PAN 2 לעומת Gemma 4 12B: סימולטור ומנוע הסקה אינם יריבים

כל עמוד השוואה באינטרנט רוצה מנצח, והעמוד הזה לא יכול להציג אחד בכנות, כי PAN 2 ו-G​emma 4 12B לא מבצעים את אותה משימה. PAN 2 הוא שנאי דיפוזיה לווידאו עם 29 מיליארד פרמטרים מטעם המכון למודלי יסוד של MBZUAI, שמקבל תמונה ותיאור של פעולות ומחזיר עד עשרים שניות של וידאו ב-704×1248 שמראה מה קורה לאחר מכן. G​emma 4 12B Unified הוא מודל שפה מולטימודלי ללא מקודד עם 11.95 מיליארד פרמטרים מבית G​oogle DeepMind, שמקבל טקסט, תמונות ואודיו ומחזיר טקסט. האחד מרנדר השלכות; האחר מדבר עליהן. אם הגעתם לכאן בחיפוש אחר טבלת בנצ'מרק שמדרגת אותם זה מול זה, כזו לא קיימת ולא יכלה להתקיים — אין להם הערכת ביצועים משותפת. מה שכן קיים הוא החלטה אמיתית, כי השניים מוטמעים יותר ויותר באותו צינור עיבוד: מודל ההיסק כותב את התוכנית, והמדמה מראה לכם מה התוכנית עושה. לכן השאלה השימושית היא לא איזה מהם טוב יותר אלא איזה מהם הבעיה שלכם באמת צריכה, ומה עולה לכם להחזיק בכל אחד מהם.

אי-ההתאמה, במילים פשוטות

ל-Gemma 4 12B יש טבלת הערכה ציבורית ול-PAN 2 אין, והאסימטריה הזו אינה אות איכות — היא אות קטגוריה. Google מפרסמת MMLU Pro, GPQA Diamond, AIME, LiveCodeBench ועוד תריסר בנצ'מרקים אחרים לטקסט ולחזון, כי מודלי שפה נמדדים על סרגל מדידה משותף שקיים כבר שנים. הכרטיס של PAN 2 מפרסם Physics-IQ Verified, PhyGround, RBench ומחקר העדפות אנושיות, כי מודלי עולם וידאו נמדדים בכלי מדידה שהומצאו לאחרונה, רובם על ידי המעבדות שבונות את המודלים.

• פרמטרים — PAN 2: 29B בטרנספורמר דיפוזיה מולטי-מודאלי יחיד, עם מקודד טקסט Qwen3.5-9B קפוא ו-VAE של Wan 2.2 שנטען לצידו. G​emma 4 12B: 11.95B, 48 שכבות, ללא מקודד, כאשר פיסות תמונה גולמיות וצורות גל אודיו מוקרנות ישירות אל מרחב ההטמעה של המפענח.

• קלט ופלט — PAN 2: פריים ראשון אופציונלי בתוספת כיתוב מובנה של מצב העולם, והפלט הוא MP4. Gemma 4 12B: טקסט, תמונה, אודיו ווידאו נכנסים, טקסט יוצא, עם הקשר של 256K אסימונים ותמיכה מקורית בהנחיית מערכת.

• רישיון — PAN 2: Apache-2.0 על הקוד והמשקולות שלה, עם רכיבי צד שלישי בתנאים שלהם. G​emma 4 12B: Apache-2.0 תחת תנאי רישיון G​emma 4.

• משקלים על הדיסק — PAN 2: 86.17 GB על פני שישים קבצים במאגר IFM/PAN2, מתוכם 67.37 GB הם הטרנספורמר עצמו ו-15.87 GB הם מקודד הטקסט. G​emma 4 12B: כ-12 מיליארד פרמטרים של BF16, בערך רבע מהטרנספורמר בלבד.

במה כל אחד מהם באמת טוב, על סמך הראיות שלו עצמו

המספרים של G​emma 4 12B הם הקריאים יותר מבין השניים, והם מכובדים ביחס לגודל. MMLU Pro של 77.2%, GPQA Diamond של 78.8%, AIME 2026 ללא כלים של 77.5%, LiveCodeBench v6 של 72.0% וציון Codeforces של 1659 — כפי שדווח על ידי הספק — מציבים אותה בבירור מעל הדור הקודם: G​emma 3 27B משיגה 67.6%, 42.4%, 20.8%, 29.1% ו-110 באותן שורות. בתחום הראייה היא מציגה MMMU Pro של 69.1% ו-MATH-Vision של 79.7%. בהקשר ארוך, MRCR v2 עם שמונה מחטים ב-128K מגיע ל-43.4%. אלה ההערכות של G​oogle עצמה על המודל של G​oogle עצמה, והכרטיס אומר זאת; יש להתייחס אליהן כאל טענת ספק מתועדת היטב ולא כאל הכרעה בלתי תלויה.

ל-PAN 2 אין שום דבר דומה, והוא אינו מתיימר לכך. הטענה שלו צרה ומוזרה יותר: שמודל דיפוזיה המותנה בתיאור מובנה ומעוגן בזמן ידמה את ההשלכות הפיזיקליות והסיבתיות של פעולה ברמה מספקת כדי שסוכן יוכל להשוות תוכניות מועמדות לפני שיתחייב לאחת. התמיכה בטענה זו היא מחקר של 300 מקרים בפעולה בודדת על פני שש קטגוריות יכולות, מחקר רב-שלבי של 200 פרומפטים עם 456 שלבים, ומבחן העדפה אנושי עיוור של 1,400 השוואות. כל השלושה הם של הצוות עצמו. אף אחד מהם אינו חל על שום דבר ש-G​emma 4 12B נמדד עליו.

שאלת הפריסה היא המקום שבו ההשוואה נושכת.

כאן שני המודלים מפסיקים להיות בלתי ניתנים להשוואה, מפני ששניהם חייבים לחיות על חומרה שאתה משלם עבורה.

G​emma 4 12B פועל על GPU בודד לצרכן או לתחנת עבודה ב-BF16, ועל הרבה פחות עם קוונטיזציה. יש לו תמיכה מהיום הראשון בסטאקים הסטנדרטיים של אינפרנס, אוצר מילים של 262K, וקבוצה מתועדת של ברירות מחדל לדגימה ולמצב חשיבה. אם עומס העבודה שלך הוא הבנת מסמכים, קריאה לכלים או הסקה על הקשר ארוך, זו פריסה משעממת ומוכרת, וההחלטות המעניינות הן כולן סביב פרומפטינג.

ל-PAN 2 אין פריסה משעממת. הכותרת של המתכון של vLLM עצמו היא ששלוש עשרה שניות של וידאו בגודל 704×1248 אורכות כ-119 שניות על ארבעה מעבדי B300, כאשר classifier-free guidance מוקבל על פני שני ראנקים ו-Ulysses sequence parallelism על פני שניים. ברירת המחדל היא שמונה מעבדי H200 ב-BF16. הדגם רץ חמישים צעדים עם הנחיה בכל צעד — מאה מעברי forward דרך טרנספורמר של 29B לכל קליפ — ולכן ההקבלה אינה אופציונלית. ופורמט התנאי אינו טקסט חופשי: המודל מצפה לכיתוב מובנה של מצב העולם, והמאגר מספק סקיל prompt-rewriter עם מאמת שאוכף מגבלה רכה של 1,480 טוקנים וקיבולת קשיחה של 1,536 מול התקציב של מקודד הטקסט.

הפרט האחרון הזה הוא זה שמכריע את רוב ההערכות. לא ניתן להקליד משאלה אל תוך PAN 2 ולקבל וידאו. יש לתאר אירועים לפי הסדר, לקשור פעולות לשחקנים ולציין תנועת מצלמה, וכרטיס המודל מציין במפורש שמקרי הבוחן של הסוכן הסתמכו על פרומפטים שעברו עידון ידני. G​emma 4 12B יקבל בשמחה פסקת פרוזה ויחזיר לך משהו שימושי כבר בניסיון הראשון. אם אתה רוצה לדעת איך PAN 2 מרגיש בפועל, התשובה הכנה היא שהוא מרגיש כמו מודל עם חוזה ממשק, ולא כמו תיבת צ'אט.

היכן ששניהם שייכים באותה מערכת

הסיבה שההשוואה הזו ממשיכה לעלות היא שעבודת סוכנים זקוקה כעת לשני החצאים. סוכן שמתכנן בטקסט ופועל בסביבה אמיתית זקוק למנוע הסקה שיחליט מה לעשות, ויותר ויותר גם לסימולטור שיראה מראש איך זה ייראה. G​emma 4 12B יכול להיות מנוע ההסקה — הוא קטן מספיק כדי לשכון לצד שאר הסטאק, הוא מטפל בתמונות ובאודיו כקלט, וציוני עמידת ההוראות והשימוש בכלים שלו הם הנקודה של המודל. PAN 2 יכול להיות הסימולטור, והארכיטקטורה שלו עצמה מניחה שמשהו כמו G​emma כבר נמצא בלופ: מנוע ההסקה המושגי מוגדר ככל מודל שפה שעוקב אחר הוראות, והדוח מדרג ארבעה מהם לפי באיזו תדירות תוכנית מדומה מושלמת מקצה לקצה — Claude Opus 5.5 ראשון, אחר כך GPT-6 Astra במאמץ בינוני, אחר כך Kimi K3, ולבסוף Qwen3.8-Flash.

אם זה המבנה של המערכת שלך, ההשוואה היא בכלל לא בין PAN 2 ל-Gemma 4 12B. היא בין PAN 2 בתוספת מודל חשיבה, והבחירה במודל החשיבה היא בדיוק המקום שבו נמצאים בפועל העלות והשונות באיכות.

זהו מקום שבו נתב עושה עבודה אמיתית ולא עבודת שיווק. חצי הסימולציה חייב לרוץ על ה-GPU שלך — אף אחד לא מארח את PAN 2, כולל MBZUAI — אבל חצי ההיסק יכול להיות קריאת API בתשלום לפי שימוש, והחלפה בין Claude Opus 5.5, GPT-6 Astra ו-Qwen3.8-Flash כדי למצוא איזה מהם משלים את התוכניות שלך בתדירות הגבוהה ביותר היא שאלת ניתוב, לא שאלת רכש. Qwen3.8-Flash נמצא ב-OrcaRouter, כך שתוכל להשוות שלושה מתכננים מול פריסת PAN 2 שלך דרך מפתח API אחד עם מעבר אוטומטי בין ספקים, במחיר המחירון של הספק עם 0% תוספת מחיר שעוברת הלאה. OrcaRouter לא מארחת את PAN 2 ואינה יכולה לנתב אותו. היא יכולה להשאיר את החצי הזול של הצינור גמיש בעוד החצי היקר נשאר מוצמד לחומרה.

מה ישנה את ההשוואה הזו?

שני דברים, שאף אחד מהם אינו קיים ב-11 בנובמבר 2026. ראשית, הערכה עצמאית של PAN 2 בידי מי שאינו מחברו — עד אז טענות היכולת שלו הן מטעם הספק ויש לקרוא אותן כך. שנית, נקודת קצה מתארחת או הערת מהדורה אמיתית עבור PAN 2 — הפוסט האחד בחשבון ה-X של המעבדה אינו כזה — מה שיהפוך החלטת אירוח עצמי להשוואת מחירים ויהפוך את קטע הפריסה בעמוד הזה למיושן בין לילה.

Gemma 4 12B לא זקוק לאף אחד מהשניים. זהו מודל שכבר הושק, מתועד ופרוס באופן נרחב, עם למעלה מ־1.8 מיליון הורדות בחודש ב-Hugging Face, וטבלת ההערכה שלו עברה חודשים של שימוש קהילתי לאיתור נקודות התורפה. פרופיל הסיכון של אימוצו קרוב לאפס. פרופיל הסיכון של אימוץ PAN 2 הוא שתבזבזו שבוע על תשתית עבור מודל שקטע המגבלות שלו אומר שכשני שלישים מהתוכניות המדומות מכילות לפחות שלב אחד שאינו מבוצע. המשפט הזה אינו סיבה לדלג עליו. הוא סיבה לדעת מה אתם קונים לפני שאתם שוכרים את ה-GPUs.

איך לבחור

אם אתה צריך שטקסט, תמונות או אודיו יובנו ויקבלו מענה, PAN 2 אינו מועמד, ושום תקציב GPU לא יהפוך אותו לכזה. קח את G​emma 4 12B, או אחד מגרסאות ה-G​emma 4 הגדולות יותר אם המספרים של 12B לא מספיקים. אם אתה צריך לראות איך פעולה תיראה לפני שאתה מבצע אותה — מניפולציה רובוטית, סימולציית משימות אגוצנטרית, הערכת הסקה פיזיקלית — G​emma 4 12B גם לא יכול לעשות זאת, ו-PAN 2 הוא אחד מהמודלים הבודדים עם משקלים פתוחים שמנסים לעשות זאת. אם אתה צריך סוכן שעושה את שניהם, התשובה היא סטאק, לא מודל, וההנדסה המעניינת נמצאת בממשק ביניהם: פורמט הכיתוב המובנה ש-PAN 2 דורש הוא בדיוק התוצר שצריך ללמד מודל הסקה כמו G​emma 4 12B לייצר.