PAN 2 hace que «What If» se deje ver — y lo dice donde falla

Deja caer una fresa en un bol y ya sabes, sin pensarlo, más o menos cómo salta el líquido. PAN 2 es el modelo del mundo del Institute of Foundation Models de MBZUAI que se creó para saber lo mismo y mostrarlo. Dale un fotograma inicial, describe una acción en texto y devuelve hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo que muestran qué le hace esa acción a la escena. La demostración que circuló el 11 de noviembre de 2026 es la explicación más clara de la idea que alguien ha producido: cambia la fresa por un patito de goma, o cambia el líquido, y el salpicado cambia con ello, porque el modelo predice una consecuencia física en lugar de recuperar un clip. El propio anuncio de IFM, publicado la tarde anterior, resumió la propuesta en una frase: «Un modelo de lenguaje predice la siguiente palabra. PAN 2 predice el siguiente mundo: lo que ocurre después de cada acción, fundamentado en el tiempo, la física y el espacio».

Lo que hace que eso sea más que un eslogan es el lanzamiento que lo rodea. Los pesos son Apache-2.0 y están en Hugging Face desde el 7 de octubre de 2026: 86,17 gigabytes en sesenta archivos, con el código de inferencia publicado en GitHub el 5 de noviembre y el soporte de serving Day-0 integrándose en vLLM-Omni el 10 de noviembre. Así que la pregunta que merece respuesta ya no es si PAN 2 existe o quién puede obtenerlo. Es qué hace lo suficientemente bien un simulador descargable de 29.000 millones de parámetros como para planificar en función de su salida, y dónde la propia documentación del equipo te dice que no lo hagas.

La demo es un pipeline de dos etapas que lleva el nombre de un único modelo.

El clip de la fresa parece una generación de texto a vídeo. No lo es, y esa distinción constituye todo el diseño. PAN 2 implementa el patrón Generative Latent Prediction descrito en Crítica de los modelos del mundo (arXiv 2507.05169), que divide la predicción en una mitad de razonamiento y una mitad de renderizado.

La mitad de razonamiento es un modelo de lenguaje —cualquiera que siga instrucciones— que lee la observación y las acciones solicitadas y escribe el siguiente estado del mundo como una descripción estructurada y anclada en el tiempo: los eventos en orden, cada acción vinculada al actor que la realiza, más el movimiento de cámara. Esa descripción no es decoración. Es la interfaz real. Un codificador de texto Qwen3.5-9B congelado la asigna a características de condicionamiento, y un transformador de difusión multimodal de 29B entrenado desde cero con cientos de millones de videos anotados en el mismo formato rellena el detalle perceptivo que la descripción deja abierto. Un VAE Wan 2.2 decodifica los latentes en fotogramas.

Lo que significa que la verdadera afirmación de la demo no tiene nada que ver con los píxeles. Es que una descripción estructurada de una acción es una señal de control suficiente para que un simulador produzca una consecuencia físicamente coherente —y que, por lo tanto, un agente puede simular varios planes candidatos, compararlos y actuar según el mejor. Eso es lo que IFM entiende por razonamiento simulado, y es la razón por la que la fresa, el pato y el líquido intercambiado son tres ejecuciones de la misma pregunta en lugar de tres fragmentos de metraje.

La consecuencia práctica es poco amigable. No puedes escribir un deseo en PAN 2 y obtener un vídeo. El repositorio incluye una habilidad de reescritura de prompts —un prompt de sistema, un prompt negativo fijo y un validador que comprueba las leyendas contra el presupuesto del codificador de texto de 1.480 tokens en modo flexible y 1.536 en modo estricto—, y la tarjeta del modelo dice claramente que los estudios de caso del agente se basaron en prompts refinados a mano. El texto libre se reescribe antes de usarse. Eso es un modelo con un contrato de interfaz, no un cuadro de chat.

Lo que el informe midió y las palabras que utilizó

IFM publicó más evaluación que la mayoría de los lanzamientos de modelos de vídeo, y etiquetó las condiciones con más precisión que la mayoría. Todo ello es trabajo del propio equipo en su propio harness, y la ficha del modelo lo indica en la sección donde importa.

• Acciones individuales — 300 casos de prueba en seis categorías de capacidades, 201 de imagen a vídeo y 99 de texto a vídeo, precisión reportada como porcentaje.

• Planes de varios pasos — 100 tareas cotidianas egocéntricas planteadas de ambas formas, 200 instrucciones y 456 pasos, puntuados según la finalización de los pasos y la finalización del plan completo, con el promedio de tres semillas.

• Evaluaciones de referencia públicas — Physics-IQ Verified en la configuración de imagen a vídeo, normalizado de modo que la varianza entre dos tomas reales equivalga a 100; PhyGround en una escala de cinco puntos evaluada por Qwen3.8-27B; RBench como media no ponderada de cinco categorías de tareas y cuatro de encarnación, multiplicada por 100.

• Preferencia humana — comparación por pares a ciegas sobre 140 prompts, 90 de texto a vídeo y 50 de imagen a vídeo, evaluados en cuanto a fidelidad a la acción, física y consistencia del mundo por 13 evaluadores en 1.400 comparaciones, con Elo ajustado mediante Bradley–Terry y centrado en 1500.

Trece revisores son un panel pequeño, y estaban evaluando el modelo de los autores frente a las líneas base de los autores. Aun así, es más evidencia de la que publican la mayoría de los lanzamientos de esta categoría, y el planteamiento es inusualmente cuidadoso: los modelos cerrados de la comparación se generaron una sola vez mediante una API de inferencia de terceros, y la ficha señala qué filas son de una sola semilla. Nada de eso hace que las cifras sean independientes. Las hace legibles, que es lo segundo mejor.

Dos minutos de GPU por cada trece segundos de vídeo.

El número que decide si puedes usar PAN 2 no es una puntuación de benchmark. Es el que aparece en la receta de vLLM, que indica que trece segundos de vídeo 704×1248 tardan aproximadamente 119 segundos en cuatro GPU B300, con la guía sin clasificador dividida entre dos rangos y el paralelismo de secuencia Ulysses entre otros dos. El valor predeterminado documentado es de ocho H200 en BF16, con paralelismo de parches VAE en cuatro mosaicos adicional, porque decodificar un clip de veinte segundos en 704×1248 es un problema de memoria por sí solo.

Si aplicas los ajustes del muestreador a esa cifra, el costo se vuelve estructural en lugar de incidental. Cincuenta pasos con un desplazamiento de flujo de 9, con una guía de 2.5 aplicada en cada paso, implican cien pasadas hacia adelante por un transformer de 29B para cada clip. Por eso la guía tiene que paralelizarse en lugar de ejecutarse secuencialmente, y por eso la pregunta honesta sobre PAN 2 no es "qué tan bueno es", sino "cuánto me cuesta una simulación y cuántas simulaciones necesita un plan". Un planificador que evalúa cinco acciones candidatas por paso, a lo largo de una tarea de diez pasos, está pidiendo cincuenta clips. En la propia configuración publicada por el proveedor, eso supone un nodo de cuatro GPU ocupado durante buena parte de dos horas, antes de que se haya aprendido nada de la salida.

El planificador es la mitad barata, e IFM lo dejó intercambiable.

Hay una parte de este pipeline que no necesita un clúster de GPU, y el informe señala explícitamente que es intercambiable. El razonador conceptual se define como cualquier modelo de lenguaje que sigue instrucciones, e IFM clasificó cuatro de ellos según la frecuencia con la que un plan simulado se completa de principio a fin: Claude Opus 5.5 primero, luego GPT-6 Astra con esfuerzo medio, luego Kimi K3, luego Qwen3.8-Flash.

Los cuatro modelos están en el catálogo de OrcaRouter, lo que convierte el slot del razonador en la única pieza de una pila PAN 2 que puedes evaluar comparativamente sin alquilar nada. Apunta el reescritor de prompts a cada uno de ellos mediante una sola clave de API, mantén la mitad de difusión anclada a tu propio hardware y deja que el failover automático absorba un fallo temporal de un proveedor a mitad del experimento en lugar de abortar la ejecución; el precio es la tarifa de lista de cada proveedor trasladada con un 0 % de margen, así que un cambio de precio de un proveedor aparece en el endpoint el mismo día en que ocurre, en lugar de después de un ciclo de reajuste de precios. OrcaRouter no aloja PAN 2 ni puede enrutarlo —el renderizador sigue siendo tuyo—, pero la mitad del pipeline que decide qué simular es trabajo de texto medido normal, y es la mitad en la que la calidad realmente varía entre ejecuciones.

Vale la pena decirlo claramente: la clasificación anterior es de IFM, medida con las tareas de IFM y el sistema de evaluación de IFM. Es un punto de partida razonable para una lista corta. No sustituye a probar tus propios prompts con los cuatro candidatos y contar con qué frecuencia sobreviven tus planes.

La sección de limitaciones es la página más útil de la versión.

La mayoría de las tarjetas de modelo incluyen sus reconocimientos en un párrafo que nadie lee. La de PAN 2 pone el número por delante: aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Esa sola frase reencuadra todo lo anterior. Un simulador que omite un paso en dos de cada tres planes aún no es algo que le entregues a un robot y te alejes: es algo que usas para clasificar planes candidatos cuyos modos de fallo puedas sobrevivir, con un verificador en el bucle.

El resto de la lista es igualmente específico, e igualmente digno de tomarse al pie de la letra.

• Consistencia a largo horizonte — cada clip se simula a partir de como máximo un fotograma inicial más texto, por lo que la apariencia deriva entre clips en interacciones largas; la tarjeta señala la memoria perceptiva como la pieza que falta, en lugar de afirmar que ya está resuelta.

• Sensibilidad al prompt — la redacción de la observación y la acción cambia el resultado, y los ejemplos fuera de la distribución de entrenamiento necesitaron prompts refinados manualmente.

• Acciones textuales de grano grueso — el texto expresa bien «abrir un cajón» y mal «colocar cada dedo aquí», lo que limita la manipulación diestra.

• Atajos — una simulación puede avanzar mientras viola las leyes de la física; el propio ejemplo de la tarjeta es la pasta apareciendo en el colador antes de escurrirse.

El fracaso fiel no se ha medido — el estudio cuantitativo abarca planes de bucle abierto diseñados para tener éxito; qué tan bien simula PAN 2 los planes que deberían fallar es, en palabras de la ficha, algo que aún no se ha medido. Esa es la brecha que más importa para la planificación, porque un simulador que no puede mostrarte un mal resultado todavía no es un filtro.

Guardrails se distribuye como un repositorio separado, con los números adjuntos

Lo otro que hizo IFM y que la mayoría de los lanzamientos de video de pesos abiertos omite: publicó una salvaguarda junto con el modelo en lugar de un párrafo que recomendara una. pan2-guardrail filtra la solicitud con Qwen3Guard-Gen-4B antes de la generación y el video generado con un clasificador de fotogramas Q16 después, y la tarjeta informa lo que eso cuesta en ambas direcciones: las solicitudes dañinas de texto a video que producían resultados inseguros cayeron del 33,9 % al 1,5 %, no se observaron resultados inseguros de imagen a video, y se detuvo el 11,5 % de las solicitudes benignas de texto a video más el 3,3 % de las solicitudes benignas de imagen a video durante el proceso.

Esas son las mediciones internas del equipo, no una auditoría, y la tasa de falsos positivos es la cifra a la que hay que prestar atención si piensas ejecutar esto a volumen: una salvaguarda que rechaza una de cada nueve solicitudes benignas es una restricción de diseño de tu producto, no una nota al pie. También es, para ser justos, el tipo de revelación que te permite tomar esa decisión.

¿Qué haría que esto fuera más que una demo impresionante?

Tres cosas, en orden creciente de dificultad. Un estudio de fallos: la tarjeta del modelo admite que simular planes que deberían fallar no se mide, y hasta que alguien publique eso, PAN 2 es un generador de éxitos plausibles en lugar de un predictor de consecuencias. Una evaluación independiente: cada cifra de capacidad en este artículo proviene de IFM, con el arnés de IFM, con un panel de trece personas para el estudio humano, y ningún tercero ha reproducido nada de ello. Y una ruta de servicio más barata: la configuración publicada es un nodo de cuatro GPU durante dos minutos por cada trece segundos, lo cual está bien para investigación y es brutal para el bucle que el razonamiento simulado implica en realidad.

PAN 2 es, no obstante, el lanzamiento más completo del año de un modelo del mundo abierto, y la completitud es lo fundamental. Pesos, código, una receta de servicio, un contrato de prompt con un presupuesto de tokens, un guardarraíl con cifras de falsos positivos y una sección de limitaciones que empieza por la tasa de fallos. Puedes discrepar de su preparación para un robot y aun así usarlo esta semana para preguntar qué pasa si cambias el líquido, lo cual, para un modelo cuya premisa entera es que las consecuencias se pueden previsualizar, es una primera prueba justa.