PAN 2 vs Qwen3.8-27B: El oponente ya está dentro del modelo

La mayoría de las comparaciones entre modelos tienen un límite claro: dos checkpoints, dos proveedores, elige uno. Esta no, porque Qwen atraviesa la infraestructura interna de PAN 2 en tres lugares a la vez. PAN 2 carga Qwen3.5-9B como su codificador de texto congelado, el componente que convierte una descripción estructurada del estado del mundo en las características de condicionamiento que consume su transformer de difusión de 29 mil millones de parámetros. Las puntuaciones de PhyGround en el propio informe técnico de PAN 2 son evaluadas por Qwen3.8-27B, el modelo con el que esta página lo compara nominalmente. Y Qwen3.8-Flash es uno de los cuatro razonadores conceptuales que el informe evalúa para escribir las descripciones de PAN 2 en primer lugar. Así que el planteamiento honesto no es PAN 2 frente a Qwen3.8-27B. Es un modelo de mundo de vídeo del Instituto de Modelos Fundacionales de MBZUAI, publicado discretamente y al que nunca se le dio un lanzamiento, apoyado en componentes de Qwen, evaluado en parte por un juez de Qwen, comparado con un modelo de visión y lenguaje de 27 mil millones de parámetros de Alibaba que es un producto completo por sí solo. La pregunta interesante es cuál de esas relaciones deberías tener en cuenta cuando eliges qué desplegar.

Qué significa y qué no significa el ADN compartido

No significa que los dos modelos sean comparables. PAN 2 genera vídeo; Qwen3.8-27B genera texto. Nada en el codificador compartido cambia eso, y no existe ningún benchmark que los clasifique uno frente al otro. Cualquiera que presente una puntuación comparativa directa está presentando una impresión.

Lo que sí significa es que la comparación resulta inusualmente informativa sobre la procedencia. Cuando PAN 2 lee tu descripción, la lee a través de un codificador Qwen que MBZUAI descargó sin modificaciones de su propio repositorio, y la ficha del modelo indica explícitamente que los pesos de Qwen3.5-9B se utilizan tal como se publicaron y que MBZUAI no los ha ajustado. El presupuesto de tokens que impone el validador de prompts —un límite blando de 1.480 tokens y uno estricto de 1.536— es el de Qwen3.5-9B, no el de PAN 2. Y cuando el informe afirma una cifra de PhyGround, esa cifra se obtuvo pidiendo a Qwen3.8-27B que puntuara el vídeo generado en una escala de cinco puntos. El juez es el rival.

Eso no es un escándalo. Usar un modelo abierto potente como evaluador automático es una práctica estándar, y divulgarlo es mejor de lo que logran la mayoría de los laboratorios. Pero sí significa que la cadena de evidencia de PAN 2 pasa por la familia de modelos de Alibaba en tres puntos distintos, y si estás evaluando PAN 2 deberías saber cuáles de sus cifras son mediciones de PAN 2 y cuáles son mediciones de PAN 2 tal como lo ve Qwen.

Qwen3.8-27B, en sus propios términos

El modelo de Alibaba es un tipo de objeto completamente distinto: un modelo de lenguaje causal de 27.000 millones de parámetros con un codificador de visión, construido sobre la arquitectura Qwen3.5 con un diseño híbrido —dieciséis repeticiones de tres bloques Gated DeltaNet seguidos de un bloque Gated Attention, 64 capas en total, una dimensión oculta de 5.120 y un vocabulario con relleno de 248.320 tokens—. El contexto nativo es de 262.144 tokens, ampliable a un millón. Tiene licencia Apache-2.0, se publicó en Hugging Face el 5 de agosto de 2026 y cuenta con 7,4 millones de descargas mensuales.

Las cifras del proveedor son sólidas y la ficha es una de las más completas del campo de pesos abiertos: GPQA Diamond 89.2, HLE 30.8, LiveCodeBench v6 90.3, SWE-bench Pro 61.7, Terminal-Bench 2.1 con 73.0, OSWorld-Verified 84.3, OmniDocBench 1.5 con 91.1, CharXiv reasoning 83.7, IFBench 79.5, CoWorkBench 70.7. En MathVision reporta 90.0 sin cadena de pensamiento y 94.6 con ella. Esas son evaluaciones del propio Alibaba contra las líneas base del propio Alibaba, la misma salvedad que se aplica a todas las tablas de proveedores de este sitio, incluida la de PAN 2.

• Modalidad — Qwen3.8-27B: entrada de texto, imagen y vídeo; salida de texto. PAN 2: entrada de un primer fotograma opcional más una descripción estructurada; salida en MP4.

• Tamaño — Qwen3.8-27B: 27B denso, 64 capas, aproximadamente 27,8 mil millones de parámetros safetensors. PAN 2: un transformer de difusión de 29B a 67,37 GB en BF16, más un codificador Qwen3.5-9B congelado a 15,87 GB y un VAE Wan 2.2.

• Contexto — Qwen3.8-27B: 262.144 tokens nativos, hasta un millón. PAN 2: una única descripción limitada a 1.536 tokens del codificador de texto y un fotograma inicial.

• Licencia — Qwen3.8-27B: Apache-2.0. PAN 2: Apache-2.0 en sus propios pesos, con componentes de terceros bajo sus propios términos.

• Servicio — Qwen3.8-27B: Transformers, vLLM, SGLang, TokenSpeed y un endpoint alojado de Qwen Cloud que Alibaba indica como próximamente. PAN 2: Diffusers, vLLM-Omni y el propio generate.py del repositorio, en tu hardware, y nada alojado en ningún sitio.

Por qué la elección del codificador es la línea más trascendental en la tarjeta de PAN 2

Congelar un codificador de texto de 9B y entrenar solo la columna vertebral de difusión es una decisión de ingeniería defendible, y es la razón por la que la mitad de difusión de PAN 2 tiene 29B en lugar de 40. También limita de forma estricta lo que se le puede decir a PAN 2. El razonador conceptual escribe una leyenda; Qwen3.5-9B la asigna a características; el modelo de difusión genera a partir de esas características. Todo lo que Qwen3.5-9B no pueda representar, PAN 2 no podrá simularlo, por muy buena que sea la leyenda.

Esto explica una limitación que la ficha indica claramente y que la mayoría de los lectores pasa por alto: el modelo es sensible a la formulación del prompt, los ejemplos fuera de la distribución de entrenamiento dependían de prompts refinados manualmente, y las acciones de texto especifican la manipulación diestra solo de forma aproximada. No son tres problemas distintos. Son el mismo problema visto de tres maneras: la interfaz entre una descripción en lenguaje natural y un codificador de texto fijo, con un presupuesto de 1.536 tokens y un vocabulario congelado por un lado.

Compáralo con cómo Qwen3.8-27B maneja la misma tarea. Es el razonador y el codificador en un solo objeto, con una ventana de 262.144 tokens, control nativo de pensamiento que se puede desactivar por solicitud, un ajuste reasoning_effort y preserve_thinking para retener el contexto de razonamiento entre turnos. Si tu tarea es describir una escena y un plan con suficiente detalle como para que algo posterior pueda actuar sobre ello, Qwen3.8-27B está hecho para eso y PAN 2 está hecho para consumir la salida. No son competidores para el mismo puesto; uno está aguas arriba del otro.

La asimetría de despliegue que nadie pone en la tabla comparativa

Qwen3.8-27B es un modelo grande que funciona como un modelo grande normal. Veintisiete mil millones de parámetros en BF16 equivalen a unos 55 GB de pesos, que caben en un solo acelerador de 80 GB con espacio para una KV cache, y la ficha enumera cuatro stacks de servicio además de un endpoint alojado compatible con OpenAI en camino. Puedes tenerlo respondiendo solicitudes la misma tarde en que decidas usarlo.

PAN 2 ocupa 86,17 GB repartidos en sesenta archivos, y la aritmética del servicio se calcula en minutos de nodo. Cincuenta pasos del muestreador con guiado sin clasificador en cada paso equivalen a cien pasadas hacia adelante por un transformador de 29B por clip. La cifra destacada de la receta de vLLM son trece segundos de vídeo de 704×1248 en unos 119 segundos en cuatro GPU B300, con el guiado paralelizado entre dos rangos y el paralelismo de secuencia Ulysses entre otros dos; su configuración predeterminada es ocho H200 en BF16 con paralelismo de parches de VAE entre cuatro rangos en modo de mosaico. El propio script de inferencia del repositorio es más simple y más devorador de recursos: un trabajador por GPU, cada uno con una copia completa del transformador de 67,37 GB, y cada uno se encarga de cada enésimo prompt.

Ponga esos datos uno al lado del otro y la conclusión práctica no deja lugar a dudas. Una llamada a Qwen3.8-27B es una solicitud. Un clip de PAN 2 es un trabajo por lotes con una reserva de GPU asociada. Si tiene un vídeo de veinte segundos que producir una sola vez, PAN 2 es una tarde de configuración y tres minutos de renderizado. Si tiene mil planes que simular, está comprando tiempo en un nodo y la comparación que importa es con otros modelos mundiales de vídeo, no con un modelo de lenguaje.

El único lugar donde los dos realmente se encuentran

El uso previsto de PAN 2 es el razonamiento simulado: un agente imagina el resultado de cada acción candidata y luego elige la mejor. Ese bucle necesita un planificador que genere acciones candidatas y un simulador que represente sus consecuencias. Qwen3.8-27B es un planificador creíble —fuerte seguimiento de instrucciones con 79,5 en IFBench, trabajo de oficina de horizonte largo con 70,7 en CoWorkBench, programación de terminal agéntica con 73,0 en Terminal-Bench 2.1— y ya está en el bucle, ya que MBZUAI lo usó para evaluar PhyGround y Qwen3.8-Flash como uno de cuatro redactores de leyendas.

Si construyes ese bucle, el planificador es la parte que puedes comprar por token y el simulador es la parte que no puedes. Qwen3.8-27B está en OrcaRouter, así que con una sola clave de API obtienes un planificador con conmutación por error automática, reglas de enrutamiento para decidir qué solicitudes van a dónde, y el precio de lista del proveedor con 0% de recargo trasladado — incluidos los propios recortes de precios de Alibaba el mismo día en que se aplican. OrcaRouter no aloja PAN 2 y no puede enrutarlo; nadie aloja PAN 2. La división no es una limitación del enrutador, es la forma del mercado: los modelos de lenguaje alojados son una materia prima; los modelos de mundo de vídeo alojados aún no existen.

Existe una segunda razón, más silenciosa, para enrutar en lugar de fijar al planificador. El informe de PAN 2 clasifica a cuatro razonadores por finalización del plan completo, y la clasificación no es la que la mayoría de la gente adivinaría: Claude Opus 5.5 primero, GPT-6 Astra con esfuerzo medio segundo, Kimi K3 tercero, Qwen3.8-Flash cuarto. Ese orden se midió con los prompts de MBZUAI, con su política de subtítulos y su validador. El tuyo diferirá. Poder volver a ejecutar la comparación sin tener que reconfigurar tu stack vale más que cualquier elección de modelo individual en ella.

Qué hacer con esta comparación

Si has venido aquí para elegir uno, la respuesta honesta es que la pregunta está mal planteada. Qwen3.8-27B es un modelo general de visión-lenguaje que puedes servir hoy en un solo acelerador o alquilar por token la semana que viene. PAN 2 es un artefacto de investigación que renderiza consecuencias, necesita un nodo con múltiples GPU, no tiene endpoint alojado y, a fecha de 11 de noviembre de 2026, nunca ha sido lanzado por sus propios autores: una publicación de dos párrafos en la cuenta de X del laboratorio es todo el anuncio. Su repositorio de Hugging Face data del 7 de octubre, su repositorio de GitHub del 5 de noviembre, y lo público más sustancial que le ha ocurrido es la fusión del soporte Day-0 de vLLM-Omni el 10 de noviembre.

La comparación que merece la pena hacer es más limitada. Si tu canalización necesita un planificador, Qwen3.8-27B es una opción sólida, bien documentada y con Apache-2.0, y la decisión es una decisión de enrutamiento. Si tu canalización necesita ver qué hace una acción antes de llevarla a cabo, PAN 2 es uno de los muy pocos modelos de pesos abiertos que lo intentan; se ejecutará sobre componentes de Qwen tanto si te das cuenta como si no, y el resumen honesto de su capacidad es la frase de su propia sección de limitaciones: aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Ese es el número en torno al cual hay que planificar, y es el único número de toda esta comparación que ningún codificador, juez o enrutador puede mejorar por ti.