lanzamiento y también la más limitada. Preferencia por pares a ciegas sobre 140 prompts —90 de texto a vídeo, 50 de imagen a vídeo—, evaluada en cuanto a adherencia a la acción, física y consistencia del mundo por 13 revisores en 1.400 comparaciones, con Elo ajustado mediante Bradley–Terry y centrado en 1500. Trece revisores es un panel pequeño, y estaban evaluando el propio modelo del equipo frente a las líneas base. Es más de lo que publican la mayoría de los laboratorios. No es una tabla de clasificación.

Y la sección de limitaciones es más contundente de lo que es habitual en el género: alrededor de dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Esa única frase es el dato más importante del anuncio, y es justamente el que una publicación de lanzamiento habría enterrado.

La cifra de rendimiento en la receta es lo que realmente importa.

El soporte del framework importa por lo que afirma la receta, no porque se haya añadido un logotipo. La página de la receta de vLLM indica que PAN 2 genera 13 segundos de vídeo de 704×1248 en aproximadamente 119 segundos en cuatro GPU B300, usando paralelismo de guía sin clasificador entre dos rangos y paralelismo de secuencia Ulysses entre dos. La configuración predeterminada es de ocho H200 en BF16, y el comando serve documentado añade paralelismo de parches VAE entre cuatro rangos en modo tile — un detalle que solo importa porque decodificar un clip de 704×1248 de 20 segundos es, en sí mismo, un problema de memoria.

Compara esos números con los ajustes del muestreador. Cincuenta pasos con guidance en cada paso implican cien pasadas hacia adelante por un transformer de 29B por clip. Por eso la guía ejecuta el guidance en paralelo en lugar de secuencialmente. También por eso la pregunta práctica sobre PAN 2 no es «qué tan bueno es», sino «cuánto me cuesta un clip», y la respuesta con la propia receta del proveedor es un nodo de cuatro GPU durante dos minutos por cada trece segundos de vídeo. Nadie ha publicado una configuración más barata, y el valor predeterminado de ocho H200 de la receta sugiere que la configuración de cuatro B300 es un aprieto más que un mínimo cómodo.

Si quieres probarlo, el planner es la parte que puedes alquilar.

El diseño de dos etapas de PAN 2 tiene una consecuencia práctica curiosa. La mitad costosa —el backbone de difusión de 29B— es la mitad que hay que alojar por cuenta propia, porque nadie la ofrece como servicio y MBZUAI no ha construido uno. La mitad barata, el razonador conceptual que escribe la descripción estructurada del estado del mundo, es un modelo de texto ordinario y puede ser cualquiera que siga instrucciones.

Ahí es donde un router se gana su lugar. El informe de PAN 2 evalúa cuatro razonadores y los clasifica según la finalización del plan completo: Claude Opus 5.5 primero, después GPT-6 Astra con esfuerzo medio, luego Kimi K3 y por último Qwen3.8-Flash. Qwen3.8-Flash está en OrcaRouter, así que puedes impulsar la etapa de descripciones de PAN 2 a través de una sola clave de API con conmutación por error automática en lugar de levantar un segundo modelo local junto al stack de difusión, y pagar el precio de lista del proveedor con un 0 % de recargo repercutido. El renderizador se queda en tus GPUs; el planificador no tiene por qué.

Deja claro qué es y qué no es. OrcaRouter no aloja PAN 2 ni puede enrutarlo: no hay ningún PAN 2 alojado en ningún sitio al que enrutar. Lo que sí puede hacer es mantener la mitad lingüística de un pipeline de modelo del mundo en una API con tarifa por uso mientras dimensionas la mitad de vídeo según tu propio hardware. Si prefieres ejecutar ambas etapas en local, el repositorio también lo admite, y el script prompt-rewriter se incluye precisamente para ese caso.

¿Qué se consideraría un anuncio?

Tres cosas, en orden ascendente de importancia. Una publicación, un artículo o una página de IFM o MBZUAI que nombre a PAN 2 y indique una fecha de lanzamiento o una versión; el tuit del 10 de noviembre cumplió con la primera mitad de eso y no con la segunda. Un endpoint de inferencia alojado, lo que permitiría comparar costos con modelos de video cerrados en lugar de con el alquiler de GPU. Y un benchmark independiente ejecutado por alguien que no sea el autor del modelo: Physics-IQ, PhyGround o RBench puntuados por un tercero, con prompts que el equipo no eligió.

Hasta que al menos el primero de ellos llegue por completo, la descripción honesta de PAN 2 es esta: un artefacto de investigación con licencia Apache-2.0 con una ruta de servicio funcional, un formato de prompt documentado, una sección de limitaciones sincera, una publicación en redes sociales y ninguna oferta comercial detrás. Eso es más que un preprint y menos que un producto. El soporte del framework que llegó el 10 de noviembre no lo convirtió en un lanzamiento. Hizo que pudiera ejecutarlo gente que no quiere parchear un repositorio para conseguir un primer frame.

En resumidas cuentas

PAN 2 es el raro caso en el que la ingeniería va por delante del papeleo. Si estás creando simulación de agentes, evaluación de robótica o investigación de razonamiento físico y tienes un nodo de cuatro GPU, los pesos están ahí, la receta está ahí y el diseño de dos etapas está documentado con la suficiente claridad como para reproducirlo. Si necesitas un precio por clip, un acuerdo de nivel de servicio o un proveedor al que llamar, nada de eso existe todavía, y las fusiones del 10 de noviembre no lo crearon. El modelo se lanzó discretamente, si es que "lanzó" es siquiera la palabra para un repositorio, una fusión y una publicación de dos párrafos. Que algún día se anuncie en el sentido que un comprador reconocería es una cuestión distinta de si funciona, y solo una de esas dos cosas tiene respuesta hoy.