PAN 2 vs ABot-Earth 0.7 : deux modèles du monde, à un axe près

Tous deux sont appelés des modèles du monde. Tous deux sont sortis au cours des deux derniers mois de 2026. Tous deux vous montreront un lieu où vous n’êtes jamais allé. Et ils ne peuvent en aucun cas se substituer l’un à l’autre dans un sens qui compterait pour un acheteur, car PAN 2 prédit ce qui se passe ensuite dans une scène au cours des vingt secondes qui suivent, tandis qu’ABot-Earth 0.7 génère une ville à l’échelle du kilomètre que vous pouvez parcourir aussi longtemps que vous le souhaitez. L’un est un modèle des conséquences. L’autre est un modèle des lieux. Si vous devez choisir entre eux pour un projet, la première étape honnête consiste à constater que la question « lequel est le meilleur » n’a pas de réponse, tandis que la question utile — duquel votre pipeline a-t-il réellement besoin, et pouvez-vous l’obtenir —, elle, en a une.

La deuxième question est celle où les deux divergent nettement, et ce n’est pas une question de goût. PAN 2 est livré sous forme de 86,17 gigaoctets de poids Apache-2.0, avec la prise en charge du serving intégrée à vLLM-Omni ; vous pouvez le télécharger cet après-midi et l’exécuter sur vos propres GPU. ABot-Earth 0.7 est un système de production au sein de l’application grand public d’Amap, sans API publique, sans poids et avec une liste blanche pour sa fonctionnalité de génération. L’un est un artefact que vous pouvez tenir. L’autre est une démonstration que vous pouvez regarder.

Ce que chacun émet, précisément

PAN 2 prend une observation — une première image facultative accompagnée d’une description textuelle — ainsi qu’un ensemble d’actions décrites en texte, et renvoie un MP4. En interne, c’est une machine à deux étages : un modèle de langage rédige une légende structurée de l’état du monde, ancrée dans le temps ; un encodeur de texte figé la transforme en caractéristiques de conditionnement ; et un transformer de diffusion multimodal de 29B génère jusqu’à vingt secondes de vidéo en 704×1248 à 24 images par seconde. La sortie est courte, coûteuse et spécifique : elle répond à « qu’est-ce que cette action fait à cette scène », et la réponse est limitée à vingt secondes, car chaque clip est simulé à partir d’au plus une image de départ.

ABot-Earth 0.7 prend une image satellite géoréférencée, ou un prompt texte, et renvoie une scène de Gaussian Splatting 3D avec des structures hiérarchiques de niveaux de détail, exportable vers Unreal Engine et Unity. Amap — la branche cartographique d'Alibaba — l'a dévoilé lors de son gala Street Stars à Hangzhou le 10 septembre 2026, en le présentant comme le premier modèle natif de monde urbain 3D et en affirmant qu'il faut environ dix minutes pour générer un environnement à l'échelle du kilomètre sur un seul GPU grand public. Le résultat est un lieu, pas un instant : on l'explore, on n'attend pas qu'il se résolve.

Mis côte à côte, la forme du décalage est évidente.

• Sortie — PAN 2 renvoie un MP4 de 20 secondes en 704×1248 et 24 fps ; ABot-Earth 0.7 renvoie une scène 3DGS avec des structures LOD, exportable vers Unreal et Unity.

• Entrée — PAN 2 prend une première image ainsi qu'une légende d'action structurée ; ABot-Earth 0.7 prend une image satellite ou une invite textuelle.

• Horizon temporel — PAN 2 simule quelques secondes d’avance, puis dérive d’un clip à l’autre au-delà ; ABot-Earth 0.7 est statique dans le temps, un instantané d’un lieu qui n’évolue pas.

• Appareil — la configuration de service par défaut documentée de PAN 2 est de huit H200 en BF16, avec une recette à quatre B300 pour treize secondes en 119 secondes ; ABot-Earth 0.7 est annoncé sur un seul GPU grand public pour un kilomètre en dix minutes.

• Accès — PAN 2 est sous licence Apache-2.0 sur Hugging Face, en accès libre, avec le code sur GitHub ; ABot-Earth 0.7 ne dispose pas de poids, n’a pas d’API publique et propose une fonctionnalité de génération accessible sur invitation uniquement.

• Évaluation indépendante — ni l’un ni l’autre n’en a. Les deux séries de chiffres proviennent des laboratoires qui ont conçu les modèles.

Le temps et l'espace ne sont pas le même axe

La distinction qui sous-tend tout cela mérite d’être précisée, car elle change ce à quoi chaque modèle sert. ABot-Earth étend une scène dans l’espace : à partir d’une seule tuile satellite, il synthétise les bâtiments, les rues et les intérieurs que vous verriez si vous y voliez, et il les maintient cohérents lorsque vous passez de la vue d’ensemble d’une ville au niveau de la rue. Son atout revendiqué est la couverture et la fidélité à l’échelle.

PAN 2 étend une scène dans le temps : à partir d’une image et d’une action décrite, il prédit les images qui suivent, et ce qu’il cherche à reproduire correctement, c’est la chaîne causale — l’éclaboussure change lorsque l’objet change, parce que la masse et la surface ont changé, et le modèle a appris cette relation plutôt que mémorisé une éclaboussure. Le positionnement d’IFM est qu’un modèle de langage prédit le mot suivant et PAN 2 prédit le monde suivant, et la démo présentée le 11 novembre 2026 le rend concret : laissez tomber une fraise dans un bol, puis remplacez-la par un canard en caoutchouc, puis changez le liquide, et les trois simulations diffèrent de manières qui découlent de la physique.

Une application qui a besoin de l’un a rarement besoin de l’autre. Une équipe de robotique qui évalue des prises candidates a besoin de l’axe de PAN 2. Un produit de cartographie, un déploiement de jumeau numérique ou un studio de jeu construisant un environnement a besoin de celui d’ABot-Earth. Le chevauchement est une bande étroite où quelqu’un veut placer une ville générée dans une simulation, puis animer ce qui s’y passe — et là, les deux se compléteraient plutôt que de se concurrencer, si la seconde moitié pouvait être obtenue.

La comparaison qui compte vraiment : pouvez-vous l’exécuter ?

Sur le plan des capacités, les deux sont incomparables et personne n’a essayé de les comparer. Sur le plan des achats, c’est le jour et la nuit.

L’histoire de l’accès à PAN 2 est inhabituellement complète pour une version de recherche. Les poids ont été publiés le 7 octobre 2026 avec une fiche modèle, des configurations et une compétence de réécriture de prompts ; le dépôt GitHub contenant les scripts d’inférence et d’entraînement a suivi le 5 novembre ; vLLM-Omni a intégré la prise en charge text-to-video et image-to-video Day-0 le 10 novembre, et une page de recette est parue le soir même, documentant la configuration à quatre B300 et la configuration par défaut à huit H200. IFM a publié son annonce sur X à 17 h 00 UTC le 10 novembre — cinquante-six minutes après la fusion du framework — ainsi libellée : « Introducing PAN 2: an open foundation world model for physical intelligence. » Aucun billet de blog, aucun lien vers un article, aucun point de terminaison hébergé, aucun prix. Mais la chose elle-même est téléchargeable, et la licence autorise l’usage commercial.

L'histoire de l'accès à ABot-Earth 0.7 est l'inverse. Le site d'expérience est en ligne, mais la génération se fait sur invitation uniquement — l'interface décrit la création comme étant en bêta et propose une candidature pour liste blanche. Il n'y a aucune tarification publiée, aucune grille tarifaire et aucune documentation destinée aux développeurs décrivant comment un système externe pourrait l'appeler. La version 0.5 publiée en juin a placé un rapport technique sur arXiv et un dépôt sur GitHub, et ce dépôt servait à héberger le rapport plutôt qu'une implémentation ; rien de ce qui a été annoncé avec la 0.7 ne suggère que les poids ont été ouverts. Le site est par ailleurs entièrement en chinois simplifié, sans sélecteur de langue, donc l'évaluer en anglais revient à travailler à partir des documents de presse d'Amap.

Pour la plupart des équipes, cela met fin à la comparaison avant même que l’on parle des capacités. Un modèle que l’on ne peut pas invoquer n’est pas un candidat ; c’est une référence de ce à quoi la catégorie ressemblera lorsqu’elle deviendra accessible.

Ce qu’Amap possède qu’IFM n’a pas, et pourquoi cela ne se transfère pas

La raison pour laquelle ABot-Earth 0.7 mérite d’être pris au sérieux malgré le problème d’accès, c’est qu’il ne s’agit pas d’une démo de laboratoire. Il alimente Flying Street View 2.0, la fonction grand public qui a remplacé les survols à itinéraire fixe par un espace 3D librement explorable, et Amap affirme que plus de 880 millions de personnes ont utilisé la surface Street Stars dans laquelle il s’inscrit. Des essais sont en cours pour certains sites sélectionnés dans des villes telles que Pékin et Hangzhou, avec des cas d’usage que l’entreprise cite concrètement : vérifier la ligne de vue depuis un siège précis de théâtre, s’orienter à l’intérieur d’un centre commercial, évaluer le terrain avant un trajet.

Derrière cela se trouve une position en matière de données qu’aucun laboratoire de modèles ne peut copier rapidement — Amap revendique près d’un milliard d’utilisateurs actifs mensuels, les appels quotidiens de positionnement Beidou en pointe approchant le billion, et des décennies de données spatio-temporelles accumulées couvrant les réseaux routiers, les points d’intérêt et le trafic en temps réel. L’architecture 3DGS est un travail publié. Le corpus qui la sous-tend ne l’est pas.

Rien de tout cela n’aide un développeur extérieur, et c’est précisément le point que la couverture du lancement tend à éviter. Les chiffres phares d’Amap — dix minutes par kilomètre carré, jusqu’à 1 000 fois plus rapide qu’une reconstruction traditionnelle pour environ 1/100e du coût, plus de 196 pays et régions, une sortie 3DGS prête pour Unreal et Unity — sont tous déclarés par le fournisseur, aucun n’a été reproduit indépendamment, et ils sont livrés avec une liste blanche plutôt qu’un point de terminaison. Le déploiement grand public est en soi une forme de preuve que le système fonctionne à l’échelle. Ce n’est pas la preuve que vous pouvez l’exploiter.

Où chacun gagne sa place dans une configuration

Supposez un instant que vous puissiez obtenir les deux, puisque c’est la situation vers laquelle la catégorie se dirige. La séparation est nette.

PAN 2 est un filtre pour les actions candidates. Sa conception suppose un agent déjà dans la boucle : le raisonneur conceptuel est n’importe quel modèle de langage capable de suivre des instructions, et IFM en a classé quatre selon l’achèvement du plan complet — Claude Opus 5.5, GPT-6 Astra en effort moyen, Kimi K3, Qwen3.8-Flash — ce qui indique que la forme visée est un raisonneur qui propose des plans et un simulateur qui en rend les conséquences afin que le raisonneur puisse en choisir un. Le coût de cette boucle est ce autour de quoi il faut planifier, pas la qualité vidéo : cinquante étapes d’échantillonnage avec guidage à chaque étape représentent cent passes avant dans un transformateur de 29B par clip, et un plan de cinq candidats en dix étapes représente cinquante clips.

Cet emplacement de raisonneur est le seul élément de la pile qui n’a besoin d’aucun cluster GPU, et les quatre modèles classés d’IFM figurent tous au catalogue OrcaRouter. Piloter le réécriveur de prompts avec une seule clé API vous permet de changer de planificateur par expérience plutôt que par contrat, le basculement automatique absorbant la dégradation du fournisseur et les tarifs catalogue des fournisseurs répercutés avec 0 % de marge, de sorte qu’un changement de prix fournisseur soit actif sur l’endpoint le jour même plutôt qu’après un cycle d’achat. OrcaRouter n’héberge pas PAN 2 et ne peut pas l’acheminer — la moitié diffusion reste sur votre matériel — mais la moitié qui décide de ce qu’il faut simuler est un travail de texte ordinaire facturé à l’usage, et c’est là que se trouve réellement la variance d’une exécution à l’autre.

ABot-Earth est une fabrique d’environnements. Sa production naturelle est un lieu où placer des choses : un terrain d’entraînement pour agents incarnés, un jumeau numérique, des données de conduite synthétiques, une scène pour une simulation. S’il finit par proposer une API, le flux de travail qu’elle permet est complémentaire de celui de PAN 2 plutôt que redondant — générer le monde une fois, puis y simuler des actions — et les formats d’export qu’Amap met déjà en avant constituent le point de jonction.

Qu’est-ce qui changerait cette page

Pour ABot-Earth 0.7, une chose avant tout : une API publiée avec un tarif. Cette seule étape transforme une liste blanche en candidat et rend pertinente la comparaison des coûts avec la facture GPU de PAN 2. Derrière elle se cachent trois inconnues plus modestes — la question de savoir si un rapport technique 0.7 paraîtra tout court, étant donné que la 0.5 en avait un en quelques jours ; si les poids seront ouverts, ce qui en ferait une proposition véritablement différente pour les équipes de simulation qu’Amap dit courtiser ; et si quelqu’un en dehors d’Amap reproduit l’affirmation des dix minutes par kilomètre carré sur du matériel qui lui appartient.

Pour PAN 2, la pièce manquante est une étude des échecs. Sa fiche de modèle admet qu'environ deux plans simulés sur trois contiennent au moins une étape qui n'est pas exécutée, et que la fidélité avec laquelle il simule des plans qui devraient échouer n'est pas encore mesurée. Un simulateur qui ne peut pas vous montrer un mauvais résultat n'est qu'un demi-filtre. Une évaluation indépendante des chiffres de capacité serait également utile ; chaque chiffre du rapport d'IFM provient du harnais d'IFM, avec un panel de treize examinateurs pour l'étude humaine.

Lequel choisir

Si vous avez besoin d’un lieu — une ville, l’intérieur d’un bâtiment, un terrain, tout ce que vous reconstruiriez autrement avec des données d’arpentage — PAN 2 ne peut pas vous aider et ABot-Earth 0.7 est le système le plus impressionnant, mais vous ne pouvez pas encore l’avoir, donc la réponse pratique est de rester sur votre pipeline de reconstruction actuel et de guetter une API. Si vous avez besoin de savoir ce que fait une action avant de l’entreprendre, ABot-Earth ne peut pas vous aider du tout — une scène statique n’a en elle aucune conséquence — et PAN 2 est l’un des rares modèles à poids ouverts qui s’y essaie, avec les poids, le code, la recette de service et le taux d’échec tous publiés.

La comparaison que les gens recherchent, comme s’il s’agissait de produits concurrents sur un rayon, n’existe pas. Ce qui existe, c’est une catégorie — les modèles du monde — qui se divise selon un axe que la plupart des articles n’ont pas pris la peine de nommer. Un côté modélise où se trouvent les choses. L’autre modélise ce qui se passe ensuite. Fin 2026, un seul d’entre eux est accompagné d’un lien de téléchargement.