PAN 2 vs Agora-2: uno simula las consecuencias, el otro mantiene un mundo en funcionamiento

Veinte personas en un solo mundo suenan a más de una persona imaginando lo que ocurre después. Ahí está toda la confusión entre PAN 2 y Agora-2, y merece la pena desenredarla antes de que alguien los compare entre sí con pruebas de referencia. Agora-2 es la vista previa de investigación jugable de Odyssey, publicada el 21 de septiembre de 2026, que admite veinte participantes en un entorno simulado compartido —cuatro de ellos controladores humanos y dieciséis políticas aprendidas— y mantiene coherente su mundo incluso cuando un jugador aparta la vista. PAN 2 es el simulador de pesos abiertos de 29 mil millones de parámetros de IFM, publicado como 86,17 gigabytes de checkpoint Apache-2.0, que toma un fotograma y una acción descrita y devuelve hasta veinte segundos de vídeo prediciendo la consecuencia. Uno es un servidor para un mundo. El otro es una pregunta que le haces a un mundo. La superposición de vocabulario es casi total y la superposición de función es casi nula, que es exactamente por lo que la comparación sigue haciéndose mal.

El número que viaja no es el número que importa.

La cobertura de Agora-2 abre con los veinte, y el propio artículo de Odyssey lo fomenta. La composición es más interesante que el número. Cuatro controladores humanos simultáneos aportan la entrada de movimiento y acción; dieciséis entidades autónomas se rigen por políticas de monstruos y compañeros que Odyssey entrenó con el mismo corpus del que se aprendió el mundo: capturas de Diablo II. Así que la sesión no son veinte personas en una sala. Es un problema de renderizado con una máquina de estados muy pequeña en su centro, disfrazado de servidor de juego.

Esa arquitectura es lo que hace de Agora-2 un tipo de objeto distinto de PAN 2. Odyssey separa aquello que decide lo que ocurre de aquello que decide cómo se ve, y la diferencia de tamaño entre ambos es la cifra más llamativa del informe: el modelo de simulación tiene 4.457.777 parámetros —aproximadamente 4,5 millones, cuatro capas de ancho, catorce ramas de movimiento, una ventana de historial de cuatro pasos—, mientras que el renderizador es un transformer de flow-matching de aproximadamente mil millones de parámetros que ejecuta cinco pasos del solucionador por actualización, condicionado por un prefijo de 342 tokens que describe el mapa, las entidades, los efectos transitorios, la cámara y la plantilla.

PAN 2 hace lo contrario. Emplea casi toda su capacidad en la percepción: un transformer de difusión multimodal de 29B predice los fotogramas, y la parte que decide lo que ocurre no es en absoluto un simulador aprendido, sino un modelo de lenguaje que escribe una descripción estructurada y anclada en el tiempo de eventos, acciones y movimiento de cámara. Agora-2 sitúa su inteligencia en una pequeña representación explícita del estado. PAN 2 sitúa su inteligencia en el renderizador y delega el razonamiento al texto.

• Decide qué sucede — Agora-2: un modelo de simulación aprendido de 4,46 M de parámetros con estado explícito de entidad; PAN 2: cualquier modelo de lenguaje que sigue instrucciones y escribe una descripción del estado del mundo.

Lo renderiza — Agora-2: un renderizador de coincidencia de flujo de ~1B con cinco pasos del solucionador por actualización; PAN 2: un transformer de difusión de 29B en cincuenta pasos con guiado en cada paso.

• Horizonte temporal — Agora-2: una sesión abierta que persiste; PAN 2: hasta 20 segundos por clip, como máximo un fotograma inicial, con deriva entre clips.

• Entrada — Agora-2: comandos de movimiento y acción de los controladores, además de políticas aprendidas; PAN 2: un primer fotograma opcional, además de una descripción estructurada de la acción en texto.

• Participantes — Agora-2: 4 humanos y 16 políticas en un estado compartido; PAN 2: ninguno, es un generador por lotes.

• Acceso — Agora-2: sin pesos, sin repositorio, sin licencia y sin precio; PAN 2: pesos Apache-2.0, sin restricciones, con código en GitHub y una receta de vLLM.

La persistencia es lo que Agora-2 realmente resolvió.

Si se elimina el enfoque multijugador, la verdadera contribución de Agora-2 es una frase en la publicación de Odyssey: como las propiedades de las entidades se conservan independientemente de cualquier vista en particular, siguen disponibles cuando una entidad queda fuera de plano. Un generador de vídeo que se condiciona solo con los fotogramas recientes pierde al monstruo en el momento en que te das la vuelta. Un modelo del mundo que mantiene estado explícito no. Esa es la decisión de diseño que separa a Agora-2 de todos los modelos de vídeo con ambiciones multijugador, y es la razón por la que veinte participantes es una afirmación sobre gestión de estado y no sobre renderizado.

PAN 2 no hace tal afirmación, y su tarjeta de modelo lo dice. Cada clip se simula a partir de como máximo un fotograma inicial más texto, por lo que la apariencia deriva entre clips en interacciones prolongadas, y la tarjeta señala la memoria perceptiva mantenida junto con el estado basado en texto como lo que se necesitaría para solucionarlo. En otras palabras: PAN 2 sabe que tiene el problema de Agora-2 y no lo ha resuelto, y Agora-2 resolvió una versión de este manteniendo el mundo lo suficientemente pequeño como para contenerlo en un tensor explícito.

Leídos en conjunto, los dos diseños delimitan el campo. Si tu mundo se puede describir con 4,5 millones de parámetros —una cuadrícula de mapa, una lista de entidades, un conjunto de ramas de movimiento—, la persistencia es tratable y obtienes una sesión. Si tu mundo es consecuencia física de dominio abierto, necesitas un renderizador que entienda materiales y contacto, y la persistencia se convierte en un problema de investigación abierto en el momento en que la cámara se mueve.

Cuánto cuesta una sesión y cuánto cuesta una simulación

Ninguna de las dos cifras se publica como precio, porque ninguno de los dos modelos se vende. Ambas se publican como hardware, que es más útil.

El plan de servicio de Odyssey para una sesión de cuatro jugadores consta de cuatro tarjetas NVIDIA RTX PRO 4500: un renderizador por GPU, y una de esas GPU también aloja el modelo de simulación y las políticas de los agentes, con el objetivo de quince actualizaciones latentes por segundo frente a treinta fotogramas mostrados por segundo. El informe reconoce con claridad que esas dos cifras son objetivos, no mediciones; la sección 8 enumera la tasa de fotogramas sostenida y la latencia de entrada a pantalla durante la interacción en vivo de múltiples agentes como no evaluadas cuantitativamente. La factura de entrenamiento también se desglosa: sesenta mil actualizaciones sobre 4.232.000 segmentos, luego sesenta mil más sobre 4.332.800, ejecutadas en 32 GPU B200.

El equivalente de PAN 2 es la receta de vLLM: trece segundos de vídeo de 704×1248 en aproximadamente 119 segundos en cuatro GPU B300, con un valor predeterminado documentado de ocho H200 en BF16. Cincuenta pasos del muestreador con guiado sin clasificador en cada paso —cien pasadas hacia delante por un transformer de 29B por clip— es la razón por la que el guiado se paraleliza entre dos rangos y el paralelismo de secuencia entre otros dos.

Las dos configuraciones son de escala similar, y ahí termina el parecido. Cuatro tarjetas compran una sesión que sigue en ejecución. Cuatro tarjetas, en PAN 2, compran dos minutos por cada trece segundos de consecuencia renderizada, y el costo de un plan es el costo de cada candidato que el planificador consideró. El número de Odyssey es un piso de rendimiento para una experiencia. El de IFM es un precio por pregunta.

Solo uno de estos se puede construir hoy.

Esta es la parte en la que la comparación deja de ser arquitectónica.

Agora-2 es una vista previa de investigación con una demo jugable en la propia dirección de Odyssey y un informe técnico. No hay pesos, ni repositorio, ni licencia, ni API de inferencia, ni precio. Odyssey enmarca la trayectoria hacia la interacción multiagente dentro de modelos fundacionales del mundo como trabajo futuro, con PROWL como línea de investigación y Odyssey-3 como destino final. En la práctica: puedes jugarlo, no puedes construir sobre él, y ningún tercero puede servírtelo tampoco.

PAN 2 es la disposición contraria. Pesos en Hugging Face desde el 7 de octubre de 2026, sin restricciones de acceso, Apache-2.0 en su propio código y pesos; repositorio de GitHub con scripts de inferencia y entrenamiento desde el 5 de noviembre; soporte de vLLM-Omni desde el día 0, fusionado el 10 de noviembre; una barrera de seguridad distribuida como repositorio separado con sus propias cifras de falsos positivos. El anuncio de IFM fue una sola publicación en su propia cuenta de X —«Presentamos PAN 2: un modelo fundacional abierto del mundo para la inteligencia física»— sin entrada de blog, enlace al paper, endpoint alojado ni página de precios. Eso es un anuncio escueto envuelto en torno a un artefacto sustancioso, que es lo inverso de la publicación pulida de Agora-2 en torno a una demo cerrada.

Si tu pregunta es «qué puedo poner en producción este trimestre», la respuesta es ninguno de los dos, pero por razones distintas. Agora-2 no tiene un camino desde la demo hasta el despliegue que Odyssey haya descrito. PAN 2 tiene un camino —los pesos y la receta— y una limitación que decide si deberías recorrerlo: aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo, según la propia sección de limitaciones de la tarjeta del modelo.

El híbrido que ningún laboratorio ha construido

La pregunta de ingeniería interesante no es qué modelo gana. Es cómo se ve un sistema que use cada uno para aquello en lo que es bueno, y ninguno de los dos proveedores lo ofrece.

Imagina un agente que necesita planificar dentro de un mundo persistente. El diseño de Agora-2 muestra cómo mantener el mundo estable: estado explícito, un prefijo de condicionamiento estructurado, políticas lo suficientemente pequeñas como para ejecutarse junto a un renderizador. El diseño de PAN 2 muestra cómo responder "qué pasa si" sobre una interacción física: entregar la pregunta a un modelo de lenguaje, obtener una descripción estructurada, renderizar la consecuencia, observarla. Una pila que conservara el estado de Agora-2 y le pidiera a PAN 2 la física de grano fino dentro de una celda de este sería estrictamente mejor que cualquiera de los dos, y requeriría que ambos laboratorios abrieran algo que no han abierto.

Lo que puedes hacer hoy es la mitad que no necesita ninguno de los dos modelos. El planificador de PAN 2 se define como cualquier modelo de lenguaje que siga instrucciones, e IFM clasificó cuatro de ellos por tasa de finalización de planes completos: Claude Opus 5.5, GPT-6 Astra con esfuerzo medio, Kimi K3 y Qwen3.8-Flash. Los cuatro están en OrcaRouter, así que la etapa de caption de un pipeline de PAN 2 puede ejecutarse a través de un único endpoint con conmutación automática por error y el precio de lista de cada proveedor trasladado con un 0 % de margen, cambiado por experimento en lugar de por contrato. OrcaRouter no aloja PAN 2 ni puede enrutarlo —el renderizador de 29B se queda en tus GPU— y, desde luego, no puede alojar Agora-2, algo que nadie puede hacer. Lo que un router sí puede hacer es mantener elástica la mitad de razonamiento mientras la mitad de simulación queda fijada al hardware que ya tienes.

Cómo decidir

Si estás creando un juego, un entorno de entrenamiento para agentes que deben operar en un espacio compartido, o cualquier cosa en la que el mundo tenga que mantenerse coherente mientras varios actores se mueven por él, Agora-2 es la pieza de investigación más relevante y la menos disponible. Lee el informe, prueba la vista previa y considera los veinte participantes como una declaración sobre el diseño de estados en lugar de una capacidad que puedas alquilar.

Si necesitas evaluar resultados físicos —¿se sostendrá este agarre?, ¿se derramará este vertido?, ¿sobrevive este plan al contacto con la escena?—, Agora-2 no tiene nada para ti y PAN 2 es descargable, está documentado y es honesto sobre omitir un paso en la mayoría de los planes. Presupuesta las GPU antes de presupuestar la ingeniería: cuatro B300 durante dos minutos por cada trece segundos fija el costo de cada candidato que considere tu planificador.

Durante un tiempo se compararán los dos, porque «modelo del mundo» es actualmente una etiqueta que se aplica a cualquier cosa que prediga algo visual. La etiqueta no aporta nada aquí. Uno de estos sistemas es un lugar que permanece fijo mientras las personas se mueven por él. El otro es una pregunta sobre lo que ocurrirá después, respondida bajo demanda, con la respuesta limitada a veinte segundos. Confundirlos cuesta un cuarto del tiempo de ingeniería; distinguirlos cuesta una tarde.