PAN 2 vs Genie 4: Keduanya Menempatkan Model Bahasa dalam Loop, dan Hanya Satu yang Menyebutnya

Dua model dunia paling menarik pada akhir 2026 dibangun dengan cara yang sama, dan tidak ada perusahaan yang memimpin dengannya. PAN 2 adalah model dunia berbobot terbuka berparameter 29 miliar dari Institute of Foundation Models, diterbitkan sebagai checkpoint Apache-2.0 pada 7 Oktober 2026 dengan kode inferensi dan pelatihan menyusul pada 5 November serta dukungan penyajian Day-0 di vLLM-Omni pada 10 November. Genie 4 adalah model dunia interaktif waktu nyata dari Google DeepMind, diumumkan pada 27 Oktober 2026, yang menghasilkan adegan yang dapat dijelajahi dari deskripsi teks dan memungkinkan Anda mengarahkannya dengan keyboard sambil audio native diputar. Jika disandingkan, kontras yang diharapkan — bobot terbuka versus pratinjau riset, dua puluh detik video versus sesi langsung — memang nyata tetapi membosankan. Yang menarik adalah keduanya mendelegasikan pemikiran ke model bahasa, dan hanya PAN 2 yang memberi tahu Anda model bahasa mana dan memungkinkan Anda mengubahnya.

Perbedaan tunggal dalam hal pengungkapan itu bernilai lebih daripada tabel benchmark, karena itu menentukan apakah Anda bisa bernalar tentang sistem tersebut sama sekali. Model dunia dengan bagian penalaran tanpa nama adalah produk. Model dunia dengan bagian penalaran yang bernama dan dapat ditukar adalah arsitektur.

Bentuk bersama: penalar menulis masa depan, perender menggambarnya

PAN 2 mengimplementasikan Generative Latent Prediction, pola yang diformalkan dalam Critique of World Models (arXiv 2507.05169). Penalar konseptual — model bahasa apa pun yang mengikuti instruksi — membaca observasi saat ini dan tindakan yang diminta lalu menuliskan keadaan dunia berikutnya sebagai deskripsi terstruktur yang berlandaskan waktu: peristiwa secara berurutan, setiap tindakan terikat pada pelaku yang melakukannya, ditambah pergerakan kamera. Encoder teks Qwen3.5-9B yang dibekukan mengubah deskripsi itu menjadi fitur pengondisian. Transformer difusi multimodal 29B yang dilatih dari nol pada ratusan juta video beranotasi mengisi detail perseptual yang dibiarkan terbuka oleh deskripsi tersebut, dan VAE Wan 2.2 mendekode hasilnya menjadi frame.

Deskripsi yang diterbitkan Google tentang Genie 4 memiliki pembagian kerja yang sama dengan nama produk yang berbeda. Gemini Omni mendasari simulasi pada tampilan dan perilaku yang realistis; model Gemini lainnya menyediakan penalaran untuk koherensi dan kontinuitas; dan Gemini 3.8 Flash bertindak sebagai agen pemandu yang mengamati adegan, merencanakan langkah, dan memeriksa kemajuan. Peran terakhir itu adalah pemverifikasi dalam loop — model bahasa yang mengawasi model dunia dan menjaganya tetap pada tugas. Google juga memasangkan Genie 4 dengan Gemini 4 Argon untuk simulasi robotika multi-langkah, termasuk demonstrasi humanoid Apptronik Apollo yang bermain dam.

Jadi dalam kedua stack itu, piksel adalah bagian yang murah dan cepat, dan model bahasa adalah bagian yang memutuskan apa yang seharusnya terjadi. Inilah bentuk yang pada 2026 mulai disepakati bidang ini tanpa diumumkan: model dunia bukanlah generator video dengan prior fisika, melainkan perencana plus perender, dan perencananya adalah model teks biasa yang bisa Anda ukur.

Konvergensi itulah sebabnya celah pengungkapan menjadi penting. IFM memeringkat empat perencana berdasarkan seberapa sering rencana simulasi selesai dari awal hingga akhir — Claude Opus 5.5 pertama, GPT-6 Astra pada upaya sedang kedua, Kimi K3 ketiga, Qwen3.8-Flash keempat — dan menerbitkan peringkat tersebut beserta harness yang menghasilkannya, sekaligus menyatakan bahwa penalar konseptual menurut definisi dapat dipertukarkan. Google menyebut Gemini 3.8 Flash dalam lingkaran itu, yang lebih banyak daripada yang dikatakan sebagian besar lab, tetapi tidak menerbitkan apa pun tentang cara menggantikannya, menetapkan harganya secara terpisah, atau mengukur apakah model lain akan merencanakan dengan lebih baik.

Dua puluh detik dalam satu batch, atau sesi yang Anda kendalikan

Model interaksinya saling berlawanan, dan di sinilah keduanya berhenti menjadi sebanding dan mulai menjadi alat yang berbeda.

Keluaran — PAN 2 mengembalikan video 704×1248 hingga dua puluh detik pada 24 frame per detik per panggilan; Genie 4 mengembalikan adegan langsung yang persisten yang resolusi, frame rate, dan durasinya belum dipublikasikan oleh Google.

• Kontrol — PAN 2 menerima satu frame awal plus keterangan aksi terstruktur yang disempurnakan oleh skill prompt-rewriter; Genie 4 menerima prompt teks lalu input keyboard berkelanjutan untuk pergerakan dan kamera.

• Audio — PAN 2 tidak memilikinya; Genie 4 menghasilkan suara ambiens, audio mirip musik, dan dialog karakter interaktif bersamaan dengan visual, yang menurut Google merupakan yang pertama untuk model dunia waktu nyata.

• Perilaku batch — PAN 2 adalah oracle batch: satu panggilan, satu klip, tanpa umpan balik di dalam panggilan; Genie 4 adalah loop tertutup di mana input Anda pada detik ketiga mengubah detik keempat.

Biaya — default terdokumentasi PAN 2 adalah delapan H200 dalam BF16, dengan resep vLLM yang memproses video 704×1248 berdurasi tiga belas detik dalam sekitar 119 detik di empat B300; Genie 4 tidak memiliki harga karena tidak ada akses mandiri.

• Akses — Bobot PAN 2 berukuran 86,17 gigabita di enam puluh file di bawah Apache-2.0, tanpa pembatasan; Genie 4 adalah pratinjau riset untuk penguji tepercaya dengan jalur yang dinyatakan ke pelanggan AI Ultra melalui daftar tunggu dan ke mitra akses awal melalui Gemini API dan Google AI Studio.

Baca daftar itu dan jawaban praktisnya terbagi dengan jelas. Jika Anda ingin bertanya "apa yang terjadi jika" beberapa ribu kali dan menilai jawabannya, PAN 2 adalah satu-satunya dari keduanya yang dapat dipanggil dalam loop yang Anda kendalikan. Jika Anda ingin menjelajah, mengarahkan, dan mendengarkan, Genie 4 adalah satu-satunya dari keduanya yang menawarkan tempat sama sekali — dan Anda mungkin belum bisa masuk.

Lembar spesifikasi yang tidak diterbitkan oleh Google

Hal paling mencolok dari pengumuman Genie 4 adalah panjangnya daftar yang tidak disertakan: tidak ada resolusi, tidak ada frame rate, tidak ada jumlah parameter, tidak ada harga, tidak ada durasi konsistensi adegan yang terukur, tidak ada benchmark dengan baseline yang disebutkan. Yang Google terbitkan adalah serangkaian pengakuan — koherensi bertahan selama sesi singkat, dan detail visual serta permanensi objek dapat bergeser selama proses yang lebih lama, setelah penyuntingan kompleks, atau saat bernavigasi. Interaksi fisik yang kompleks, akurasi audio, teks dalam dunia yang terbaca, akurasi spasial, dan konsistensi jangka panjang dicantumkan sebagai masalah penelitian terbuka. Setiap output membawa watermark SynthID.

Tidak ada satu pun dari itu yang bersifat mengelak. Itu adalah bentuk jujur dari pratinjau riset, dan mencantumkan drift sebagai masalah terbuka adalah lebih dari yang dilakukan sebagian besar tulisan peluncuran. Namun itu berarti pembaca tidak dapat menghitung apa pun dari Genie 4: bukan klip per dolar, bukan detik per GPU, bukan durasi saat sebuah adegan berhenti dapat digunakan. Satu angka yang paling diinginkan pembeli — berapa lama satu sesi tetap koheren — adalah angka yang digambarkan secara kualitatif oleh pengumuman itu dan tidak dikuantifikasikan.

PAN 2 menjawab pertanyaan yang sama dengan angka yang lebih buruk dan karena itu lebih berguna. Kartu modelnya menyatakan bahwa sekitar dua dari tiga rencana yang disimulasikan memuat setidaknya satu langkah yang tidak dijalankan. Kartu itu menyebut tampilan bergeser antar klip dalam interaksi panjang karena setiap klip disimulasikan dari paling banyak satu bingkai awal ditambah teks, dan menyebut memori perseptual sebagai bagian yang hilang alih-alih mengklaim bahwa hal itu sudah terpecahkan. Kartu itu mengakui bahwa teks mengungkapkan "buka laci" dengan baik dan "letakkan setiap jari di sini" dengan buruk, yang membatasi manipulasi cekatan. Kartu itu memberikan contoh jalan pintas yang konkret — pasta muncul di saringan sebelum ditiriskan — dan mengakui bahwa menyimulasikan rencana yang seharusnya gagal, dalam kata-kata kartu tersebut, belum diukur.

Pengakuan terakhir itu adalah yang seharusnya ikut menyertai model dunia mana pun ke dalam spesifikasi produk. Simulator yang hanya dapat menampilkan keberhasilan adalah penghasil hasil yang masuk akal, bukan penyaring hasil buruk, dan seluruh premis penalaran simulatif — mensimulasikan beberapa rencana kandidat, membandingkan, bertindak berdasarkan yang terbaik — bergantung pada kemampuan model untuk menunjukkan kepada Anda sebuah rencana yang gagal. PAN 2 menyatakan secara terbuka bahwa dirinya belum diuji untuk itu. Genie 4 tidak menyatakan apa pun ke arah mana pun.

Failover bukan fitur dari kedua model tersebut, dan itulah fitur yang Anda butuhkan.

Kedua sistem ini adalah artefak riset yang diarahkan pada masalah yang akan diselesaikan oleh tim dengan tenggat produksi, dan celah di antara keduanya adalah tempat lapisan perutean membuktikan nilainya. Separuh renderer dari tumpukan PAN 2 adalah perangkat keras Anda dan akan selalu demikian — OrcaRouter tidak menghosting PAN 2 dan tidak dapat merutekannya, dan tidak ada katalog yang dapat merutekan diffusion transformer 29 miliar parameter yang Anda jalankan di node Anda sendiri. Yang dapat dirutekan adalah bagian yang memutuskan apa yang akan disimulasikan, karena bagian itu adalah pekerjaan teks biasa yang dihitung berdasarkan pemakaian.

Keempat planner yang diperingkat IFM ada di katalog OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3, dan Qwen3.8-Flash. Itu menjadikan slot reasoner sebagai satu-satunya bagian dari pipeline PAN 2 yang bisa Anda uji bandingkan sore ini tanpa menyewa node GPU — arahkan prompt-rewriter ke masing-masing model tersebut melalui satu kunci, biarkan separuh bagian difusi tetap, lalu hitung seberapa sering rencana Anda bertahan. Harga daftar dari penyedia diteruskan dengan markup 0%, sehingga perbandingan biaya memakai tarif milik vendor sendiri, bukan tarif kami, dan failover otomatis meredam gangguan penyedia di tengah sweep alih-alih membatalkan prosesnya.

Rute yang sama juga mencakup sisi Genie 4, meskipun sempit. Gemini 3.8 Flash adalah model yang Google gambarkan sebagai agen pemandu dalam-loop Genie 4, dan model itu dapat dipanggil melalui katalog yang sama. Anda tidak bisa mendapatkan Genie 4. Anda bisa membangun bagian dari arsitektur yang memang dijelaskan Google — sebuah model yang mampu melihat, mengamati frame yang dihasilkan, merencanakan langkah berikutnya, dan memeriksa kemajuan — lalu mengarahkannya ke world model yang Anda miliki. Itu bukan produk yang sama. Itu adalah lapisan kendali yang sama, dan di lapisan itulah sebagian besar pekerjaan rekayasa sebenarnya berada.

Jelaskan dengan jelas seberapa bernilai peringkat di atas: urutan IFM diukur pada tugas-tugas IFM dengan harness IFM, terhadap baseline milik IFM sendiri, dan belum ada yang mereproduksinya. Ini adalah daftar pendek, bukan papan peringkat. Menjalankan prompt Anda sendiri melalui empat kandidat adalah pekerjaan beberapa jam dan satu-satunya bukti yang berlaku untuk masalah Anda.

Angka lain yang layak dimasukkan ke dalam anggaran apa pun adalah angka untuk serving. Lima puluh langkah sampler pada flow shift 9 dengan guidance 2,5 pada setiap langkah berarti seratus forward pass melalui transformer 29B per klip, itulah sebabnya guidance harus diparalelkan di seluruh rank alih-alih dijalankan secara sekuensial. Perencana yang mengevaluasi lima kandidat aksi per langkah selama tugas sepuluh langkah membutuhkan lima puluh klip, yang pada konfigurasi empat B300 yang dipublikasikan berarti satu node sibuk hampir dua jam sebelum apa pun dipelajari dari output. Penalaran simulatif tidak mahal karena modelnya besar. Ia mahal karena idenya adalah sebuah loop.

Output, kontrol, dan apa yang masing-masing enggan katakan tentang durasi

Enam dimensi menjadi dasar perbandingan, dan empat di antaranya sama sekali bukan tentang kualitas.

Keluaran — PAN 2 mengembalikan video 704×1248 hingga dua puluh detik pada 24 frame per detik per panggilan; Genie 4 mengembalikan adegan langsung yang persisten yang resolusi, frame rate, dan durasinya belum dipublikasikan oleh Google.

• Kontrol — PAN 2 menerima satu frame awal plus keterangan aksi terstruktur yang disempurnakan oleh skill prompt-rewriter; Genie 4 menerima prompt teks lalu input keyboard berkelanjutan untuk pergerakan dan kamera.

• Audio — PAN 2 tidak memilikinya; Genie 4 menghasilkan suara ambiens, audio mirip musik, dan dialog karakter interaktif bersamaan dengan visual, yang menurut Google merupakan yang pertama untuk model dunia waktu nyata.

• Perilaku loop — PAN 2 adalah oracle batch tanpa umpan balik di dalam satu panggilan; Genie 4 adalah loop tertutup yang input Anda pada detik ketiga mengubah detik keempat.

• Dasar biaya — default terdokumentasi PAN 2 adalah delapan H200 dalam BF16, dengan resep yang memproses video 704×1248 berdurasi tiga belas detik menjadi sekitar 119 detik pada empat B300s; Genie 4 tidak memiliki harga karena tidak ada akses mandiri.

• Akses — Bobot PAN 2 berukuran 86,17 gigabita di enam puluh file di bawah Apache-2.0, tanpa pembatasan; Genie 4 adalah pratinjau riset untuk penguji tepercaya dengan jalur yang dinyatakan ke pelanggan AI Ultra melalui daftar tunggu dan ke mitra akses awal melalui Gemini API dan Google AI Studio.

Baris durasi adalah baris yang menentukan sebagian besar keputusan nyata, dan itulah baris di mana keduanya paling tidak dapat dibandingkan. PAN 2 memberi Anda tepat dua puluh detik dan memberi tahu Anda bahwa hasilnya bergeser antarklip karena setiap klip disimulasikan dari paling banyak satu frame awal ditambah teks. Genie 4 memberi Anda sesi dengan durasi yang tidak ditentukan, mengakui bahwa koherensi hanya bertahan pada sesi singkat, dan menyebut konsistensi jangka panjang sebagai masalah penelitian yang masih terbuka. Keduanya tidak akan memberi tahu Anda durasi saat keluaran berhenti dapat dipercaya, dan angka itu — bukan skor benchmark — adalah yang sebenarnya dibutuhkan sebuah pipeline.

Apa yang akan membuat ini menjadi perbandingan yang sebenarnya?

Satu hal: tugas bersama. Tidak ada yang menjalankan PAN 2 dan Genie 4 pada pertanyaan yang sama, dan tidak jelas bahwa mereka bisa melakukannya — yang satu menghasilkan klip berdurasi tetap dari sebuah caption, yang lain menghasilkan sesi interaktif dari sebuah prompt dan keyboard. Hal yang paling mendekati ukuran bersama adalah kepatuhan terhadap aksi di bawah rencana yang dijelaskan, dan hanya PAN 2 yang telah menerbitkan harness untuk itu: 300 kasus aksi tunggal di enam kategori kemampuan, 100 tugas multi-langkah yang diajukan sebagai 200 prompt dan 456 langkah, dinilai berdasarkan penyelesaian langkah dan penyelesaian rencana penuh selama tiga seed. Tiga belas peninjau menghasilkan angka preferensi manusia pada 140 prompt dalam studi berpasangan tersamar, menilai model para penulis terhadap baseline para penulis. Itu tidak independen. Itu mudah dibaca, yang merupakan hal terbaik berikutnya, dan itu lebih dari yang ditawarkan pihak lain.

Jadi pilihannya, dinyatakan sejelas yang memungkinkan oleh bukti. Jika Anda memerlukan model dunia yang dapat Anda unduh, audit, fine-tune, dan kueri secara batch — dan Anda memiliki atau dapat menyewa node multi-GPU — PAN 2 adalah rilisan terbuka paling lengkap di kategori ini, dan bagian keterbatasannya sendiri adalah halaman paling berharga di dalamnya. Jika Anda memerlukan dunia yang dapat dijalani seseorang di dalamnya, dengan suara, dan Anda bersedia menunggu daftar tunggu dan membangun terhadap API yang tidak memiliki tanggal dan harga, Genie 4 adalah sistem yang lebih mengesankan dan yang memiliki jalur distribusi di belakangnya.

Ketidaksesuaian yang harus dihindari adalah memperlakukan salah satunya sebagai pengganti yang lain. Keluasan Genie 4 bukan bukti bahwa ia bisa menilai sebuah rencana; bobot PAN 2 yang dapat diunduh bukan bukti bahwa ia bisa menjaga adegan tetap utuh saat Anda mengarahkannya. Yang benar-benar mereka bagi adalah arsitektur yang dicapai kedua perusahaan secara independen — model bahasa yang memutuskan, model difusi yang menggambar — dan fakta bahwa pada 2026 Anda masih hanya bisa melihat ke dalam salah satu dari keduanya.