PAN 2 הופך את "מה אם" לבר-צפייה — ואומר זאת במקומות שבהם הוא נכשל

זרקו תות לקערה ואתם כבר יודעים, בלי לחשוב על זה, בערך איך הנוזל ניתז. PAN 2 הוא מודל העולם של המכון למודלי יסוד ב-MBZUAI, שנבנה לדעת את אותו הדבר ולהראות אותו. תנו לו פריים התחלתי, תארו פעולה בטקסט, והוא מחזיר עד עשרים שניות של וידאו ב-704×1248 בקצב של 24 פריימים לשנייה, שמראה מה הפעולה עושה לסצנה. ההדגמה שהפכה ויראלית ב-11 בנובמבר 2026 היא ההסבר הבהיר ביותר לרעיון שמישהו הפיק: החליפו את התות בברווז גומי, או שנו את הנוזל, והנתז משתנה בהתאם, כי המודל חוזה תוצאה פיזיקלית במקום לשלוף קליפ. ההודעה של IFM עצמה, שפורסמה בערב שלפני כן, ניסחה את הרעיון במשפט אחד — "מודל שפה חוזה את המילה הבאה. PAN 2 חוזה את העולם הבא: מה קורה אחרי כל פעולה, מעוגן בזמן, בפיזיקה ובמרחב."

מה שהופך את זה ליותר מסיסמה הוא השחרור שכורך סביבו. המשקולות הן ברישיון Apache-2.0 ונמצאות ב-Hugging Face מאז 7 באוקטובר 2026: 86.17 ג'יגה-בייט על פני שישים קבצים, כאשר קוד האינפרנס מגיע בעקבותיהן ל-GitHub ב-5 בנובמבר, ותמיכת הגשה מסוג Day-0 מוזגת אל vLLM-Omni ב-10 בנובמבר. לכן השאלה שכדאי לענות עליה אינה עוד אם PAN 2 קיים או מי יכול להשיג אותו. אלא מהו הדבר שסימולטור בן 29 מיליארד פרמטרים שניתן להורדה עושה טוב מספיק כדי שתכנן על סמך הפלט שלו, והיכן התיעוד של הצוות עצמו אומר לך שלא לעשות זאת.

ההדגמה היא צינור עיבוד דו-שלבי שעוטה את שמו של מודל אחד.

קליפ התות נראה כמו יצירת וידאו מטקסט. הוא לא, וההבחנה הזו היא כל התכנון. PAN 2 מיישם את דפוס ה-Generative Latent Prediction שהוצג בCritique of World Models (arXiv 2507.05169), שמפצל את החיזוי לחצי חשיבה ולחצי רינדור.

חלק ההיסק הוא מודל שפה — כל מודל שמציית להוראות — שקורא את התצפית ואת הפעולות המבוקשות וכותב את מצב העולם הבא ככיתוב מובנה ומעוגן בזמן: האירועים לפי הסדר, כל פעולה משויכת למי שמבצע אותה, בתוספת תנועת מצלמה. הכיתוב הזה אינו קישוט. הוא הממשק הממשי. מקודד טקסט קפוא מסוג Qwen3.5-9B ממפה אותו לתכונות התניה, וטרנספורמר דיפוזיה מולטימודלי בגודל 29B שאומן מאפס על מאות מיליוני סרטונים שתויגו באותו פורמט משלים את הפרט התפיסתי שהכיתוב מותיר פתוח. VAE מסוג Wan 2.2 מפענח את הלטנטים לפריימים.

מה שאומר שהטענה האמיתית של ההדגמה אינה עוסקת בפיקסלים כלל. היא שתיאור מובנה של פעולה הוא אות בקרה מספיק כדי שסימולטור יפיק תוצאה קוהרנטית פיזית — ושסוכן יכול אפוא לדמות כמה תוכניות מועמדות, להשוות ביניהן ולפעול לפי הטובה ביותר. זה מה ש-IFM מתכוון אליו ב"הסקה באמצעות סימולציה", ולכן התות, הברווז והנוזל המוחלף הם שלוש הרצות של אותה שאלה ולא שלושה קטעי צילום.

התוצאה המעשית אינה ידידותית. אינך יכול להקליד משאלה אל תוך PAN 2 ולקבל סרטון. המאגר מספק מיומנות לשכתוב פרומפטים — פרומפט מערכת, פרומפט שלילי קבוע, ומאמת שבודק כתוביות מול תקציב מקודד הטקסט של 1,480 טוקנים ברכות ו-1,536 בקשיחות — וכרטיס הדגם אומר בפשטות שמחקרי המקרה של הסוכן הסתמכו על פרומפטים שעודנו ביד. טקסט חופשי עובר שכתוב לפני השימוש בו. זהו דגם עם חוזה ממשק, לא תיבת צ'אט.

מה מדד הדוח, והמילים שבהן השתמש

IFM פרסמה היקף הערכה גדול יותר מזה שרוב הפצות מודלי הווידאו מפרסמות, ותייגה את התנאים בדיוק רב יותר מרובן. כל זה הוא מעבודת הצוות על תשתית ההערכה של הצוות עצמו, וכרטיס המודל מציין זאת בקטע שבו זה חשוב.

• פעולות בודדות — 300 מקרי בדיקה על פני שש קטגוריות יכולות, 201 מתמונה לווידאו ו-99 מטקסט לווידאו, כאשר הדיוק מדווח כאחוז.

• תוכניות מרובות שלבים — 100 משימות יומיומיות מנקודת מבט אגוצנטרית שהוצגו בשני הכיוונים, 200 פרומפטים ו-456 שלבים, עם ניקוד על השלמת שלבים והשלמת תוכנית מלאה, בממוצע על פני שלושה זרעים.

• מדדים ציבוריים — Physics-IQ Verified בהגדרת תמונה לווידאו, מנורמל כך שהשונות בין שני צילומים אמיתיים שווה ל-100; PhyGround בסולם של חמש נקודות לפי שיפוט Qwen3.8-27B; RBench כממוצע לא משוקלל על פני חמש קטגוריות משימות וארבע קטגוריות מימוש גופני, כפול 100.

• העדפת בני אדם — השוואה זוגית עיוורת על 140 פרומפטים, 90 טקסט לווידאו ו-50 תמונה לווידאו, שנשפטו לפי דבקות בפעולה, פיזיקה ועקביות עולם על ידי 13 סוקרים לאורך 1,400 השוואות, כאשר Elo הותאם בשיטת Bradley–Terry וממורכז ב-1500.

שלושה עשר סוקרים הם פאנל קטן, והם שפטו את המודל של המחברים מול קווי הבסיס של המחברים. זה עדיין יותר ראיות ממה שרוב הפרסומים בקטגוריה הזו מפרסמים, והמסגור זהיר באופן יוצא דופן: המודלים הסגורים בהשוואה נוצרו פעם אחת דרך API הסקה של צד שלישי, וכרטיס המודל מסמן אילו שורות הן single-seed. שום דבר מזה לא הופך את המספרים לבלתי תלויים. זה הופך אותם לקריאים, שזה הדבר הטוב הבא.

שתי דקות של GPU לכל שלוש עשרה שניות של וידאו

המספר שמכריע אם אפשר להשתמש ב-PAN 2 אינו ציון בנצ'מרק. זה המספר במתכון של vLLM, שקובע כי שלוש־עשרה שניות של וידאו ב-704×1248 אורכות בערך 119 שניות על ארבעה כרטיסי B300, כאשר classifier-free guidance מפוצל בין שני ranks ומקבילות רצף של Ulysses בין שניים נוספים. ברירת המחדל המתועדת היא שמונה כרטיסי H200 ב-BF16, עם מקבילות patch של VAE על פני ארבעה אריחים בנוסף, מכיוון שפענוח קליפ בן עשרים שניות ב-704×1248 הוא בעיית זיכרון בפני עצמה.

הרצת הגדרות הסמפלר מול הנתון הזה הופכת את העלות למבנית ולא למקרית. חמישים צעדים בהסטת flow של 9, עם guidance של 2.5 שמוחל בכל צעד, משמעותם מאה מעברי forward דרך טרנספורמר 29B לכל קליפ. לכן guidance חייב להיות מקבול ולא לרוץ sequentially, ולכן השאלה הכנה לגבי PAN 2 אינה "כמה טוב הוא" אלא "כמה עולה לי סימולציה אחת, וכמה סימולציות תוכנית דורשת". מתכנן שמעריך חמש פעולות מועמדות בכל צעד, במשימה בת עשרה צעדים, מבקש חמישים קליפים. בתצורה שפרסם הספק עצמו מדובר בצומת עם ארבעה GPUs שעסוקה ברוב השעתיים, לפני שמשהו נלמד מהפלט.

המתכנן הוא החצי הזול, ו-IFM הותיר אותו ניתן להחלפה.

יש חלק אחד בצינור הזה שאינו זקוק לאשכול GPU, והדוח מפורש שהוא ניתן להחלפה. ה"מתכנן הרעיוני" מוגדר ככל מודל שפה שעוקב אחר הוראות, ו-IFM דירג ארבעה מהם לפי תדירות שבה תוכנית מדומה מושלמת מקצה לקצה: Claude Opus 5.5 ראשון, אחר כך GPT-6 Astra במאמץ בינוני, אחר כך Kimi K3, ואחר כך Qwen3.8-Flash.

כל ארבעת המודלים האלה נמצאים בקטלוג של OrcaRouter, מה שהופך את משבצת המריץ (reasoner) לחלק היחיד במערך PAN 2 שאפשר להריץ עליו בנצ'מרק בלי לשכור דבר. כוונו את משכתב הפרומפטים לכל אחד מהם דרך מפתח API אחד, השאירו את חצי הדיפוזיה מוצמד לחומרה שלכם, ותנו למעבר האוטומטי לגיבוי לספוג מעידה של ספק באמצע הניסוי במקום לבטל את הריצה; התמחור הוא תעריף המחירון של כל ספק, מועבר הלאה ב-0% תוספת, כך ששינוי מחיר של ספק מופיע בנקודת הקצה ביום שבו הוא קורה ולא לאחר מחזור תימחור מחדש. OrcaRouter לא מארחת את PAN 2 ואינה יכולה לנתב אותו — הרנדרר נשאר שלכם — אבל החצי של הצינור שמחליט מה לדמות הוא עבודת טקסט רגילה שנמדדת לפי שימוש, והוא החצי שבו האיכות באמת משתנה בין ריצות.

כדאי לומר זאת בפשטות: הדירוג שלעיל הוא של IFM, כפי שנמדד על המשימות של IFM ובאמצעות מערכת הבדיקה של IFM. זו נקודת פתיחה סבירה לרשימה מצומצמת. אין זה תחליף להריץ את הפרומפטים שלכם דרך ארבעת המועמדים ולספור באיזו תדירות התוכניות שלכם שורדות.

קטע המגבלות הוא העמוד השימושי ביותר במהדורה

רוב כרטיסי המודל שמים את הגילויים שלהם בפסקה שאף אחד לא קורא. זה של PAN 2 מציב את המספר כבר בהתחלה: כשני שלישים מהתוכניות המדומות מכילות לפחות שלב אחד שאינו מבוצע. המשפט היחיד הזה ממסגר מחדש את כל מה שמעליו. סימולטור שמפיל שלב בשתיים מכל שלוש תוכניות הוא עדיין לא משהו שמוסרים לרובוט והולכים לדרכם — הוא משהו שמשתמשים בו כדי לדרג תוכניות מועמדות שאופני הכשל שלהן אפשר לשרוד, עם בודק בלולאה.

יתר הרשימה ספציפית באותה מידה, ושווה באותה מידה להתייחס אליה כפשוטה.

• עקביות לאורך טווח ארוך — כל קליפ מדומה מלכל היותר פריים התחלתי אחד בתוספת טקסט, ולכן המראה נודדת בין קליפים באינטראקציות ארוכות; הכרטיס מכנה את הזיכרון התפיסתי כחלק החסר במקום להצהיר שהוא נפתר.

• רגישות לפרומפט — הניסוח של התצפית והפעולה משנה את התוצאה, והדוגמאות שמחוץ להתפלגות האימון חייבו פרומפטים שעברו כיוונון ידני.

• פעולות טקסט גסות — הטקסט מבטא היטב "לפתוח מגירה" ומבטא באופן גרוע "למקם כל אצבע כאן", מה שמגביל מניפולציה מיומנת.

• קיצורי דרך — סימולציה יכולה להתקדם תוך הפרת חוקי הפיזיקה, והדוגמה שעל הכרטיס עצמו היא פסטה שמופיעה במסננת לפני שמנקזים אותה.

• כשל נאמן אינו נמדד — המחקר הכמותי מכסה תוכניות בלולאה פתוחה שנועדו להצליח; עד כמה PAN 2 מדמה תוכניות שאמורות להיכשל הוא, בלשון הכרטיס, טרם נמדד. זהו הפער החשוב ביותר לתכנון, מפני שמדמה שאינו יכול להראות לך תוצאה רעה אינו עדיין מסנן.

Guardrails נשלחים כמאגר נפרד, עם מספרים מצורפים.

הדבר הנוסף ש-IFM עשתה שרוב שחרורי הווידאו עם משקלים פתוחים מדלגים עליו: היא פרסמה מנגנון הגנה לצד המודל, ולא פסקה שממליצה על אחד. pan2-guardrail מסננת את הבקשה עם Qwen3Guard-Gen-4B לפני היצירה, ואת הווידאו שנוצר עם מסווג פריימים Q16 לאחר מכן, והכרטיס מדווח מה זה עולה בשני הכיוונים — בקשות מזיקות של טקסט לווידאו שהפיקו פלט לא בטוח ירדו מ-33.9% ל-1.5%, לא נצפו פלטים לא בטוחים של תמונה לווידאו, ו-11.5% מבקשות טקסט לווידאו לא מזיקות ו-3.3% מבקשות תמונה לווידאו לא מזיקות נעצרו בדרך.

אלה המדידות הפנימיות של הצוות, לא ביקורת, ושיעור החיוביים-הכוזבים הוא המספר שכדאי לבהות בו אם בכוונתכם להפעיל את זה בהיקף רחב: מנגנון הגנה שדוחה בקשה תמימה אחת מכל תשע הוא אילוץ תכנוני על המוצר שלכם, לא הערת שוליים. זה גם, לזכותם ייאמר, מסוג הגילויים שמאפשרים לכם בכלל לקבל את ההחלטה הזאת.

מה יהפוך את זה ליותר מהדגמה מרשימה

שלושה דברים, בסדר עולה של קושי. מחקר כשל: כרטיס המודל מודה שסימולציה של תוכניות שאמורות להיכשל אינה נמדדת, ועד שמישהו יפרסם את זה, PAN 2 הוא מחולל של הצלחות סבירות ולא מנבא של השלכות. הערכה עצמאית: כל נתון יכולת במאמר הזה מקורו ב-IFM, על תשתית הבדיקה של IFM, עם פאנל של שלושה עשר אנשים למחקר האנושי, ואף צד שלישי לא שחזר שום דבר מזה. ומסלול שירות זול יותר: התצורה שפורסמה היא צומת עם ארבעה GPUs לשתי דקות לכל שלוש עשרה שניות, וזה מספיק טוב למחקר אבל אכזרי עבור הלולאה שחשיבה סימולטיבית למעשה מרמזת עליה.

אף על פי כן, PAN 2 הוא מהדורת מודל-העולם הפתוח השלמה ביותר של השנה, והשלמות היא העיקר. משקלים, קוד, מתכון הגשה, חוזה פרומפט עם תקציב טוקנים, גדר הגנה עם נתוני חיובי-שווא, וסעיף מגבלות שפותח בשיעור הכשל. אפשר לא להסכים עם מידת המוכנות שלו לרובוט ועדיין להשתמש בו השבוע כדי לשאול מה קורה אם מחליפים את הנוזל — וזה, עבור מודל שכל הנחת היסוד שלו היא שאפשר להציג מראש תוצאות, הוא מבחן ראשון הוגן.