PAN 2 vs Genie 4: ambos ponen un modelo de lenguaje en el bucle, y solo uno lo nombra

Los dos modelos del mundo más interesantes de finales de 2026 están construidos de la misma manera, y ninguna de las dos empresas lo destaca como su argumento principal. PAN 2 es el modelo del mundo de pesos abiertos y 29 mil millones de parámetros del Institute of Foundation Models, publicado como checkpoint Apache-2.0 el 7 de octubre de 2026, con el código de inferencia y entrenamiento llegando después el 5 de noviembre y soporte de servicio Day-0 en vLLM-Omni el 10 de noviembre. Genie 4 es el modelo del mundo interactivo en tiempo real de Google DeepMind, anunciado el 27 de octubre de 2026, que genera una escena explorable a partir de una descripción de texto y te permite controlarla con un teclado mientras se reproduce audio nativo. Si los pones uno al lado del otro, el contraste esperado —pesos abiertos frente a una vista previa de investigación, veinte segundos de video frente a una sesión en vivo— es real, pero aburrido. Lo interesante es que ambos delegan el razonamiento a un modelo de lenguaje, y solo PAN 2 te dice cuál modelo de lenguaje es y te permite cambiarlo.

Esa única diferencia en la divulgación vale más que una tabla de benchmarks, porque decide si puedes razonar sobre el sistema siquiera. Un modelo del mundo con una mitad de razonamiento sin nombre es un producto. Un modelo del mundo con una mitad de razonamiento nombrada e intercambiable es una arquitectura.

La forma compartida: un razonador escribe el futuro, un renderizador lo dibuja

PAN 2 implementa la Predicción Latente Generativa, el patrón formalizado en Crítica de los modelos del mundo (arXiv 2507.05169). Un razonador conceptual —cualquier modelo de lenguaje que sigue instrucciones— lee la observación actual y las acciones solicitadas y escribe el siguiente estado del mundo como una descripción estructurada y anclada en el tiempo: eventos en orden, cada acción vinculada al actor que la realiza, más el movimiento de cámara. Un codificador de texto Qwen3.5-9B congelado convierte esa descripción en características de condicionamiento. Un transformador de difusión multimodal de 29B entrenado desde cero con cientos de millones de videos anotados completa el detalle perceptual que la descripción deja abierto, y un VAE de Wan 2.2 decodifica el resultado en fotogramas.

La descripción publicada por Google de Genie 4 presenta la misma división del trabajo con distintos nombres de producto. Gemini Omni fundamenta la simulación en una apariencia y un comportamiento realistas; otros modelos Gemini aportan el razonamiento para la coherencia y la continuidad; y Gemini 3.8 Flash actúa como un agente guía que observa la escena, planifica los pasos y comprueba el progreso. Ese último papel es el de un verificador en el bucle: un modelo de lenguaje que observa el modelo del mundo y lo mantiene centrado en la tarea. Google también combinó Genie 4 con Gemini 4 Argon para la simulación robótica de varios pasos, incluida una demostración de un humanoide Apptronik Apollo jugando a las damas.

Así que, en ambas pilas, los píxeles son la mitad barata y rápida, y el modelo de lenguaje es la mitad que decide qué debería ocurrir. Esta es la forma en la que el campo convergió en 2026 sin anunciarlo: un modelo del mundo no es un generador de vídeo con un prior de física, es un planificador más un renderizador, y el planificador es un modelo de texto corriente que podrías medir.

Esa convergencia es la razón por la que importa la brecha de divulgación. IFM clasificó a cuatro planificadores según la frecuencia con la que un plan simulado se completa de principio a fin —Claude Opus 5.5 en primer lugar, GPT-6 Astra con esfuerzo medio en segundo, Kimi K3 en tercero y Qwen3.8-Flash en cuarto— y publicó la clasificación junto con el arnés que la produjo, a la vez que afirmaba que el razonador conceptual es, por definición, intercambiable. Google nombró a Gemini 3.8 Flash en el bucle, lo que es más de lo que dicen la mayoría de los laboratorios, y no publicó nada sobre cómo se sustituiría, cómo se tarificaría por separado o cómo medir si un modelo diferente planificaría mejor.

Veinte segundos en un lote, o una sesión que tú diriges

Los modelos de interacción son opuestos, y aquí es donde ambos dejan de ser comparables y empiezan a ser herramientas diferentes.

• Salida — PAN 2 devuelve hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo por llamada; Genie 4 devuelve una escena en vivo y persistente cuya resolución, velocidad de fotogramas y duración Google no ha publicado.

• Control — PAN 2 recibe un fotograma inicial y un pie de acción estructurado, refinado por una habilidad de reescritura de prompts; Genie 4 recibe un prompt de texto y luego entrada continua de teclado para el movimiento y la cámara.

• Audio: PAN 2 no incluye ninguno; Genie 4 genera sonido ambiental, audio similar a la música y diálogo interactivo de personajes junto con las imágenes, lo que Google describe como algo inédito en un modelo de mundo en tiempo real.

Comportamiento por lotes — PAN 2 es un oráculo por lotes: una llamada, un clip, sin retroalimentación dentro de la llamada; Genie 4 es un bucle cerrado en el que tu entrada en el segundo tres cambia el segundo cuatro.

• Coste — El valor predeterminado documentado de PAN 2 son ocho H200 en BF16, y una receta de vLLM hace que trece segundos de vídeo de 704×1248 tarden aproximadamente 119 segundos en cuatro B300; Genie 4 no tiene precio porque no existe acceso autoservicio.

• Acceso — los pesos de PAN 2 ocupan 86,17 gigabytes repartidos en sesenta archivos bajo Apache-2.0, sin restricciones; Genie 4 es una vista previa de investigación para probadores de confianza, con una ruta declarada hacia los suscriptores de AI Ultra mediante una lista de espera y hacia los socios de acceso anticipado a través de la API de Gemini y Google AI Studio.

Lee esa lista y la respuesta práctica se divide con claridad. Si quieres preguntar «qué pasa si» unos miles de veces y puntuar las respuestas, PAN 2 es el único de los dos al que se puede llamar en un bucle que tú controlas. Si quieres explorar, dirigir y escuchar, Genie 4 es el único de los dos que siquiera ofrece un lugar —y es probable que aún no puedas entrar.

La hoja de especificaciones que Google no publicó

Lo más llamativo del anuncio de Genie 4 es la longitud de la lista que omite: ni resolución, ni tasa de fotogramas, ni número de parámetros, ni precio, ni duración medida de la consistencia de escena, ni una evaluación comparativa con líneas base identificadas. Lo que Google sí publicó es un conjunto de admisiones: la coherencia se mantiene durante sesiones breves, y los detalles visuales y la permanencia de los objetos pueden desviarse durante ejecuciones más largas, tras ediciones complejas o al navegar. Las interacciones físicas complejas, la precisión del audio, el texto legible dentro del mundo, la precisión espacial y la consistencia a largo plazo se enumeran como problemas de investigación abiertos. Cada salida lleva una marca de agua SynthID.

Nada de eso es evasivo. Es la forma honesta de una vista previa de investigación, y enumerar la deriva como un problema abierto es más de lo que hacen la mayoría de las publicaciones de lanzamiento. Pero significa que un lector no puede calcular nada a partir de Genie 4: ni clips por dólar, ni segundos por GPU, ni la duración a partir de la cual una escena deja de ser utilizable. El único número que más querría un comprador —cuánto tiempo se mantiene coherente una sesión— es el que el anuncio describe cualitativamente y no cuantifica.

PAN 2 responde a la misma pregunta con una cifra que es peor y, por tanto, más útil. Su ficha del modelo afirma que aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Señala que la apariencia se desvía entre clips en interacciones largas porque cada clip se simula a partir de como máximo un fotograma inicial más texto, y nombra la memoria perceptiva como la pieza que falta en lugar de afirmar que está resuelta. Admite que el texto expresa bien «abre un cajón» y mal «coloca cada dedo aquí», lo que limita la manipulación diestra. Da un ejemplo concreto de atajo —la pasta aparece en el colador antes de escurrirse— y admite que simular planes que deberían fallar, en palabras de la ficha, aún no se ha medido.

Esa última admisión es la que debería acompañar a cualquier modelo del mundo al pasar a una especificación de producto. Un simulador que solo puede representar el éxito es un generador de resultados plausibles, no un filtro para los malos, y toda la premisa del razonamiento simulado —simular varios planes candidatos, compararlos, actuar según el mejor— depende de que el modelo sea capaz de mostrarte un plan que fracasa. PAN 2 dice abiertamente que no se ha probado en ese aspecto. Genie 4 no se pronuncia al respecto.

El failover no es una característica de ninguno de los dos modelos, y es la característica que necesitas.

Ambos sistemas son artefactos de investigación orientados a un problema que resolverán equipos con plazos de producción, y la brecha entre esas dos cosas es donde una capa de enrutamiento se gana su lugar. La mitad de renderizado de una pila PAN 2 es tu hardware y siempre lo será — OrcaRouter no aloja PAN 2 y no puede enrutarlo, y ningún catálogo puede enrutar un transformador de difusión de 29 mil millones de parámetros que estás ejecutando en tu propio nodo. Lo que sí es enrutable es la mitad que decide qué simular, porque esa mitad es trabajo de texto medido ordinario.

Los cuatro planificadores que IFM clasificó están en el catálogo de OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3 y Qwen3.8-Flash. Eso convierte el slot del razonador en la única parte de un pipeline de PAN 2 que puedes evaluar esta tarde sin alquilar un nodo de GPU: dirige el reescritor de prompts a cada uno de ellos mediante una única clave, mantén fija la mitad de difusión y cuenta con qué frecuencia sobreviven tus planes. Los precios de lista de los proveedores se trasladan con un 0 % de margen, así que la comparación de costes usa las tarifas de los propios proveedores, no las nuestras, y la conmutación por error automática absorbe una incidencia de un proveedor a mitad de barrido en lugar de abortar la ejecución.

La misma ruta cubre el lado de Genie 4, aunque de forma limitada. Gemini 3.8 Flash es el modelo que Google describe como el agente guía en el bucle de Genie 4, y es invocable a través del mismo catálogo. No puedes obtener Genie 4. Puedes construir la parte de la arquitectura que Google sí describió —un modelo con capacidad de visión que observa los fotogramas generados, planifica los siguientes pasos y comprueba el progreso— y dirigirlo hacia un modelo del mundo que sí tengas. Ese no es el mismo producto. Es la misma capa de control, y es la capa donde reside en realidad la mayor parte de la ingeniería.

Deja claro cuánto vale el ranking anterior: el orden de IFM se midió con las tareas de IFM y el arnés de IFM, frente a las propias líneas base de IFM, y nadie lo ha reproducido. Es una lista corta, no una tabla de clasificación. Probar tus propios prompts con cuatro candidatos lleva un par de horas y es la única evidencia que se aplica a tu problema.

El otro número que conviene incluir en cualquier presupuesto es el de servicio. Cincuenta pasos de muestreador con un desplazamiento de flujo de 9 y una guía de 2.5 en cada paso implican cien pasadas hacia adelante por un transformer de 29B por clip, y por eso la guía debe paralelizarse entre rangos en lugar de ejecutarse secuencialmente. Un planificador que evalúa cinco acciones candidatas por paso en una tarea de diez pasos está pidiendo cincuenta clips, lo que, en la configuración publicada de cuatro B300, supone un nodo ocupado durante buena parte de dos horas antes de que se haya aprendido algo de la salida. El razonamiento simulado no es caro porque el modelo sea grande. Es caro porque la idea es un bucle.

Salida, control y lo que cada uno se niega a decir sobre la duración

Seis dimensiones sostienen la comparación, y cuatro de ellas no tienen nada que ver con la calidad.

• Salida — PAN 2 devuelve hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo por llamada; Genie 4 devuelve una escena en vivo y persistente cuya resolución, velocidad de fotogramas y duración Google no ha publicado.

• Control — PAN 2 recibe un fotograma inicial y un pie de acción estructurado, refinado por una habilidad de reescritura de prompts; Genie 4 recibe un prompt de texto y luego entrada continua de teclado para el movimiento y la cámara.

• Audio: PAN 2 no incluye ninguno; Genie 4 genera sonido ambiental, audio similar a la música y diálogo interactivo de personajes junto con las imágenes, lo que Google describe como algo inédito en un modelo de mundo en tiempo real.

• Comportamiento en bucle — PAN 2 es un oráculo por lotes sin retroalimentación dentro de una llamada; Genie 4 es un bucle cerrado en el que tu entrada en el segundo tres cambia el segundo cuatro.

• Base de costos — El valor predeterminado documentado de PAN 2 es de ocho H200 en BF16, con una receta que convierte trece segundos de vídeo de 704×1248 en aproximadamente 119 segundos en cuatro B300; Genie 4 no tiene precio porque no hay acceso autoservicio.

• Acceso — los pesos de PAN 2 ocupan 86,17 gigabytes repartidos en sesenta archivos bajo Apache-2.0, sin restricciones; Genie 4 es una vista previa de investigación para probadores de confianza, con una ruta declarada hacia los suscriptores de AI Ultra mediante una lista de espera y hacia los socios de acceso anticipado a través de la API de Gemini y Google AI Studio.

La fila de duración es la que determina la mayoría de las decisiones reales, y es la fila en la que los dos son menos comparables. PAN 2 te da exactamente veinte segundos y te dice que se desvía entre clips porque cada uno se simula a partir de como máximo un fotograma inicial más texto. Genie 4 te da una sesión de duración no especificada, admite que la coherencia solo se mantiene durante sesiones breves y califica la consistencia a largo plazo como un problema de investigación abierto. Ninguno te dirá la duración a la que la salida deja de ser fiable, y ese número —no una puntuación de benchmark— es lo que un pipeline necesita realmente.

¿Qué haría que esto fuera una comparación real?

Una cosa: una tarea compartida. Nadie ha ejecutado PAN 2 y Genie 4 sobre la misma pregunta, y no es evidente que pudieran hacerlo: uno produce clips de longitud fija a partir de una descripción, el otro produce una sesión interactiva a partir de un prompt y un teclado. Lo más cercano a una medida común sería la adherencia a la acción bajo un plan descrito, y solo PAN 2 ha publicado un arnés para eso: 300 casos de acción única en seis categorías de capacidades, 100 tareas de varios pasos planteadas como 200 prompts y 456 pasos, puntuadas según la finalización de pasos y la finalización del plan completo durante tres semillas. Trece revisores generaron las cifras de preferencia humana sobre 140 prompts en un estudio por pares a ciegas, juzgando el modelo de los autores frente a las líneas base de los autores. Eso no es independiente. Es legible, que es lo siguiente mejor, y es más de lo que ofrece el otro lado.

Así que la elección, formulada con la mayor claridad que permite la evidencia. Si necesitas un modelo del mundo que puedas descargar, auditar, ajustar y consultar por lotes —y tienes o puedes alquilar un nodo multi-GPU—, PAN 2 es el lanzamiento abierto más completo de la categoría, y su propia sección de limitaciones es la página más valiosa que contiene. Si necesitas un mundo por el que una persona pueda caminar dentro, con sonido, y estás dispuesto a esperar una lista de espera y a desarrollar contra una API que no tiene fecha ni precio, Genie 4 es el sistema más impresionante y el que tiene una vía de distribución detrás.

El desajuste que hay que evitar es tratar cualquiera de los dos como sustituto del otro. La amplitud de Genie 4 no es prueba de que pueda evaluar un plan; los pesos descargables de PAN 2 no son prueba de que pueda mantener una escena coherente mientras la controlas. Lo que realmente comparten es la arquitectura a la que ambas empresas llegaron de forma independiente —un modelo de lenguaje que decide, un modelo de difusión que dibuja— y el hecho de que en 2026 todavía solo puedes ver el interior de uno de los dos.