PAN 2 vs Gemma 4 12B: Simulator dan Reasoner Bukan Pesaing

Setiap halaman perbandingan di internet menginginkan pemenang, dan halaman ini secara jujur tidak bisa memilikinya, karena PAN 2 dan G​emma 4 12B tidak mengerjakan tugas yang sama. PAN 2 adalah transformer difusi video 29 miliar parameter dari Institute of Foundation Models milik MBZUAI yang menerima sebuah gambar dan deskripsi tindakan lalu mengembalikan video hingga dua puluh detik berukuran 704×1248 yang memperlihatkan apa yang terjadi berikutnya. G​emma 4 12B Unified adalah model bahasa multimodal tanpa encoder 11,95 miliar parameter dari G​oogle DeepMind yang menerima teks, gambar, dan audio lalu mengembalikan teks. Yang satu merender konsekuensi; yang lain membicarakannya. Jika Anda datang mencari tabel tolok ukur yang memeringkat keduanya satu terhadap yang lain, tidak ada yang seperti itu dan tidak mungkin ada — keduanya tidak berbagi evaluasi. Yang ada adalah keputusan nyata, karena keduanya makin sering diterapkan dalam pipeline yang sama: penalar menulis rencana, simulator menunjukkan kepada Anda apa yang dilakukan rencana itu. Jadi pertanyaan yang berguna bukanlah mana yang lebih baik, melainkan mana yang sebenarnya dibutuhkan masalah Anda, dan berapa biaya yang harus Anda tanggung untuk masing-masing.

Ketidaksesuaian itu, dinyatakan secara lugas.

Gemma 4 12B memiliki tabel evaluasi publik dan PAN 2 tidak, dan asimetri itu bukanlah sinyal kualitas — melainkan sinyal kategori. Google menerbitkan MMLU Pro, GPQA Diamond, AIME, LiveCodeBench, dan selusin tolok ukur teks dan visi lainnya karena model bahasa diukur dengan tolok ukur bersama yang sudah ada selama bertahun-tahun. Kartu PAN 2 menerbitkan Physics-IQ Verified, PhyGround, RBench, dan studi preferensi manusia karena model dunia video diukur dengan instrumen yang baru ditemukan, sebagian besar oleh laboratorium yang membangun model tersebut.

• Parameter — PAN 2: 29B dalam satu transformer difusi multi-modal tunggal, dengan encoder teks Qwen3.5-9B yang dibekukan dan VAE Wan 2.2 yang dimuat bersamaan. G​emma 4 12B: 11.95B, 48 lapisan, tanpa encoder, dengan patch gambar mentah dan bentuk gelombang audio diproyeksikan langsung ke ruang embedding decoder.

• Input dan output — PAN 2: frame pertama opsional plus caption keadaan dunia yang terstruktur, hasilnya berupa MP4. G​emma 4 12B: teks, gambar, audio, dan video masuk, teks keluar, dengan konteks 256K token dan dukungan system prompt bawaan.

• Lisensi — PAN 2: Apache-2.0 untuk kode dan bobotnya sendiri, dengan komponen pihak ketiga berdasarkan ketentuan masing-masing. G​emma 4 12B: Apache-2.0 berdasarkan ketentuan lisensi G​emma 4.

• Bobot di disk — PAN 2: 86,17 GB di enam puluh file dalam repositori IFM/PAN2, dengan 67,37 GB merupakan transformer itu sendiri dan 15,87 GB adalah encoder teks. G​emma 4 12B: sekitar 12 miliar parameter BF16, kira-kira seperempat dari transformer saja.

Apa yang sebenarnya menjadi keunggulan masing-masing, berdasarkan buktinya sendiri

Angka-angka G​emma 4 12B adalah yang lebih mudah dibaca di antara keduanya dan tergolong baik untuk ukurannya. MMLU Pro 77.2%, GPQA Diamond 78.8%, AIME 2026 tanpa alat 77.5%, LiveCodeBench v6 72.0%, dan rating Codeforces 1659 yang dilaporkan vendor menempatkannya jauh melampaui generasi sebelumnya — G​emma 3 27B mencetak 67.6%, 42.4%, 20.8%, 29.1%, dan 110 pada baris yang sama. Pada kemampuan visi, model ini mencetak MMMU Pro 69.1% dan MATH-Vision 79.7%. Pada konteks panjang, MRCR v2 dengan delapan needle pada 128K berada pada 43.4%. Itu adalah evaluasi G​oogle sendiri atas model G​oogle sendiri, dan kartu model menyatakan demikian; anggap saja itu sebagai klaim vendor yang terdokumentasi baik, bukan vonis independen.

PAN 2 tidak memiliki padanan yang sebanding dan tidak berpura-pura memilikinya. Klaimnya lebih sempit dan lebih ganjil: bahwa model difusi yang dikondisikan pada deskripsi terstruktur dan berlandaskan waktu akan menyimulasikan konsekuensi fisik dan kausal dari suatu tindakan dengan cukup baik agar agen dapat membandingkan rencana kandidat sebelum memutuskan salah satunya. Dukungan untuk klaim itu adalah studi 300 kasus tindakan tunggal di enam kategori kemampuan, studi multi-langkah 200 prompt dengan 456 langkah, dan uji preferensi manusia secara buta dengan 1.400 perbandingan. Ketiganya milik tim sendiri. Tidak ada satu pun yang berlaku untuk apa pun yang diukur pada G​emma 4 12B.

Pertanyaan soal penerapan inilah yang membuat perbandingan itu jadi krusial.

Di sini, kedua model tidak lagi tak dapat dibandingkan, karena keduanya harus berjalan di perangkat keras yang Anda bayar.

Gemma 4 12B berjalan di satu GPU konsumen atau workstation dengan BF16 dan jauh lebih hemat dengan kuantisasi. Model ini mendapat dukungan sejak hari pertama di stack inferensi standar, memiliki kosakata 262K, dan serangkaian default sampling serta mode berpikir yang terdokumentasi. Jika beban kerja Anda adalah pemahaman dokumen, pemanggilan alat, atau penalaran atas konteks panjang, ini adalah deployment yang membosankan dan sudah umum, dan keputusan menariknya semuanya tentang prompting.

Deployment PAN 2 tidak membosankan. Judul utama resep vLLM sendiri adalah bahwa video 704×1248 berdurasi tiga belas detik membutuhkan sekitar 119 detik pada empat GPU B300, dengan classifier-free guidance diparalelkan pada dua rank dan Ulysses sequence parallelism pada dua rank. Konfigurasi default-nya adalah delapan H200 dalam BF16. Sampler menjalankan lima puluh langkah dengan guidance pada setiap langkah — seratus forward pass melalui transformer 29B per klip — itulah sebabnya paralelisme bukan opsional. Dan format kondisi bukan teks bebas: model mengharapkan caption world-state terstruktur, dan repositori menyertakan skill prompt-rewriter dengan validator yang memberlakukan batas lunak 1,480 token dan kapasitas keras 1,536 terhadap anggaran text encoder.

Detail terakhir itulah yang menentukan sebagian besar evaluasi. Anda tidak bisa mengetikkan keinginan ke PAN 2 lalu mendapatkan video. Anda harus mendeskripsikan peristiwa secara berurutan, mengaitkan tindakan dengan aktor, dan menentukan gerakan kamera, dan kartu model secara eksplisit menyatakan bahwa studi kasus agen bergantung pada prompt yang disempurnakan secara manual. G​emma 4 12B akan dengan senang hati menerima satu paragraf prosa dan memberi Anda sesuatu yang berguna pada percobaan pertama. Jika Anda ingin tahu bagaimana rasanya PAN 2 dalam praktik, jawaban jujurnya adalah bahwa rasanya seperti model dengan kontrak antarmuka, bukan kotak obrolan.

Di mana keduanya berada dalam sistem yang sama

Alasan perbandingan ini terus muncul adalah bahwa pekerjaan agen kini membutuhkan kedua bagiannya. Agen yang merencanakan dalam teks dan bertindak di lingkungan nyata membutuhkan reasoner untuk memutuskan apa yang harus dilakukan dan, semakin sering, simulator untuk mempratinjau seperti apa tindakan itu nantinya. G​emma 4 12B dapat menjadi reasoner — model ini cukup kecil untuk ditempatkan bersama bagian lain dari stack, menangani gambar dan audio sebagai input, dan skor instruction-following serta tool-use-nya adalah keunggulan model ini. PAN 2 dapat menjadi simulator, dan arsitekturnya sendiri mengasumsikan sesuatu seperti G​emma sudah ada dalam loop: reasoner konseptual didefinisikan sebagai model bahasa apa pun yang mengikuti instruksi, dan laporan tersebut memeringkat empat di antaranya berdasarkan seberapa sering rencana yang disimulasikan selesai dari awal hingga akhir — Claude Opus 5.5 di posisi pertama, lalu GPT-6 Astra pada tingkat usaha sedang, lalu Kimi K3, lalu Qwen3.8-Flash.

Jika itulah bentuk sistem Anda, pasangannya sama sekali bukan PAN 2 versus G​emma 4 12B. Ini adalah PAN 2 plus sebuah reasoner, dan pilihan reasoner itulah yang sebenarnya menjadi tempat biaya dan variasi kualitas berada.

Di sinilah router melakukan pekerjaan nyata, bukan sekadar kerja pemasaran. Bagian simulasi harus berjalan di GPU Anda sendiri — tidak ada yang menghosting PAN 2, termasuk MBZUAI — tetapi bagian penalarannya bisa berupa panggilan API berbayar per penggunaan, dan menukar antara Claude Opus 5.5, GPT-6 Astra, dan Qwen3.8-Flash untuk menemukan mana yang paling sering menyelesaikan rencana Anda adalah pertanyaan perutean, bukan pertanyaan pengadaan. Qwen3.8-Flash ada di OrcaRouter, sehingga Anda dapat membandingkan tiga perencana dengan deployment PAN 2 Anda sendiri melalui satu kunci API dengan failover otomatis, pada harga daftar penyedia dengan markup 0% yang diteruskan. OrcaRouter tidak menghosting PAN 2 dan tidak dapat merutekannya. OrcaRouter dapat menjaga separuh pipeline yang murah tetap elastis sementara separuh yang mahal tetap terikat pada perangkat keras.

Apa yang akan mengubah perbandingan ini?

Dua hal, yang keduanya tidak ada pada 11 November 2026. Pertama, evaluasi independen atas PAN 2 oleh seseorang yang bukan penulisnya — sampai saat itu, klaim kemampuannya berasal dari laporan vendor dan harus dibaca seperti itu. Kedua, endpoint terkelola atau catatan rilis resmi untuk PAN 2 — satu unggahan di akun X laboratorium itu bukan itu — yang akan mengubah keputusan self-hosting menjadi perbandingan harga dan membuat bagian penerapan halaman ini usang dalam semalam.

Gemma 4 12B tidak membutuhkan keduanya. Ini adalah model yang sudah dirilis, terdokumentasi, dan digunakan secara luas dengan lebih dari 1,8 juta unduhan bulanan di Hugging Face, dan tabel evaluasinya telah digunakan komunitas selama berbulan-bulan untuk menemukan titik-titik lemahnya. Profil risiko mengadopsinya hampir nol. Profil risiko mengadopsi PAN 2 adalah Anda menghabiskan seminggu untuk infrastruktur bagi model yang bagian keterbatasannya menyatakan bahwa sekitar dua dari tiga rencana simulasi mengandung setidaknya satu langkah yang tidak dijalankan. Kalimat itu bukan alasan untuk melewatinya. Itu adalah alasan untuk mengetahui apa yang Anda beli sebelum Anda menyewa GPU.

Cara memilih

Jika Anda memerlukan teks, gambar, atau audio untuk dipahami dan dijawab, PAN 2 bukan kandidat dan sebanyak apa pun anggaran GPU tidak akan menjadikannya demikian. Ambil G​emma 4 12B, atau salah satu dari varian G​emma 4 yang lebih besar jika angka-angka 12B tidak cukup. Jika Anda perlu melihat bagaimana suatu tindakan akan tampak sebelum Anda mengambilnya — manipulasi robotik, simulasi tugas egosentris, evaluasi penalaran fisik — G​emma 4 12B juga tidak dapat melakukannya, dan PAN 2 adalah salah satu dari sedikit model open-weight yang mencoba. Jika Anda memerlukan agen yang melakukan keduanya, jawabannya adalah sebuah stack, bukan sebuah model, dan rekayasa yang menarik terletak pada antarmuka di antara keduanya: format caption terstruktur yang dituntut PAN 2 adalah persis artefak yang harus diajarkan kepada penalar seperti G​emma 4 12B untuk dihasilkan.