PAN 2 vs Genie 4 : tous deux intègrent un modèle de langage dans la boucle, et un seul le nomme

Les deux modèles du monde les plus intéressants de la fin de 2026 sont construits de la même manière, et aucune des deux entreprises ne met cela en avant. PAN 2 est le modèle du monde à poids ouverts de 29 milliards de paramètres de l'Institute of Foundation Models, publié sous forme de checkpoint Apache-2.0 le 7 octobre 2026, avec le code d'inférence et d'entraînement qui suit le 5 novembre et une prise en charge du serving dès le jour zéro dans vLLM-Omni le 10 novembre. Genie 4 est le modèle du monde interactif en temps réel de Google DeepMind, annoncé le 27 octobre 2026, qui génère une scène explorable à partir d'une description textuelle et vous permet de la piloter au clavier pendant qu'un audio natif est diffusé en accompagnement. Mettez-les côte à côte : le contraste attendu — des poids ouverts face à un aperçu de recherche, vingt secondes de vidéo face à une session en direct — est réel mais ennuyeux. L'élément intéressant, c'est que les deux délèguent la réflexion à un modèle de langage, et seul PAN 2 vous indique de quel modèle de langage il s'agit et vous permet de le changer.

{{1}}Cette seule différence de divulgation{{/1}} vaut plus qu'un {{2}}tableau de benchmarks{{/2}}, car elle détermine si vous pouvez raisonner sur le système tout court. Un modèle du monde avec une moitié de raisonnement non nommée est un produit. Un modèle du monde avec une moitié de raisonnement nommée et interchangeable est une architecture.

La forme partagée : un raisonneur écrit l’avenir, un moteur de rendu le dessine

PAN 2 met en œuvre Generative Latent Prediction, le schéma formalisé dans Critique of World Models (arXiv 2507.05169). Un raisonneur conceptuel — tout modèle de langage capable de suivre des instructions — lit l’observation actuelle et les actions demandées, puis écrit l’état suivant du monde sous la forme d’une description structurée et ancrée dans le temps : les événements dans l’ordre, chaque action étant liée à l’acteur qui l’exécute, ainsi que le mouvement de caméra. Un encodeur de texte Qwen3.5-9B gelé transforme cette description en caractéristiques de conditionnement. Un transformateur de diffusion multimodal de 29B, entraîné de zéro sur des centaines de millions de vidéos annotées, comble les détails perceptifs que la description laisse en suspens, et un VAE Wan 2.2 décode le résultat en images.

La description publiée par Google de Genie 4 présente la même répartition des tâches sous des noms de produits différents. Gemini Omni ancre la simulation dans une apparence et un comportement réalistes ; d'autres modèles Gemini fournissent le raisonnement nécessaire à la cohérence et à la continuité ; et Gemini 3.8 Flash agit comme un agent guide qui observe la scène, planifie les étapes et vérifie les progrès. Ce dernier rôle est celui d'un vérificateur dans la boucle — un modèle de langage qui surveille le modèle du monde et le maintient sur la tâche. Google a également associé Genie 4 à Gemini 4 Argon pour la simulation robotique multi-étapes, avec notamment une démonstration d'un humanoïde Apptronik Apollo jouant aux dames.

Donc, dans les deux piles, les pixels constituent la moitié bon marché et rapide, et le modèle de langage est la moitié qui décide de ce qui doit se produire. C’est la forme sur laquelle le domaine s’est aligné en 2026 sans l’annoncer : un modèle du monde n’est pas un générateur vidéo doté d’un a priori physique, c’est un planificateur plus un moteur de rendu, et le planificateur est un modèle textuel ordinaire que l’on pourrait mesurer.

Cette convergence est ce qui donne de l’importance à l’écart de divulgation. IFM a classé quatre planificateurs selon la fréquence à laquelle un plan simulé se déroule de bout en bout — Claude Opus 5.5 en première position, GPT-6 Astra à effort moyen en deuxième, Kimi K3 en troisième, Qwen3.8-Flash en quatrième — et a publié le classement ainsi que le banc de test qui l’a produit, tout en précisant que le raisonneur conceptuel est par définition interchangeable. Google a cité Gemini 3.8 Flash dans la boucle, ce qui est plus que ce que disent la plupart des laboratoires, et n’a rien publié sur la manière de le remplacer, de le tarifer séparément ou de mesurer si un autre modèle planifierait mieux.

Vingt secondes dans un lot, ou une session que vous pilotez

Les modèles d’interaction sont opposés, et c’est ici que les deux cessent d’être comparables et commencent à être des outils différents.

Sortie — PAN 2 renvoie jusqu’à vingt secondes de vidéo 704×1248 à 24 images par seconde par appel ; Genie 4 renvoie une scène en direct et persistante dont Google n’a pas publié la résolution, la fréquence d’images ni la durée.

• Contrôle — PAN 2 prend une image de départ ainsi qu’une légende d’action structurée, affinée par une compétence de réécriture de prompt ; Genie 4 prend un prompt textuel, puis une saisie clavier continue pour le déplacement et la caméra.

• Audio — PAN 2 n'en propose aucun ; Genie 4 génère un son d'ambiance, un audio de type musical et des dialogues interactifs avec les personnages en parallèle des visuels, ce que Google présente comme une première pour un modèle de monde en temps réel.

• Comportement en mode batch — PAN 2 est un oracle par lots : un appel, un clip, aucune rétroaction pendant l’appel ; Genie 4 est une boucle fermée où votre entrée à la troisième seconde modifie la quatrième seconde.

• Coût — la configuration par défaut documentée de PAN 2 est de huit H200 en BF16, avec une recette vLLM qui traite treize secondes de vidéo en 704×1248 en environ 119 secondes sur quatre B300 ; Genie 4 n’a pas de prix, car il n’existe pas d’accès en libre-service.

• Accès — les poids de PAN 2 représentent 86,17 gigaoctets répartis sur soixante fichiers sous Apache-2.0, sans restriction d’accès ; Genie 4 est un aperçu de recherche destiné aux testeurs de confiance, avec un parcours annoncé vers les abonnés AI Ultra via une liste d’attente et vers les partenaires en accès anticipé via l’API Gemini et Google AI Studio.

Lisez cette liste et la réponse pratique est nette. Si vous voulez demander « que se passe-t-il si » quelques milliers de fois et évaluer les réponses, PAN 2 est le seul des deux à pouvoir être appelé dans une boucle que vous contrôlez. Si vous voulez explorer, orienter et écouter, Genie 4 est le seul des deux à proposer une place, tout simplement — et vous ne pouvez probablement pas encore y accéder.

La fiche technique que Google n'a pas publiée

Ce qui frappe le plus dans l’annonce de Genie 4, c’est la longueur de la liste de ce qui n’y figure pas : aucune résolution, aucune fréquence d’images, aucun nombre de paramètres, aucun prix, aucune durée mesurée de cohérence de scène, aucun benchmark avec des références nommées. Ce que Google a publié, en revanche, est un ensemble d’aveux : la cohérence tient sur de courtes sessions, et les détails visuels ainsi que la permanence des objets peuvent dériver lors de sessions plus longues, après des modifications complexes ou pendant la navigation. Les interactions physiques complexes, la précision audio, la lisibilité du texte intégré au monde, la précision spatiale et la cohérence à long terme sont cités comme des problèmes de recherche ouverts. Chaque sortie porte un filigrane SynthID.

Rien de tout cela n’est évasif. C’est la forme honnête d’un aperçu de recherche, et mentionner la dérive comme problème ouvert, c’est plus que ne le font la plupart des articles de lancement. Mais cela signifie qu’un lecteur ne peut rien calculer à partir de Genie 4 : ni le nombre de clips par dollar, ni le nombre de secondes par GPU, ni la durée à partir de laquelle une scène cesse d’être utilisable. Le seul chiffre qu’un acheteur souhaiterait le plus — combien de temps une session reste cohérente — est précisément celui que l’annonce décrit qualitativement sans le quantifier.

PAN 2 répond à la même question avec un chiffre qui est pire et donc plus utile. Sa fiche de modèle indique qu’environ deux plans simulés sur trois contiennent au moins une étape qui n’est pas exécutée. Elle précise que l’apparence dérive d’un clip à l’autre lors d’interactions longues parce que chaque clip est simulé à partir d’au plus une image de départ et de texte, et elle désigne la mémoire perceptive comme la pièce manquante plutôt que de prétendre qu’elle est résolue. Elle concède que le texte exprime bien « ouvrir un tiroir » et mal « placer chaque doigt ici », ce qui borne la manipulation fine. Elle donne un exemple concret de raccourci — des pâtes apparaissant dans la passoire avant d’être égouttées — et admet que la simulation de plans censés échouer n’est, selon les mots de la fiche, pas encore mesurée.

Ce dernier aveu est celui qui devrait accompagner tout modèle du monde dans une spécification produit. Un simulateur qui ne peut rendre que le succès est un générateur de résultats plausibles, pas un filtre pour les mauvais, et toute la prémisse du raisonnement par simulation — simuler plusieurs plans candidats, comparer, agir sur le meilleur — dépend de la capacité du modèle à vous montrer un plan qui échoue. PAN 2 dit tout haut qu'il n'a pas été testé sur ce point. Genie 4 ne se prononce pas dans un sens ou dans l'autre.

Le basculement n’est une fonctionnalité d’aucun des deux modèles, et c’est pourtant la fonctionnalité dont vous avez besoin.

Ces deux systèmes sont des artefacts de recherche orientés vers un problème qui sera résolu par des équipes soumises à des délais de production, et c'est dans l'écart entre ces deux réalités qu'une couche de routage justifie sa place. La moitié rendu d'une pile PAN 2, c'est votre matériel, et elle le restera toujours — OrcaRouter n'héberge pas PAN 2 et ne peut pas le router, et aucun catalogue ne peut router un transformer de diffusion de 29 milliards de paramètres que vous exécutez sur votre propre nœud. Ce qui est routable, c'est la moitié qui décide quoi simuler, car cette moitié n'est que du travail textuel ordinaire facturé à l'usage.

Les quatre planificateurs classés par IFM figurent tous au catalogue OrcaRouter : Claude Opus 5.5, GPT-6 Astra, Kimi K3 et Qwen3.8-Flash. Cela fait du slot de raisonneur la seule partie d’un pipeline PAN 2 que vous pouvez évaluer cet après-midi sans louer de nœud GPU — dirigez le réécrivain de prompts vers chacun d’eux via une clé unique, maintenez la moitié diffusion fixe et comptez la fréquence à laquelle vos plans survivent. Les tarifs catalogue des fournisseurs sont répercutés avec 0 % de marge, de sorte que la comparaison des coûts repose sur les tarifs des fournisseurs eux-mêmes plutôt que sur les nôtres, et le basculement automatique absorbe une défaillance de fournisseur en cours de balayage au lieu d’interrompre l’exécution.

La même voie couvre le versant Genie 4, de justesse. Gemini 3.8 Flash est le modèle que Google décrit comme l’agent de guidage en boucle de Genie 4, et il est appelable via le même catalogue. Vous ne pouvez pas obtenir Genie 4. Vous pouvez construire la partie de l’architecture que Google a décrite — un modèle doté de capacités visuelles qui observe les images générées, planifie les étapes suivantes et vérifie les progrès — et le pointer vers un modèle du monde que vous possédez. Ce n’est pas le même produit. C’est la même couche de contrôle, et c’est la couche où se trouve en réalité l’essentiel de l’ingénierie.

Soyez clair sur ce que vaut le classement ci-dessus : l’ordre d’IFM a été mesuré sur les tâches d’IFM avec le harness d’IFM, par rapport aux bases de référence propres à IFM, et personne ne l’a reproduit. C’est une liste restreinte, pas un tableau de classement. Tester vos propres prompts sur quatre candidats ne prend que quelques heures et constitue la seule preuve qui s’applique à votre problème.

L’autre chiffre qu’il vaut la peine d’intégrer à tout budget est celui du serving. Cinquante étapes d’échantillonnage avec un décalage de flux de 9 et une guidance de 2,5 à chaque étape signifient cent passes avant à travers un transformeur de 29B par clip, ce qui explique pourquoi la guidance doit être parallélisée entre les rangs plutôt qu’exécutée séquentiellement. Un planificateur qui évalue cinq actions candidates par étape sur une tâche de dix étapes demande cinquante clips, ce qui, dans la configuration publiée à quatre B300, occupe un nœud pendant la majeure partie de deux heures avant que quoi que ce soit ait été appris de la sortie. Le raisonnement simulatif n’est pas coûteux parce que le modèle est grand. Il est coûteux parce que l’idée est une boucle.

Sortie, contrôle et ce que chacun refuse de dire sur la durée

Six dimensions structurent la comparaison, et quatre d’entre elles ne portent pas du tout sur la qualité.

Sortie — PAN 2 renvoie jusqu’à vingt secondes de vidéo 704×1248 à 24 images par seconde par appel ; Genie 4 renvoie une scène en direct et persistante dont Google n’a pas publié la résolution, la fréquence d’images ni la durée.

• Contrôle — PAN 2 prend une image de départ ainsi qu’une légende d’action structurée, affinée par une compétence de réécriture de prompt ; Genie 4 prend un prompt textuel, puis une saisie clavier continue pour le déplacement et la caméra.

• Audio — PAN 2 n'en propose aucun ; Genie 4 génère un son d'ambiance, un audio de type musical et des dialogues interactifs avec les personnages en parallèle des visuels, ce que Google présente comme une première pour un modèle de monde en temps réel.

• Comportement de boucle — PAN 2 est un oracle par lots sans rétroaction au sein d’un appel ; Genie 4 est une boucle fermée où votre saisie à la troisième seconde modifie la quatrième seconde.

• Base de coût — la valeur par défaut documentée de PAN 2 est de huit H200 en BF16, avec une recette qui traite treize secondes de vidéo en 704×1248 en environ 119 secondes sur quatre B300 ; Genie 4 n’a pas de prix car il n’existe pas d’accès en libre-service.

• Accès — les poids de PAN 2 représentent 86,17 gigaoctets répartis sur soixante fichiers sous Apache-2.0, sans restriction d’accès ; Genie 4 est un aperçu de recherche destiné aux testeurs de confiance, avec un parcours annoncé vers les abonnés AI Ultra via une liste d’attente et vers les partenaires en accès anticipé via l’API Gemini et Google AI Studio.

La ligne de durée est celle qui détermine la plupart des décisions réelles, et c’est aussi la ligne où les deux sont le moins comparables. PAN 2 vous donne exactement vingt secondes et vous indique que cela dérive d’un clip à l’autre, car chaque clip est simulé à partir d’au plus une image de départ et de texte. Genie 4 vous donne une session de durée non spécifiée, reconnaît que la cohérence ne tient que sur de brèves sessions et qualifie la cohérence à long terme de problème de recherche ouvert. Aucun des deux ne vous dira à partir de quelle durée la sortie cesse d’être fiable, et c’est ce chiffre — et non un score de benchmark — dont un pipeline a réellement besoin.

Qu’est-ce qui en ferait une véritable comparaison ?

Une chose : une tâche commune. Personne n’a fait tourner PAN 2 et Genie 4 sur la même question, et il n’est pas évident qu’ils puissent le faire — l’un produit des clips de longueur fixe à partir d’une légende, l’autre produit une session interactive à partir d’un prompt et d’un clavier. La mesure commune la plus proche serait l’adhérence aux actions dans le cadre d’un plan décrit, et seul PAN 2 a publié un harnais pour cela : 300 cas à action unique répartis en six catégories de capacités, 100 tâches multi-étapes formulées sous la forme de 200 prompts et 456 étapes, évaluées sur l’achèvement des étapes et l’achèvement du plan complet sur trois graines. Treize évaluateurs ont produit les chiffres de préférence humaine sur 140 prompts dans une étude en aveugle par paires, en jugeant le modèle des auteurs par rapport aux références des auteurs. Ce n’est pas indépendant. C’est lisible, ce qui est la meilleure alternative, et c’est plus que ce que propose l’autre camp.

Voici donc le choix, énoncé aussi simplement que les éléments de preuve le permettent. Si vous avez besoin d’un modèle du monde que vous pouvez télécharger, auditer, affiner et interroger par lots — et que vous possédez ou pouvez louer un nœud multi-GPU —, PAN 2 est la version ouverte la plus complète de la catégorie, et sa propre section sur les limites en est la page la plus précieuse. Si vous avez besoin d’un monde dans lequel une personne peut se déplacer, avec du son, et que vous êtes prêt à attendre une liste d’attente et à développer sur une API dont ni la date ni le prix ne sont annoncés, Genie 4 est le système le plus impressionnant et celui derrière lequel se trouve un chemin de distribution.

Le décalage à éviter, c’est de considérer l’un comme un substitut à l’autre. L’étendue de Genie 4 ne prouve pas qu’il peut évaluer un plan ; les poids téléchargeables de PAN 2 ne prouvent pas qu’il peut maintenir la cohérence d’une scène pendant que vous la pilotez. Ce qu’ils partagent réellement, c’est l’architecture à laquelle les deux entreprises sont parvenues indépendamment — un modèle de langage qui décide, un modèle de diffusion qui dessine — et le fait qu’en 2026, on ne peut encore voir à l’intérieur que de l’un des deux.