PAN 2 vs. MiniCPM5-2B: uno publica sus datos; el otro, sus prompts

OpenBMB publicó MiniCPM5-2B el 6 de septiembre de 2026 y, junto con el checkpoint de 2.520 millones de parámetros, publicó los corpus de entrenamiento: UltraX-Preview para el preentrenamiento web, UltraData-Code con su gestión por niveles de L0 a L3, UltraData-SFT-Agent-2609 con medio millón de muestras de agentes y UltraData-RL-2609 con más de ochenta mil muestras de aprendizaje por refuerzo. Entregar algo así no es habitual, y es la perspectiva adecuada para esta comparación. PAN 2, publicado discretamente por el Institute of Foundation Models de MBZUAI sin anuncio de lanzamiento ni endpoint alojado, hace algo adyacente pero no lo mismo: entrega sus prompts. El repositorio incluye una habilidad de razonamiento conceptual con un prompt del sistema, un prompt negativo fijo y un validador de presupuesto de tokens para las descripciones estructuradas del estado del mundo que espera su backbone de difusión, además de las configuraciones de entrenamiento que lo produjeron. Un laboratorio abrió sus datos. El otro abrió su interfaz. Ninguno abrió ambos, y cuál te resulta más útil depende por completo de lo que estés intentando construir.

Dos revelaciones, ninguna de ellas completa.

La publicación de datos de MiniCPM5-2B es real y es específica. La ficha nombra los conjuntos de datos, los enlaza y describe qué aporta cada uno: datos de código gestionados por niveles, muestras SFT de agentes y muestras RL que abarcan matemáticas, código, conocimiento general y razonamiento de contexto largo. Lo que no te da es la mezcla, el orden, el procedimiento de descontaminación ni los recuentos de tokens por fuente. Puedes ver los ingredientes y no la receta.

El lanzamiento del prompt de PAN 2 es el reflejo especular. La política de descripciones está completamente especificada: qué debe contener una descripción del estado del mundo, el orden de los eventos, cómo se vinculan las acciones con los actores, cómo se expresa el movimiento de cámara y una capacidad máxima estricta de 1.536 tokens del codificador de texto con un objetivo flexible de 1.480. Lo que no proporciona es el corpus que enseñó al modelo a leer esas descripciones —"cientos de millones de videos anotados en el mismo formato"—, sin ficha del conjunto de datos ni lanzamiento.

Así que, si lo que necesitas es entender por qué un modelo de lenguaje pequeño se comporta como lo hace, MiniCPM5-2B te da más con lo que trabajar. Si lo que necesitas es lograr que un modelo de video produzca el clip que pediste, PAN 2 te da más. Ambos lanzamientos son más transparentes que la mediana, y ambos se detienen en el punto en que la transparencia se convierte en una desventaja competitiva.

Los números, y lo que valen

MiniCPM5-2B es un modelo denso de arquitectura Llama de 2.516.756.480 parámetros —1,98 mil millones de parámetros excluyendo los embeddings—, 42 capas, 16 cabezas de consulta frente a 2 cabezas de clave-valor, 131.072 tokens de contexto, inglés y chino. OpenBMB afirma que es el estado del arte de código abierto de la clase 2B, con una media de 53,9 en su conjunto de comparación frente a 51,1 del mejor modelo más grande de ese conjunto. Las filas individuales son donde la afirmación se vuelve interesante: LiveCodeBench v6 con 69,1, AIME 2026 con 86,5, MMLU-Pro con 70,8, GPQA Diamond con 70,2, SWE-bench Verified con 46,4, τ²-Bench Telecom con 97,1, AA-LCR con 59,0 y NoLiMa con 68,1.

Esos datos los reporta el proveedor sobre un conjunto de comparación elegido por el proveedor, y el conjunto es revelador: incluye Gemma-4-E2B-it, Gemma-4-E4B-it, Qwen3.5-2B, Qwen3.5-4B, LFM2.5-2.6B y LFM2.5-8B-A1B. En AA-LCR, la diferencia reportada es de 59.0 para MiniCPM5-2B frente a 5.3 para LFM2.5-2.6B y 17.0 para Gemma-4-E2B-it. En SWE-bench Verified es de 46.4 frente a 6.0, 2.0 y 3.0. Esas brechas son lo bastante grandes como para que las diferencias de harness no las expliquen, pero el harness sigue siendo de OpenBMB y nadie ha reproducido la tabla de forma independiente.

PAN 2 no tiene una tabla de ese tipo, porque no existe un instrumento compartido para los modelos de mundo de vídeo como sí lo hay para el código y las matemáticas. Lo que tiene en su lugar es una sección estructurada de limitaciones que es más contundente que cualquier benchmark de proveedor: alrededor de dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo; la apariencia varía entre clips porque cada uno parte de como máximo un único fotograma más texto; las acciones de texto especifican la manipulación diestra solo de forma tosca; el modelo puede dejar que una simulación avance mientras se infringen restricciones físicas, y se da como ejemplo la pasta que aparece en el colador antes de escurrirla.

• Qué es — MiniCPM5-2B: un modelo de texto denso de 2,52B para asistentes en el dispositivo, agentes de programación y flujos de trabajo con herramientas. PAN 2: un transformador de difusión de 29B que renderiza las consecuencias de una acción como vídeo.

• Salida — MiniCPM5-2B: texto. PAN 2: MP4, hasta 20 segundos a 704×1248 y 24 fps.

• Contexto u horizonte — MiniCPM5-2B: 131.072 tokens, con AA-LCR 59,0 y NoLiMa 68,1 en el harness de OpenBMB. PAN 2: un fotograma inicial más una leyenda, por lo que las interacciones largas se desvían y la ficha lo indica.

• Licencia — MiniCPM5-2B: Apache-2.0, inglés y chino. PAN 2: Apache-2.0 en sus propios pesos, con Qwen3.5-9B y Wan 2.2 bajo sus propios términos.

• Hardware — MiniCPM5-2B: una sola GPU de consumo, y la ficha documenta las rutas de vLLM, SGLang y llama.cpp, además de un backend multichip. PAN 2: ocho H200 por defecto en la receta de vLLM; cuatro B300 para trece segundos de vídeo en unos 119 segundos.

La afirmación de que se ejecuta en el dispositivo frente a la realidad a escala de nodo

MiniCPM5-2B está concebido para ser pequeño en lo que de verdad importa: no solo pocos parámetros, sino una ruta documentada hacia hardware que ya tienes. La ficha incluye guías de inicio rápido para vLLM, SGLang y llama.cpp, con una nota de que -c 8192 establece la longitud de contexto en la ruta de llama.cpp — una línea que solo aparece en documentación escrita por gente que realmente ha ejecutado la cosa en un portátil. También documenta FlagOS, un backend multichip que permite que los mismos pesos se ejecuten en distintos aceleradores. Es una historia de despliegue orientada a teléfonos, computadoras de placa única y cajas de inferencia baratas.

La historia de despliegue de PAN 2 es la opuesta en todas las dimensiones, y la razón es aritmética, no descuido. Cincuenta pasos del muestreador con guía libre de clasificador en cada paso implican cien pasadas forward por un transformer de 29B por clip. La receta paraleliza la guía entre dos rangos y la longitud de secuencia entre otros dos, y luego añade paralelismo de parches del VAE entre cuatro rangos en modo de mosaico, porque decodificar veinte segundos a 704×1248 es un problema de memoria en sí mismo. Eso no se puede ejecutar en un portátil, y el equipo no ha pretendido lo contrario.

Cabe señalar que ninguno de los dos modelos está alojado en ningún sitio. MiniCPM5-2B tiene más de un millón de descargas mensuales y ninguna API propia; PAN 2 no tiene API y, a fecha de 11 de noviembre de 2026, cuenta con una única publicación en redes sociales desde la cuenta de su laboratorio y nada detrás: ni endpoint, ni enlace a un artículo, ni precios. Si quieres cualquiera de los dos, tendrás que ejecutarlo tú mismo.

Dónde se puede alquilar la mitad de planificación

La arquitectura de PAN 2 hace que una de sus partes sea separable, y esa es la parte que la mayoría de los equipos no debería construir por sí misma. El razonador conceptual —el modelo de lenguaje que convierte una observación y una acción solicitada en la descripción estructurada que consume el backbone de difusión— es explícitamente cualquier modelo que siga instrucciones. El informe clasifica cuatro según con qué frecuencia un plan simulado se completa de principio a fin: Claude Opus 5.5, GPT-6 Astra con esfuerzo medio, Kimi K3 y luego Qwen3.8-Flash. La ficha también señala que se puede usar cualquier LLM que siga instrucciones, y que ir más allá de la distribución de entrenamiento tiende a requerir prompts refinados a mano.

Eso convierte al razonador en una decisión operativa que querrás revisar, y revisarla resulta más barato a través de un enrutador que mediante cuatro conversaciones de adquisición. Qwen3.8-Flash está en OrcaRouter; una única clave de API con conmutación por error automática te permite ejecutar la misma carga de trabajo de subtitulado en varios planificadores, al precio de lista del proveedor con 0 % de recargo repercutido, y quedarte con el que complete tus planes con más frecuencia. OrcaRouter no aloja PAN 2 —no hay un PAN 2 alojado que enrutar— y tampoco aloja MiniCPM5-2B. El renderizador y el modelo pequeño se quedan en tu hardware; el planificador es el componente básico.

Para MiniCPM5-2B, el cálculo es distinto de una manera que vale la pena señalar. Los modelos en dispositivo existen precisamente para evitar llamadas facturadas por uso, y un modelo de 2B que se ejecuta en un teléfono no mejora por el hecho de evitar usarlo mediante enrutamiento. Si tu motivo es la privacidad, la latencia o el funcionamiento sin conexión, el enrutamiento es la respuesta equivocada y MiniCPM5-2B es el modelo correcto. Si tu motivo es el costo, compara con honestidad: un modelo de 2B que obtiene 53,9 en su propio promedio puede costar más en tiempo de ingeniería para alcanzar la paridad en tu tarea que una llamada facturada por uso a algo más grande.

Para qué sirve realmente cada lanzamiento

MiniCPM5-2B es un modelo con una misión: ser el mejor modelo abierto de la clase 2B en los benchmarks que importan a sus usuarios, ejecutarse en el dispositivo e incluir los datos para que la comunidad pueda construir sobre él en lugar de alrededor de él. Es una versión madura con una superficie de documentación que refleja varias iteraciones: guías de inicio rápido para tres stacks de servicio, una sección de llamadas a herramientas, cookbooks, recetas de ajuste fino y un backend multichip.

PAN 2 es un artefacto de investigación con una afirmación inusualmente completa. Sostiene que el razonamiento simulado —que un agente imagine los resultados de sus acciones candidatas antes de elegir una— es una capacidad que se puede construir en lugar de una capacidad que se espera que emerja, y lo implementa como un sistema de dos etapas con un patrón publicado que lo respalda (la formulación de Predicción Latente Generativa en Crítica de los modelos del mundo, arXiv 2507.05169). El soporte del framework que llegó el 10 de noviembre de 2026 lo hizo ejecutable. Una publicación de dos párrafos en la propia cuenta de X del laboratorio esa misma tarde no bastó para considerarlo lanzado, y no se ha dicho nada más desde entonces.

Ninguno de los dos es un lanzamiento mejor que el otro. Son respuestas a preguntas distintas, publicadas en distintas etapas de confianza. Un laboratorio dice: «aquí hay un modelo pequeño en el que puedes confiar, y esto es lo que se incluyó en él». El otro dice: «aquí hay un sistema que hace algo nuevo, y aquí está exactamente dónde falla». Una comparación entre ambos solo es útil si sabes cuál de esas frases describe tu proyecto.