PAN 2 Mendapatkan Jalur Pelayanan Sebelum Diumumkan

Pada 16:03 UTC tanggal 10 November 2026, sebuah pull request yang menambahkan dukungan Day-0 untuk generasi teks-ke-video dan gambar-ke-video PAN 2 selesai digabungkan ke vLLM-Omni. Pada 20:55 UTC hari yang sama, pull request kedua menambahkan halaman resep yang memberi tahu cara menyajikannya. PAN 2 adalah transformer difusi video dengan 29 miliar parameter dari Institute of Foundation Models di MBZUAI, dan alasan kedua merge itu menjadi cerita adalah urutan kedatangannya. Repositori Hugging Face bertanggal 7 Oktober 2026 dan repositori GitHub 5 November, jadi selama lima minggu satu-satunya jejak publik model tersebut adalah metadata repositori. Pernyataan pertama dari pihak model sendiri yang dapat saya temukan adalah satu unggahan dari akun X milik lab itu, @IFM_AI, bertanda waktu 17:00 UTC pada 10 November — lima puluh enam menit setelah merge vLLM-Omni dan hampir empat jam sebelum resep. Isinya: “Memperkenalkan PAN 2: model dunia fondasi terbuka untuk kecerdasan fisik”, menyertakan video, dan tidak menautkan apa pun selain dirinya sendiri. Tidak ada entri blog, tidak ada URL makalah, tidak ada endpoint terhosting, tidak ada halaman harga, tidak ada siaran pers. Jadi jalur penyajian memang mendahului pengumuman, dan pengumuman itu, ketika datang, lebih kecil daripada merge: beberapa ratus suka dan sepasang paragraf. Yang ada adalah checkpoint Apache-2.0 berukuran 86,17 GB, integrasi framework, dan satu tweet.

Apa yang benar-benar terwujud, dan dalam urutan apa

Empat hal terpisah terjadi, dan mencampuradukkannya itulah yang membuat rilis senyap keliru dianggap sebagai peluncuran.

• Bobot — IFM/PAN2 di Hugging Face, repositori dibuat 7 Oktober 2026 pukul 23.42 UTC, terakhir diubah 9 November 2026 pukul 21.52 UTC dengan commit yang menambahkan dukungan pemeriksa keselamatan sebagai komponen pipeline modular Diffusers. Enam puluh file, 86,17 GB, tanpa pembatasan akses, Apache-2.0.

• Kodenya — github.com/ifm-ai/PAN2, dibuat 5 November 2026, dengan satu commit yang di-push pada pukul 20:13 UTC hari itu. Bukan sekadar tumpukan riset dengan README mati: ada skrip inferensi, pin lingkungan, konfigurasi pelatihan, skill prompt-rewriter, dan dokumentasi untuk deployment, pelatihan, serta inferensi.

• Jalur penyajian — vLLM-Omni PR #8602 untuk dukungan Day-0 text-to-video dan image-to-video, digabungkan pada 10 November pukul 16:03 UTC, dan PR resep vLLM #10126, digabungkan pada malam yang sama pukul 20:55 UTC.

• Pernyataan — @IFM_AI di X, 10 November pukul 17:00 UTC: "Memperkenalkan PAN 2: model dunia fondasi terbuka untuk kecerdasan fisik." Dua paragraf, sebuah video, tanpa tautan ke postingan, makalah, atau halaman.

Urutan itu tidak biasa, dan pengumumannya justru membuatnya makin aneh, bukan makin normal. Biasanya sebuah lab mengumumkan, menerbitkan bobot, lalu dukungan framework merembes masuk selama beberapa minggu berikutnya sambil pengguna melaporkan issue. Di sini, merge framework datang lebih dulu, pengumuman menyusul lima puluh enam menit kemudian, dan resepnya datang empat jam setelah itu. Artefak publik paling substansial dalam usia pendek model ini masih berupa pull request, yang memberi petunjuk tentang bagaimana rilis ini dijalankan: sebagai pelepasan artefak untuk orang-orang yang membaca repositori, dengan sebuah unggahan media sosial ditambahkan hampir seperti pikiran susulan.

Apa yang akan diberitahukan repositori kepada Anda

Lebih dari kebanyakan postingan peluncuran. PAN 2 adalah model dunia, bukan generator video dengan kecenderungan sinematik — perbedaannya bersifat arsitektural, bukan retoris. Model ini menerapkan pola Generative Latent Prediction yang dijelaskan dalam Kritik atas Model Dunia (arXiv 2507.05169) dan membagi pekerjaan menjadi dua. Sebuah penalar konseptual, yaitu model bahasa apa pun yang mengikuti instruksi, membaca observasi dan aksi yang diminta lalu menuliskan keadaan dunia berikutnya sebagai keterangan terstruktur yang berlandaskan waktu: peristiwa secara berurutan, aksi terikat pada pelaku, gerakan kamera. Encoder teks yang dibekukan memetakan keterangan itu menjadi fitur pengondisian. Lalu, transformer difusi multimodal 29B, yang dilatih dari nol pada ratusan juta video yang dianotasi dalam format yang sama, memprediksi detail perseptual yang tidak ditentukan oleh keterangan tersebut. VAE Wan 2.2 mendekode laten, dan hasilnya adalah video hingga 20 detik pada 704×1248 dan 24 frame per detik.

Konfigurasi yang dipublikasikan cukup spesifik untuk memperkirakan biaya. Konfigurasi transformer mencantumkan 44 lapisan, 32 attention head dengan masing-masing 128 dimensi, ukuran patch 1×2×2, 97 kanal input, dan 48 kanal output. Sampler default adalah 50 langkah pada flow shift 9 dengan classifier-free guidance 2.5 pada setiap langkah. Panjang default adalah 241 frame, sekitar sepuluh detik; batas atasnya 481 frame. Text encoder-nya adalah Qwen3.5-9B, dibekukan dan tidak dimodifikasi, sedangkan VAE-nya milik Wan 2.2. Keduanya diunduh dari repositori masing-masing — MBZUAI tidak mendistribusikannya ulang, dan kartu model dengan cermat menyatakan hal itu.

Ada juga skill prompt-rewriter yang disertakan di repo, dengan system prompt, prompt negatif tetap, dan validator yang memeriksa caption terhadap anggaran token encoder teks: batas lunak 1.480 token dan kapasitas keras 1.536. Itu adalah artefak tunggal paling berguna dalam drop ini. Ini memberi tahu Anda bahwa model tidak benar-benar menerima teks bebas dengan baik, dan bahwa tim mengetahuinya.

Apa yang tidak akan diberitahukannya kepada Anda

Hampir semua hal yang akan ditanyakan oleh pembeli. Tidak ada harga, karena tidak ada API. Tidak ada endpoint yang dihosting dari MBZUAI. Tidak ada benchmark independen: angka-angka dalam kartu model adalah milik tim sendiri, diukur dengan harness mereka sendiri, dan kartu tersebut sangat terus terang tentang kondisinya — Physics-IQ Verified dinormalisasi sehingga varians antara dua pengambilan nyata sama dengan 100, PhyGround dinilai pada skala lima poin oleh Qwen3.8-27B, RBench sebagai rata-rata tanpa bobot atas lima kategori tugas dan empat kategori perwujudan. Itu semua adalah pilihan yang dapat dipertahankan, dan tidak satu pun dari itu merupakan verifikasi pihak ketiga.

Evaluasi manusia adalah bukti terkuat dalam rilis ini dan juga yang paling terbatas. Preferensi berpasangan secara buta atas 140 prompt — 90 text-to-video, 50 image-to-video — dinilai berdasarkan kepatuhan tindakan, fisika, dan konsistensi dunia oleh 13 peninjau di 1.400 perbandingan, dengan Elo dicocokkan menggunakan Bradley–Terry dan dipusatkan pada 1500. Tiga belas peninjau adalah panel kecil dan mereka menilai model tim sendiri terhadap baseline. Ini lebih banyak daripada yang diterbitkan sebagian besar lab. Ini bukan papan peringkat.

Dan bagian keterbatasannya lebih blak-blakan daripada norma genre ini: sekitar dua dari tiga rencana simulasi memuat setidaknya satu langkah yang tidak dijalankan. Kalimat tunggal itu adalah angka terpenting dalam rilis ini, dan itulah yang akan dikubur oleh pos peluncuran.

Angka throughput dalam resep itulah yang sebenarnya penting.

Dukungan framework itu penting karena klaim resepnya, bukan karena logonya ditambahkan. Halaman resep vLLM menyatakan bahwa PAN 2 menghasilkan video 704×1248 berdurasi 13 detik dalam sekitar 119 detik pada empat GPU B300, menggunakan paralelisme classifier-free-guidance di dua rank dan paralelisme sekuens Ulysses di dua rank. Konfigurasi default adalah delapan H200 dalam BF16, dan perintah serve yang didokumentasikan menambahkan paralelisme patch VAE di empat rank dalam mode tile — detail yang hanya penting karena mendekode klip 704×1248 berdurasi 20 detik merupakan masalah memori tersendiri.

Baca angka-angka itu terhadap pengaturan sampler. Lima puluh langkah dengan guidance pada setiap langkah berarti seratus forward pass melalui transformer 29B per klip. Itulah sebabnya panduan ini menjalankan guidance secara paralel, bukan berurutan. Itu juga sebabnya pertanyaan praktis tentang PAN 2 bukanlah "seberapa bagus hasilnya" melainkan "berapa biaya satu klip bagi saya", dan jawabannya pada resep milik vendor sendiri adalah node empat GPU selama dua menit per tiga belas detik video. Belum ada yang menerbitkan konfigurasi yang lebih murah, dan default delapan-H200 pada resep tersebut menunjukkan bahwa penyiapan empat-B300 adalah kondisi yang sesak, bukan batas bawah yang nyaman.

Jika Anda ingin mencobanya, planner adalah bagian yang bisa Anda sewa

Desain dua tahap PAN 2 memiliki konsekuensi praktis yang aneh. Bagian mahal — backbone difusi 29B — adalah bagian yang harus Anda host sendiri, karena tidak ada yang menawarkannya sebagai layanan dan MBZUAI belum membuatnya. Bagian murah, penalar konseptual yang menulis keterangan keadaan dunia terstruktur, adalah model teks biasa dan bisa berupa apa pun yang mengikuti instruksi.

Di situlah sebuah router membuktikan kegunaannya. Laporan PAN 2 mengevaluasi empat reasoner dan memeringkatnya berdasarkan penyelesaian rencana penuh: Claude Opus 5.5 di urutan pertama, lalu GPT-6 Astra pada effort sedang, lalu Kimi K3, lalu Qwen3.8-Flash. Qwen3.8-Flash tersedia di OrcaRouter, sehingga Anda dapat menjalankan tahap caption PAN 2 melalui satu API key dengan failover otomatis alih-alih menyiapkan model lokal kedua di samping stack difusi, dan membayar harga daftar penyedia dengan markup 0% yang diteruskan. Renderer tetap berjalan di GPU Anda; planner tidak harus.

Jelaskan dengan jelas apa itu dan apa yang bukan. OrcaRouter tidak menghosting PAN 2 dan tidak dapat merutekannya — tidak ada PAN 2 yang di-hosting di mana pun untuk dirutekan. Yang dapat dilakukannya adalah menjaga separuh bahasa dari pipeline model dunia tetap berjalan di API dengan pengukuran pemakaian, sementara Anda menyesuaikan separuh video dengan perangkat keras Anda sendiri. Jika Anda lebih suka menjalankan kedua tahap secara lokal, repo mendukungnya juga, dan skrip prompt-rewriter disertakan khusus untuk kasus itu.

Apa yang akan dianggap sebagai pengumuman

Tiga hal, dalam urutan signifikansi yang meningkat. Sebuah unggahan, makalah, atau halaman dari IFM atau MBZUAI yang menyebut PAN 2 dan mencantumkan tanggal rilis atau versi — twit 10 November memenuhi bagian pertama dari itu, tetapi bukan bagian keduanya. Sebuah endpoint inferensi yang di-hosting, yang akan memungkinkan perbandingan biaya terhadap model video tertutup alih-alih terhadap penyewaan GPU. Dan sebuah benchmark independen yang dijalankan oleh pihak selain penulis model — Physics-IQ, PhyGround, atau RBench dinilai oleh pihak ketiga, pada prompt yang tidak dipilih oleh tim.

Sampai setidaknya yang pertama dari itu tiba secara utuh, deskripsi jujur tentang PAN 2 adalah ini: artefak riset Apache-2.0 dengan jalur penyajian yang berfungsi, format prompt yang terdokumentasi, bagian keterbatasan yang jujur, satu unggahan media sosial, dan tanpa tawaran komersial di baliknya. Itu lebih dari sebuah pracetak dan kurang dari sebuah produk. Dukungan framework yang hadir pada 10 November tidak menjadikannya peluncuran. Itu membuatnya dapat dijalankan oleh orang-orang yang tidak ingin menambal repositori untuk mendapatkan frame pertama.

Intinya

PAN 2 adalah kasus langka ketika rekayasanya lebih maju daripada dokumen administrasinya. Jika Anda membangun simulasi agen, evaluasi robotika, atau riset penalaran fisik dan memiliki node empat GPU, bobotnya tersedia, resepnya tersedia, dan desain dua tahapnya didokumentasikan cukup baik untuk direproduksi. Jika Anda membutuhkan harga per klip, perjanjian tingkat layanan, atau vendor yang bisa dihubungi, semua itu belum ada, dan penggabungan pada 10 November tidak menciptakannya. Model ini dirilis secara senyap, jika "dirilis" bahkan merupakan kata yang tepat untuk sebuah repositori, sebuah penggabungan, dan tulisan dua paragraf. Apakah model ini pada akhirnya akan diumumkan dalam pengertian yang dikenali pembeli adalah pertanyaan terpisah dari apakah model ini berfungsi, dan hanya satu dari kedua pertanyaan itu yang memiliki jawaban hari ini.