PAN 2 a obtenu un chemin de service avant même son annonce.

Le 10 novembre 2026 à 16 h 03 UTC, une pull request ajoutant la prise en charge dès le jour zéro de la génération texte-vers-vidéo et image-vers-vidéo de PAN 2 a terminé sa fusion dans vLLM-Omni. À 20 h 55 UTC le même jour, une deuxième pull request a ajouté la page de recette qui explique comment le servir. PAN 2 est un transformer de diffusion vidéo de 29 milliards de paramètres de l’Institute of Foundation Models de MBZUAI, et ce qui fait de ces deux fusions l’essentiel de l’histoire, c’est l’ordre dans lequel elles sont arrivées. Le dépôt Hugging Face date du 7 octobre 2026 et le dépôt GitHub du 5 novembre ; ainsi, pendant cinq semaines, la seule trace publique du modèle a été les métadonnées du dépôt. La première déclaration officielle que je puisse trouver est une seule publication du compte X du laboratoire lui-même, @IFM_AI, horodatée à 17 h 00 UTC le 10 novembre — cinquante-six minutes après la fusion dans vLLM-Omni et près de quatre heures avant la recette. On peut y lire « Présentation de PAN 2 : un modèle-monde de fondation ouvert pour l’intelligence physique » ; elle comporte une vidéo et ne renvoie à rien d’autre qu’à elle-même. Aucun billet de blog, aucune URL d’article, aucun point de terminaison hébergé, aucune page de tarification, aucun communiqué de presse. Le chemin de service a donc bien précédé l’annonce, et l’annonce, lorsqu’elle est arrivée, a eu moins d’ampleur que la fusion : quelques centaines de « J’aime » et une paire de paragraphes. Ce qui existe, c’est 86,17 Go de checkpoint Apache-2.0, une intégration à un framework et un tweet.

Ce qui a réellement été livré, et dans quel ordre

Quatre choses distinctes se sont produites, et les confondre, c’est ainsi qu’une sortie discrète finit par être prise pour un lancement.

• Les poids — {{1}}IFM/PAN2 sur Hugging Face{{/1}}, dépôt créé le {{2}}7 octobre 2026 à 23 h 42 UTC{{/2}}, dernière modification le {{3}}9 novembre 2026 à 21 h 52 UTC{{/3}} avec un commit ajoutant la prise en charge du contrôleur de sécurité en tant que composant de pipeline modulaire Diffusers. Soixante fichiers, 86,17 Go, sans restriction d’accès, Apache-2.0.

Le code — github.com/ifm-ai/PAN2, créé le 5 novembre 2026, avec un seul commit poussé à 20:13 UTC ce jour-là. Pas un dépôt de recherche avec un README mort : il contient des scripts d’inférence, des versions d’environnement épinglées, des configurations d’entraînement, une compétence de réécriture de prompts et de la documentation pour le déploiement, l’entraînement et l’inférence.

• Le chemin de service — la PR #8602 de vLLM-Omni pour la prise en charge Day-0 de text-to-video et image-to-video, fusionnée le 10 novembre à 16:03 UTC, et la PR #10126 de la recette vLLM, fusionnée le même soir à 20:55 UTC.

• La déclaration — @IFM_AI sur X, le 10 novembre à 17:00 UTC : « Présentation de PAN 2 : un modèle-monde de fondation ouvert pour l’intelligence physique. » Deux paragraphes, une vidéo, aucun lien vers une publication, un article ou une page.

Cet enchaînement est inhabituel, et l’annonce est l’élément qui le rend plus étrange plutôt que plus normal. Normalement, un laboratoire annonce, publie les poids, et le support des frameworks arrive au compte-gouttes dans les semaines qui suivent pendant que les utilisateurs ouvrent des tickets. Ici, la fusion dans le framework est venue en premier, l’annonce est arrivée cinquante-six minutes plus tard, et la recette est arrivée quatre heures après cela. L’artefact public le plus substantiel de la courte vie du modèle reste encore une pull request, ce qui en dit long sur la façon dont cette publication a été menée : comme un dépôt d’artefacts pour les gens qui lisent les dépôts, avec un post sur les réseaux sociaux ajouté presque après coup.

Ce que le dépôt vous dira

Plus que la plupart des articles de présentation de version. PAN 2 est un modèle du monde, et non un générateur vidéo à vocation cinématographique — la distinction est architecturale plutôt que rhétorique. Il met en œuvre le schéma de prédiction latente générative décrit dans Critique des modèles du monde (arXiv 2507.05169) et répartit la tâche en deux. Un raisonneur conceptuel, qui est n’importe quel modèle de langage capable de suivre des instructions, lit l’observation et les actions demandées et écrit l’état suivant du monde sous forme de légende structurée et ancrée dans le temps : événements dans l’ordre, actions liées aux acteurs, mouvement de caméra. Un encodeur de texte figé transforme cette légende en caractéristiques de conditionnement. Ensuite, un transformateur de diffusion multimodal de 29 milliards de paramètres, entraîné de zéro sur des centaines de millions de vidéos annotées dans le même format, prédit le détail perceptif que la légende laisse ouvert. Un VAE Wan 2.2 décode les variables latentes, et l’on obtient une vidéo allant jusqu’à 20 secondes en 704×1248 et à 24 images par seconde.

La configuration publiée est suffisamment précise pour être chiffrée. La configuration du transformer indique 44 couches, 32 têtes d’attention de 128 dimensions chacune, une taille de patch de 1×2×2, 97 canaux d’entrée et 48 canaux de sortie. L’échantillonneur par défaut effectue 50 étapes avec un décalage de flux de 9 et un guidage sans classifieur de 2,5 à chaque étape. La longueur par défaut est de 241 images, soit environ dix secondes ; le plafond est de 481 images. L’encodeur de texte est Qwen3.5-9B, gelé et non modifié, et le VAE est celui de Wan 2.2. Les deux sont téléchargés depuis leurs propres dépôts — MBZUAI ne les redistribue pas, et la fiche modèle prend soin de le préciser.

Il y a aussi une compétence prompt-rewriter livrée dans le dépôt, avec un prompt système, un prompt négatif fixe et un validateur qui vérifie les légendes par rapport au budget de tokens de l’encodeur de texte : une limite souple de 1 480 tokens et une capacité stricte de 1 536. C’est l’artefact le plus utile du lot. Cela montre que le modèle n’accepte pas vraiment bien le texte libre, et que l’équipe le sait.

Ce qu’il ne vous dira pas

Presque tout ce qu’un acheteur demanderait. Il n’y a pas de prix, car il n’y a pas d’API. Il n’y a pas de point de terminaison hébergé par MBZUAI. Il n’y a pas de benchmark indépendant : les chiffres de la fiche modèle sont ceux de l’équipe, mesurés sur son propre banc d’essai, et la fiche est inhabituellement franche sur les conditions — Physics-IQ Verified normalisé de sorte que la variance entre deux prises réelles soit égale à 100, PhyGround noté sur une échelle en cinq points par Qwen3.8-27B, RBench comme moyenne non pondérée sur cinq catégories de tâches et quatre catégories d’embodiment. Ce sont des choix défendables, et aucun d’entre eux ne constitue une vérification par des tiers.

L’évaluation humaine est la preuve la plus solide de cette sortie et aussi la plus limitée. Préférence par paires en aveugle sur 140 prompts — 90 texte-vers-vidéo, 50 image-vers-vidéo — jugée selon l’adhérence à l’action, la physique et la cohérence du monde par 13 évaluateurs sur 1 400 comparaisons, avec un Elo ajusté par Bradley–Terry et centré à 1500. Treize évaluateurs, c’est un petit panel, et ils jugeaient le propre modèle de l’équipe face à des références. C’est plus que ce que publient la plupart des laboratoires. Ce n’est pas un classement.

Et la section sur les limites est plus directe que la norme du genre : environ deux plans simulés sur trois contiennent au moins une étape qui n’est pas exécutée. Cette phrase est le chiffre le plus important de la publication, et c’est celui qu’un article de lancement aurait enterré.

Dans la recette, c'est le chiffre de débit qui est vraiment révélateur.

Le support du framework compte à cause de ce que la recette affirme, pas parce qu’un logo a été ajouté. La page de recette de vLLM indique que PAN 2 génère 13 secondes de vidéo en 704×1248 en environ 119 secondes sur quatre GPU B300, en utilisant le parallélisme du classifier-free guidance sur deux rangs et le parallélisme de séquence Ulysses sur deux. La configuration par défaut est huit H200 en BF16, et la commande de service documentée ajoute le parallélisme de patch VAE sur quatre rangs en mode tuile — un détail qui n’a d’importance que parce que le décodage d’un clip de 20 secondes en 704×1248 est un problème de mémoire à part entière.

Lisez ces chiffres en les confrontant aux réglages de l’échantillonneur. Cinquante étapes avec un guidage à chaque étape, cela signifie cent passes avant dans un transformateur de 29B par clip. C’est pourquoi le guide exécute le guidage en parallèle plutôt qu’en séquentiel. C’est aussi pourquoi la question pratique concernant PAN 2 n’est pas « quelle est sa qualité » mais « combien me coûte un clip », et la réponse, avec la recette propre au fournisseur, est un nœud à quatre GPU pour deux minutes par treize secondes de vidéo. Personne n’a publié de configuration moins chère, et la valeur par défaut à huit H200 de la recette suggère que la configuration à quatre B300 est un ajustement serré plutôt qu’un minimum confortable.

Si vous voulez l'essayer, le planner est la partie que vous pouvez louer.

La conception en deux étapes de PAN 2 a une conséquence pratique curieuse. La moitié coûteuse — le socle de diffusion de 29B — est celle que vous devez auto-héberger, car personne ne la propose en tant que service et MBZUAI n’en a pas construit. La moitié bon marché, le raisonneur conceptuel qui rédige la légende structurée de l’état du monde, est un modèle textuel ordinaire et peut être n’importe quel modèle capable de suivre des instructions.

C'est là qu'un routeur justifie sa place. Le rapport PAN 2 évalue quatre moteurs de raisonnement et les classe selon l'achèvement complet du plan : Claude Opus 5.5 en premier, puis GPT-6 Astra en effort moyen, puis Kimi K3, puis Qwen3.8-Flash. Qwen3.8-Flash est disponible sur OrcaRouter, donc vous pouvez piloter l'étape de légendage de PAN 2 via une seule clé API avec basculement automatique plutôt que de déployer un second modèle local à côté de la pile de diffusion, et payer le prix catalogue du fournisseur avec 0 % de marge répercutée. Le moteur de rendu reste sur vos GPU ; le planificateur, lui, n'a pas besoin d'y rester.

Soyez clair sur ce que c'est et sur ce que ce n'est pas. OrcaRouter n'héberge pas PAN 2 et ne peut pas l'acheminer — il n'existe nulle part de PAN 2 hébergé vers lequel acheminer. Ce qu'il peut faire, c'est garder la partie langage d'un pipeline de modèle du monde sur une API facturée à l'usage pendant que vous dimensionnez la partie vidéo en fonction de votre propre matériel. Si vous préférez exécuter les deux étapes localement, le dépôt le permet aussi, et le script de réécriture de prompts est inclus précisément pour ce cas.

Qu’est-ce qui compterait comme une annonce ?

Trois choses, par ordre croissant d’importance. Un post, un article ou une page d’IFM ou de MBZUAI qui nomme PAN 2 et indique une date de sortie ou une version — le tweet du 10 novembre a validé la première moitié de cela, mais pas la seconde. Un point de terminaison d’inférence hébergé, qui permettrait de comparer les coûts avec des modèles vidéo fermés plutôt qu’avec la location de GPU. Et un benchmark indépendant exécuté par quelqu’un qui n’est pas l’auteur du modèle — Physics-IQ, PhyGround ou RBench évalués par un tiers, sur des prompts que l’équipe n’a pas choisis.

Jusqu’à ce qu’au moins le premier de ces éléments arrive au complet, la description honnête de PAN 2 est celle-ci : un artefact de recherche sous Apache-2.0 avec un chemin de service fonctionnel, un format d’invite documenté, une section franche sur les limites, un seul post sur les réseaux sociaux et aucune offre commerciale derrière. C’est plus qu’un preprint et moins qu’un produit. L’arrivée du support du framework le 10 novembre n’en a pas fait un lancement. Elle l’a rendu exécutable par des personnes qui ne veulent pas modifier un dépôt pour obtenir une première image.

L'essentiel

PAN 2 est l’un de ces rares cas où l’ingénierie devance la paperasse. Si vous développez de la simulation d’agents, de l’évaluation robotique ou de la recherche en raisonnement physique et que vous disposez d’un nœud à quatre GPU, les poids sont là, la recette est là, et la conception en deux étapes est suffisamment documentée pour être reproduite. Si vous avez besoin d’un prix par clip, d’un accord de niveau de service ou d’un fournisseur à appeler, rien de tout cela n’existe encore, et les fusions du 10 novembre n’y ont rien changé. Le modèle a été livré discrètement, si tant est que « livré » soit le mot qui convienne pour un dépôt, une fusion et une publication de deux paragraphes. Qu’il soit un jour annoncé au sens où un acheteur l’entendrait est une question distincte de son bon fonctionnement, et une seule de ces deux questions a une réponse aujourd’hui.