PAN 2 vs Gemma 4 12B: un simulador y un razonador no son rivales

Cada página de comparación en internet quiere un ganador, y esta no puede tenerlo con honestidad, porque PAN 2 y Gemma 4 12B no realizan la misma tarea. PAN 2 es un transformer de difusión de vídeo de 29 mil millones de parámetros del Institute of Foundation Models de MBZUAI que toma una imagen y una descripción de acciones y devuelve hasta veinte segundos de vídeo de 704×1248 que muestra lo que ocurre a continuación. Gemma 4 12B Unified es un modelo de lenguaje multimodal sin codificador de 11,95 mil millones de parámetros de Google DeepMind que toma texto, imágenes y audio y devuelve texto. Uno representa consecuencias; el otro habla de ellas. Si llegaste buscando una tabla de benchmarks que los clasifique entre sí, no existe ninguna y ninguna podría existir: no comparten evaluación. Lo que sí existe es una decisión real, porque los dos se despliegan cada vez más en la misma canalización: el razonador escribe el plan, el simulador te muestra lo que hace el plan. Así que la pregunta útil no es cuál es mejor, sino cuál necesita realmente tu problema, y cuánto te cuesta mantener cada uno.

La discrepancia, expresada sin rodeos

Gemma 4 12B tiene una tabla de evaluación pública y PAN 2 no, y esa asimetría no es una señal de calidad: es una señal de categoría. Google publica MMLU Pro, GPQA Diamond, AIME, LiveCodeBench y una docena de otros benchmarks de texto y visión porque los modelos de lenguaje se miden con una vara de medir compartida que existe desde hace años. La tarjeta de PAN 2 publica Physics-IQ Verified, PhyGround, RBench y un estudio de preferencia humana porque los modelos del mundo de video se miden con instrumentos que se inventaron hace poco, en su mayoría por los laboratorios que construyen los modelos.

• Parámetros — PAN 2: 29B en un único transformer de difusión multimodal, con un codificador de texto Qwen3.5-9B congelado y un VAE Wan 2.2 cargado junto. G​emma 4 12B: 11.95B, 48 capas, sin codificador, con parches de imagen sin procesar y formas de onda de audio proyectados directamente en el espacio de embeddings del decodificador.

• Entradas y salidas — PAN 2: un primer fotograma opcional más una descripción estructurada del estado del mundo, y sale un MP4. G​emma 4 12B: texto, imagen, audio y vídeo de entrada, texto de salida, con un contexto de 256K tokens y soporte nativo de system prompt.

• Licencia — PAN 2: Apache-2.0 en su propio código y pesos, con componentes de terceros bajo sus propios términos. G​emma 4 12B: Apache-2.0 bajo los términos de la licencia de G​emma 4.

• Pesos en disco — PAN 2: 86,17 GB repartidos en sesenta archivos del repositorio IFM/PAN2, de los cuales 67,37 GB corresponden al propio transformer y 15,87 GB al codificador de texto. G​emma 4 12B: unos 12 mil millones de parámetros en BF16, aproximadamente una cuarta parte solo del transformer.

En qué es realmente bueno cada uno, según su propia evidencia

Los números de G​emma 4 12B son los más legibles de los dos y son respetables para su tamaño. El MMLU Pro reportado por el proveedor, de 77,2 %, GPQA Diamond, de 78,8 %, AIME 2026 sin herramientas, de 77,5 %, LiveCodeBench v6, de 72,0 %, y una calificación de Codeforces de 1659 lo sitúan muy por encima de la generación anterior: G​emma 3 27B obtiene 67,6 %, 42,4 %, 20,8 %, 29,1 % y 110 en las mismas filas. En visión, registra MMMU Pro 69,1 % y MATH-Vision 79,7 %. En contexto largo, MRCR v2 con ocho agujas a 128K alcanza 43,4 %. Esas son evaluaciones de G​oogle de su propio modelo, y la ficha lo indica; considérelas una afirmación del proveedor bien documentada en lugar de un veredicto independiente.

PAN 2 no tiene nada comparable y no pretende tenerlo. Su afirmación es más limitada y más extraña: que un modelo de difusión condicionado a una descripción estructurada y anclada en el tiempo simulará las consecuencias físicas y causales de una acción lo suficientemente bien como para que un agente compare planes candidatos antes de comprometerse con uno. El respaldo de esa afirmación es un estudio de 300 casos de una sola acción en seis categorías de capacidades, un estudio de 200 prompts de varios pasos con 456 pasos y una prueba de preferencia humana a ciegas con 1.400 comparaciones. Los tres son del propio equipo. Ninguno de ellos se traslada a nada de lo que se mide en G​emma 4 12B.

La cuestión del despliegue es donde la comparación duele.

Aquí los dos modelos dejan de ser incomparables, porque ambos tienen que funcionar en hardware que tú pagas.

Gemma 4 12B se ejecuta en una única GPU de consumo o de estación de trabajo con BF16 y con bastante menos mediante cuantización. Cuenta con soporte desde el primer día en las pilas de inferencia estándar, un vocabulario de 262K y un conjunto documentado de valores predeterminados de muestreo y de modo de pensamiento. Si tu carga de trabajo es la comprensión de documentos, la llamada a herramientas o el razonamiento sobre un contexto largo, este es un despliegue aburrido y muy trillado, y las decisiones interesantes giran por completo en torno a la formulación de prompts.

PAN 2 no tiene un despliegue aburrido. El propio titular de la receta de vLLM es que trece segundos de vídeo de 704×1248 tardan unos 119 segundos en cuatro GPU B300, con la guía sin clasificador paralelizada entre dos rangos y el paralelismo de secuencia Ulysses entre dos. El valor predeterminado es ocho H200 en BF16. El muestreador ejecuta cincuenta pasos con guía en cada paso —cien pasadas hacia delante por un transformador de 29B por clip—, y por eso el paralelismo no es opcional. Y el formato de condición no es texto libre: el modelo espera una leyenda estructurada del estado del mundo, y el repositorio incluye una habilidad de reescritura de prompts con un validador que impone un límite flexible de 1480 tokens y una capacidad máxima de 1536 frente al presupuesto del codificador de texto.

Ese último detalle es el que decide la mayoría de las evaluaciones. No puedes escribir un deseo en PAN 2 y obtener un vídeo. Tienes que describir los eventos en orden, vincular las acciones a los actores y especificar el movimiento de cámara, y la ficha del modelo deja claro que los estudios de caso de agentes se basaron en prompts refinados a mano. G​emma 4 12B aceptará encantado un párrafo de prosa y te devolverá algo útil al primer intento. Si quieres saber qué se siente al usar PAN 2 en la práctica, la respuesta sincera es que se siente como un modelo con un contrato de interfaz, no como una caja de chat.

Donde ambos pertenecen al mismo sistema

La razón por la que esta comparación sigue surgiendo es que el trabajo con agentes ahora necesita ambas mitades. Un agente que planifica en texto y actúa en un entorno real necesita un razonador que decida qué hacer y, cada vez más, un simulador que permita previsualizar cómo sería hacerlo. G​emma 4 12B puede ser el razonador: es lo bastante pequeño para ubicarse junto al resto de un stack, maneja imágenes y audio como entradas, y sus puntuaciones de seguimiento de instrucciones y uso de herramientas son lo más destacado del modelo. PAN 2 puede ser el simulador, y su propia arquitectura da por hecho que algo como G​emma ya forma parte del bucle: el razonador conceptual se define como cualquier modelo de lenguaje que sigue instrucciones, y el informe clasifica a cuatro de ellos según con qué frecuencia un plan simulado se completa de extremo a extremo: Claude Opus 5.5 primero, después GPT-6 Astra con esfuerzo medio, luego Kimi K3 y después Qwen3.8-Flash.

Si esa es la forma de tu sistema, el emparejamiento no es PAN 2 frente a G​emma 4 12B en absoluto. Es PAN 2 más un razonador, y la elección del razonador es donde realmente residen el coste y la variación de calidad.

Ese es un lugar donde un router hace trabajo real en lugar de trabajo de marketing. La mitad de la simulación tiene que ejecutarse en tus propias GPUs —nadie aloja PAN 2, MBZUAI incluido—, pero la mitad de razonamiento puede ser una llamada a una API medida, y cambiar entre Claude Opus 5.5, GPT-6 Astra y Qwen3.8-Flash para encontrar cuál completa tus planes con más frecuencia es una cuestión de enrutamiento, no de adquisición. Qwen3.8-Flash está en OrcaRouter, así que puedes comparar tres planificadores con tu propia implementación de PAN 2 mediante una sola clave de API con conmutación por error automática, al precio de lista del proveedor con 0% de recargo repercutido. OrcaRouter no aloja PAN 2 y no puede enrutarlo. Puede mantener la mitad barata del pipeline elástica mientras la mitad cara permanece fijada al hardware.

¿Qué cambiaría esta comparación?

Dos cosas, ninguna de las cuales existe el 11 de noviembre de 2026. Primero, una evaluación independiente de PAN 2 realizada por alguien que no sea su autor; hasta entonces, sus afirmaciones sobre capacidades están declaradas por el proveedor y deben leerse así. Segundo, un endpoint alojado o una nota de versión real de PAN 2 —la única publicación en la cuenta X del laboratorio no lo es—, lo que convertiría una decisión de autoalojamiento en una comparación de precios y dejaría obsoleta de la noche a la mañana la sección de despliegue de esta página.

G​emma 4 12B no necesita ninguna de las dos cosas. Es un modelo ya lanzado, documentado y ampliamente desplegado, con más de 1,8 millones de descargas mensuales en Hugging Face, y su tabla de evaluación lleva meses de uso por parte de la comunidad para detectar los puntos débiles. El perfil de riesgo de adoptarlo es cercano a cero. El perfil de riesgo de adoptar PAN 2 es que te pasas una semana en infraestructura para un modelo cuya sección de limitaciones dice que aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Esa frase no es motivo para omitirlo. Es motivo para saber qué estás comprando antes de alquilar las GPU.

Cómo elegir

Si necesitas que se entiendan y se respondan textos, imágenes o audio, PAN 2 no es un candidato y ninguna cantidad de presupuesto de GPU lo convierte en uno. Usa G​emma 4 12B, o una de las variantes más grandes de G​emma 4 si los números de 12B no son suficientes. Si necesitas ver cómo se vería una acción antes de realizarla —manipulación robótica, simulación de tareas egocéntricas, evaluación de razonamiento físico—, G​emma 4 12B tampoco puede hacerlo, y PAN 2 es uno de los pocos modelos de pesos abiertos que lo intenta. Si necesitas un agente que haga ambas cosas, la respuesta es un stack, no un modelo, y la ingeniería interesante está en la interfaz entre ellos: el formato de descripción estructurada que exige PAN 2 es exactamente el artefacto que un razonador como G​emma 4 12B tendría que aprender a producir.