PAN 2 vs ABot-Earth 0.7: Dos modelos del mundo, separados por un eje

A ambos se les llama modelos del mundo. Ambos salieron en los últimos dos meses de 2026. Ambos te mostrarán un lugar en el que nunca has estado. Y no son sustitutos entre sí en ningún sentido que le importe a un comprador, porque PAN 2 predice lo que ocurrirá a continuación en una escena durante los siguientes veinte segundos, mientras que ABot-Earth 0.7 genera una ciudad de escala kilométrica que puedes recorrer durante todo el tiempo que quieras. Uno es un modelo de consecuencias. El otro es un modelo de lugares. Si estás eligiendo entre ellos para un proyecto, el primer paso honesto es darte cuenta de que la pregunta «cuál es mejor» no tiene respuesta, y la pregunta útil —cuál necesita realmente tu pipeline y si puedes conseguirlo— sí la tiene.

La segunda cuestión es donde ambos divergen radicalmente, y no es cuestión de gustos. PAN 2 se distribuye como 86,17 gigabytes de pesos Apache-2.0 con soporte de servicio integrado en vLLM-Omni; puedes descargarlo esta tarde y ejecutarlo en tus propias GPU. ABot-Earth 0.7 es un sistema de producción dentro de la app de consumo de Amap, sin API pública, sin pesos y con una lista blanca para su función de generación. Uno de estos es un artefacto que puedes tener en tus manos. El otro es una demostración que puedes ver.

Lo que emite cada uno, exactamente

PAN 2 recibe una observación —un primer fotograma opcional más una descripción textual— y un conjunto de acciones descritas en texto, y devuelve un MP4. Internamente es una máquina de dos etapas: un modelo de lenguaje escribe una descripción estructurada del estado del mundo anclada en el tiempo, un codificador de texto congelado la transforma en características de condicionamiento, y un transformador de difusión multimodal de 29B renderiza hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo. La salida es breve, costosa y específica: responde a «qué le hace esta acción a esta escena», y la respuesta está acotada a veinte segundos porque cada clip se simula a partir de como máximo un fotograma inicial.

ABot-Earth 0.7 toma una imagen satelital georreferenciada, o un prompt de texto, y devuelve una escena de Gaussian Splatting en 3D con estructuras jerárquicas de nivel de detalle, exportable a Unreal Engine y Unity. Amap —el brazo cartográfico de Alibaba— lo presentó en su gala Street Stars en Hangzhou el 10 de septiembre de 2026, presentándolo como el primer modelo nativo de mundo urbano en 3D y afirmando que tarda aproximadamente diez minutos en generar un entorno a escala de kilómetro sobre una única GPU de consumo. El resultado es un lugar, no un instante: lo exploras, no esperas a que se resuelva.

Puestos uno al lado del otro, la forma del desajuste es evidente.

• Salida — PAN 2 devuelve un MP4 de 20 segundos a 704×1248 y 24 fps; ABot-Earth 0.7 devuelve una escena 3DGS con estructuras LOD, exportable a Unreal y Unity.

• Entrada — PAN 2 toma un primer fotograma más una descripción estructurada de la acción; ABot-Earth 0.7 toma una imagen satelital o una indicación de texto.

• Horizonte temporal — PAN 2 simula segundos hacia adelante y, más allá de eso, deriva entre clips; ABot-Earth 0.7 es estático en el tiempo, una instantánea de un lugar que no evoluciona.

• Dispositivo — la configuración de servicio predeterminada documentada de PAN 2 es de ocho H200 en BF16, con una receta de cuatro B300 para trece segundos en 119 segundos; se afirma que ABot-Earth 0.7 funciona en una única GPU de consumo para un kilómetro en diez minutos.

• Acceso — PAN 2 es Apache-2.0 en Hugging Face, sin restricciones, con código en GitHub; ABot-Earth 0.7 no tiene pesos, ni API pública, y cuenta con una función de generación solo por invitación.

• Evaluación independiente: ninguno de los dos tiene ninguna. Ambos conjuntos de cifras proceden de los laboratorios que desarrollaron los modelos.

El tiempo y el espacio no son el mismo eje.

La distinción que subyace a todo esto merece mencionarse, porque cambia para qué sirve cada modelo. ABot-Earth extiende una escena a través del espacio: a partir de una sola tesela satelital, sintetiza los edificios, las calles y los interiores que verías si volaras hasta allí, y los mantiene coherentes a medida que pasas de la vista general de la ciudad al nivel de calle. Su promesa es cobertura y fidelidad a escala.

PAN 2 extiende una escena a lo largo del tiempo: a partir de un fotograma y una acción descrita, predice los fotogramas que siguen, y lo que intenta acertar es la cadena causal: la salpicadura cambia cuando cambia el objeto, porque cambiaron la masa y la superficie, y el modelo ha aprendido esa relación en lugar de memorizar una salpicadura. El planteamiento de IFM es que un modelo de lenguaje predice la siguiente palabra y PAN 2 predice el siguiente mundo, y la demostración que se presentó el 11 de noviembre de 2026 lo hace concreto: deja caer una fresa en un cuenco, luego conviértela en un patito de goma, después cambia el líquido, y las tres simulaciones difieren de formas que se derivan de la física.

Una aplicación que necesita uno rara vez necesita el otro. Un equipo de robótica que evalúa agarres candidatos necesita el eje de PAN 2. Un producto de cartografía, un despliegue de gemelo digital o un estudio de videojuegos que construye un entorno necesita el de ABot-Earth. La superposición es una banda estrecha en la que alguien quiere colocar una ciudad generada en una simulación y luego animar lo que ocurre dentro de ella; y ahí, los dos se compondrían en lugar de competir, si se pudiera obtener la segunda mitad.

La comparación que de verdad importa: ¿puedes ejecutarlo?

En cuanto a capacidad, los dos son incomparables y nadie ha intentado compararlos. En cuanto a adquisiciones, son como el día y la noche.

La historia de acceso de PAN 2 es inusualmente completa para un lanzamiento de investigación. Los pesos se publicaron el 7 de octubre de 2026 con una tarjeta de modelo, configuraciones y una skill de reescritura de prompts; el repositorio de GitHub con scripts de inferencia y entrenamiento llegó el 5 de noviembre; vLLM-Omni integró el soporte Day-0 de texto a vídeo e imagen a vídeo el 10 de noviembre, y una página de recetas llegó esa misma noche, en la que se documentan la configuración de cuatro B300 y la predeterminada de ocho H200. IFM publicó su anuncio en X a las 17:00 UTC del 10 de noviembre —cincuenta y seis minutos después de la fusión del framework— con el texto «Presentamos PAN 2: un modelo fundacional de mundo abierto para la inteligencia física». Sin entrada de blog, sin enlace al artículo, sin endpoint alojado, sin precio. Pero el modelo en sí se puede descargar, y la licencia permite el uso comercial.

La historia de acceso de ABot-Earth 0.7 es la opuesta. El sitio de experiencia está activo, pero la generación es solo por invitación: la interfaz describe la creación como en beta y ofrece una solicitud de lista blanca. No hay precios publicados, ni tarifas, ni documentación para desarrolladores que describa cómo lo llamaría un sistema externo. La versión 0.5 de junio publicó un informe técnico en arXiv y un repositorio en GitHub, y ese repositorio albergaba el informe en lugar de una implementación; nada de lo anunciado con 0.7 sugiere que los pesos se hayan abierto. El sitio también está íntegramente en chino simplificado, sin selector de idioma, así que evaluarlo en inglés significa trabajar a partir de los materiales de prensa de Amap.

Para la mayoría de los equipos, eso pone fin a la comparación antes de que se hable de capacidad. Un modelo al que no puedes llamar no es un candidato; es una referencia de cómo será la categoría cuando pase a ser accesible.

Qué tiene Amap que IFM no tiene, y por qué no se transfiere

La razón por la que ABot-Earth 0.7 merece tomarse en serio a pesar del problema de acceso es que no es una demostración de laboratorio. Impulsa Flying Street View 2.0, la función de consumo que sustituyó los recorridos aéreos de ruta fija por un espacio 3D explorable libremente, y Amap afirma que más de 880 millones de personas han usado la superficie Street Stars en la que se integra. Las pruebas están activas en locales seleccionados de ciudades como Pekín y Hangzhou, con casos de uso que la empresa menciona concretamente: comprobar la línea de visión desde una butaca concreta de un teatro, orientarse dentro de un centro comercial y evaluar el terreno antes de un viaje.

Detrás de eso hay una posición de datos que ningún laboratorio de modelos puede copiar rápidamente — Amap cita casi mil millones de usuarios activos mensuales, picos de llamadas diarias de posicionamiento Beidou cercanos a un billón, y décadas de datos espaciotemporales acumulados que abarcan redes de carreteras, puntos de interés y tráfico en vivo. La arquitectura 3DGS es trabajo publicado. El corpus que subyace no lo es.

Nada de esto ayuda a un desarrollador externo, y esta es la parte que la cobertura del lanzamiento tiende a pasar por alto. Las cifras destacadas de Amap —diez minutos por kilómetro cuadrado, hasta 1.000 veces más rápido que la reconstrucción tradicional a alrededor de 1/100 del coste, más de 196 países y regiones, y una salida 3DGS lista para Unreal y Unity— las reporta el proveedor, ninguna ha sido reproducida de forma independiente, y se entregan junto con una lista blanca en lugar de un endpoint. El despliegue para consumidores es en sí mismo una forma de prueba de que el sistema funciona a escala. No es prueba de que tú puedas ejecutarlo.

Dónde cada uno se gana su lugar en una build

Supón por un momento que puedes conseguir ambos, ya que esa es la situación hacia la que se dirige la categoría. La división es clara.

PAN 2 es un filtro para acciones candidatas. Su diseño asume un agente ya en el bucle: el razonador conceptual es cualquier modelo de lenguaje que sigue instrucciones, e IFM clasificó a cuatro de ellos según la finalización de plan completo —Claude Opus 5.5, GPT-6 Astra con esfuerzo medio, Kimi K3, Qwen3.8-Flash—, lo que te indica que la forma prevista es un razonador que propone planes y un simulador que representa sus consecuencias para que el razonador pueda elegir uno. El costo de ese bucle es el factor que debe guiar la planificación, no la calidad del vídeo: cincuenta pasos del muestreador con guía en cada paso son cien pases hacia delante por un transformer de 29B por clip, y un plan de cinco candidatos y diez pasos son cincuenta clips.

Esa ranura de razonador es la única pieza de la pila que no necesita un clúster de GPU, y los cuatro modelos clasificados de IFM están en el catálogo de OrcaRouter. Ejecutar el reescritor de prompts a través de una sola clave de API te permite cambiar de planificador por experimento en lugar de por contrato, con la conmutación automática por error absorbiendo la degradación del proveedor y los precios de lista del proveedor repercutidos con un 0 % de margen, por lo que un cambio de precio del proveedor está activo en el endpoint el día en que ocurre, en lugar de después de un ciclo de adquisición. OrcaRouter no aloja PAN 2 y no puede enrutarlo —la mitad de difusión permanece en tu hardware—, pero la mitad que decide qué simular es trabajo de texto medido ordinario, y es donde realmente reside la varianza entre ejecuciones.

ABot-Earth es una fábrica de entornos. Su producto natural es un lugar donde colocar cosas: un campo de entrenamiento para agentes encarnados, un gemelo digital, datos de conducción sintéticos, un escenario para una simulación. Si alguna vez lanza una API, el flujo de trabajo que habilita es complementario al de PAN 2 en lugar de redundante —generar el mundo una vez y luego simular acciones dentro de él—, y los formatos de exportación que Amap ya promociona son el punto de unión.

¿Qué cambiaría esta página?

Para ABot-Earth 0.7, una cosa por encima de todo: una API publicada con un precio. Ese único paso convierte una lista blanca en un candidato y hace que la comparación de costos frente a la factura de GPU de PAN 2 sea significativa. Detrás de ello quedan tres incógnitas menores —si aparece o no un informe técnico de 0.7, ya que 0.5 tuvo uno en cuestión de días; si los pesos se abren, lo que lo convertiría en una propuesta genuinamente diferente para los equipos de simulación a los que Amap dice estar cortejando; y si alguien fuera de Amap reproduce la afirmación de diez minutos por kilómetro cuadrado en hardware propio.

Para PAN 2, la pieza que falta es un estudio de fallos. La ficha de su modelo admite que alrededor de dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo, y que aún no se ha medido con qué fidelidad simula planes que deberíanfallar. Un simulador que no puede mostrarte un resultado negativo es un filtro a medias. También ayudaría una evaluación independiente de las cifras de capacidad; todas las cifras del informe de IFM provienen del sistema de pruebas de IFM, con un panel de trece revisores para el estudio humano.

¿Cuál elegir?

Si necesitas un lugar —una ciudad, el interior de un edificio, terreno, cualquier cosa que de otro modo reconstruirías con datos de levantamiento—, PAN 2 no puede ayudarte y ABot-Earth 0.7 es el sistema más impresionante, pero todavía no puedes tenerlo, así que la respuesta práctica es seguir con tu pipeline de reconstrucción actual y estar atento a una API. Si necesitas saber qué hace una acción antes de tomarla, ABot-Earth no puede ayudarte en absoluto —una escena estática no tiene consecuencias— y PAN 2 es uno de los pocos modelos de pesos abiertos que lo intenta, con los pesos, el código, la receta de servicio y la tasa de fallos publicados por completo.

La comparación que la gente busca, como si se tratara de productos rivales en una estantería, no existe. Lo que existe es una categoría —los modelos del mundo— que se divide a lo largo de un eje que la mayoría de la cobertura no se ha molestado en nombrar. Un lado modela dónde están las cosas. El otro modela qué ocurre después. A finales de 2026, solo uno de ellos incluye un enlace de descarga.