PAN 2 vs Qwen3.8-27B: Pesaingnya Sudah Ada di Dalam Model

Sebagian besar perbandingan model memiliki batas yang jelas: dua checkpoint, dua vendor, pilih satu. Yang ini tidak, karena Qwen berjalan melalui sistem PAN 2 di tiga tempat sekaligus. PAN 2 memuat Qwen3.5-9B sebagai text encoder beku-nya, komponen yang mengubah caption world-state terstruktur menjadi fitur conditioning yang dikonsumsi diffusion transformer berparameter 29 miliar miliknya. Skor PhyGround dalam laporan teknis PAN 2 sendiri dinilai oleh Qwen3.8-27B, model yang secara nominal menjadi pembandingnya di halaman ini. Dan Qwen3.8-Flash adalah salah satu dari empat reasoner konseptual yang dijadikan benchmark oleh laporan untuk menulis caption PAN 2 sejak awal. Jadi framing yang jujur bukanlah PAN 2 versus Qwen3.8-27B. Ini adalah video world model dari Institute of Foundation Models milik MBZUAI, yang dipublikasikan secara diam-diam dan tidak pernah diberi peluncuran, berdiri di atas komponen Qwen, dinilai sebagian oleh juri Qwen, dibandingkan dengan model vision-language berparameter 27 miliar dari Alibaba yang merupakan produk lengkap tersendiri. Pertanyaan yang menarik adalah hubungan mana di antara itu yang perlu Anda pedulikan saat memilih apa yang akan di-deploy.

Apa yang DNA bersama berarti dan tidak berarti

Itu tidak berarti kedua model tersebut sebanding. PAN 2 menghasilkan video; Qwen3.8-27B menghasilkan teks. Tidak ada apa pun dalam encoder bersama yang mengubah hal itu, dan tidak ada benchmark yang memeringkat keduanya satu sama lain. Siapa pun yang menyajikan skor head-to-head sedang menyajikan sebuah kesan.

Artinya, perbandingan tersebut luar biasa informatif mengenai provenans. Saat PAN 2 membaca caption Anda, PAN 2 membacanya melalui encoder Qwen yang diunduh MBZUAI tanpa modifikasi dari repositori miliknya sendiri, dan kartu model menyatakan secara eksplisit bahwa bobot Qwen3.5-9B digunakan sebagaimana dirilis dan belum di-fine-tune oleh MBZUAI. Anggaran token yang diberlakukan validator prompt — batas lunak 1.480 token, batas keras 1.536 — adalah anggaran Qwen3.5-9B, bukan anggaran PAN 2. Dan ketika laporan mengklaim angka PhyGround, angka itu dihasilkan dengan meminta Qwen3.8-27B menilai video yang dihasilkan pada skala lima poin. Penilainya adalah rivalnya.

Itu bukan skandal. Menggunakan model terbuka yang kuat sebagai penilai otomatis adalah praktik standar dan mengungkapkannya lebih baik daripada yang dilakukan sebagian besar lab. Tetapi itu berarti rantai bukti untuk PAN 2 melewati keluarga model Alibaba pada tiga titik terpisah, dan jika Anda mengevaluasi PAN 2, Anda harus tahu angka mana yang merupakan pengukuran PAN 2 dan mana yang merupakan pengukuran PAN 2 sebagaimana dilihat oleh Qwen.

Qwen3.8-27B, dengan caranya sendiri

Model Alibaba adalah jenis objek yang sama sekali berbeda: model bahasa kausal 27 miliar parameter dengan encoder visi, dibangun di atas arsitektur Qwen3.5 dengan tata letak hibrida — enam belas pengulangan tiga blok Gated DeltaNet diikuti satu blok Gated Attention, total 64 lapisan, dimensi tersembunyi 5.120, dan kosakata yang dipad hingga 248.320 token. Konteks aslinya 262.144 token, dapat diperluas hingga satu juta. Lisensinya Apache-2.0, diunggah ke Hugging Face pada 5 Agustus 2026, dan memiliki 7,4 juta unduhan bulanan.

Angka dari vendor ini kuat dan kartu ini salah satu yang lebih lengkap di bidang open-weight: GPQA Diamond 89,2, HLE 30,8, LiveCodeBench v6 90,3, SWE-bench Pro 61,7, Terminal-Bench 2.1 pada 73,0, OSWorld-Verified 84,3, OmniDocBench 1.5 pada 91,1, penalaran CharXiv 83,7, IFBench 79,5, CoWorkBench 70,7. Pada MathVision, dilaporkan 90,0 tanpa chain-of-thought dan 94,6 dengan chain-of-thought. Itu adalah evaluasi Alibaba sendiri terhadap baseline Alibaba sendiri, yang merupakan peringatan yang sama yang berlaku untuk setiap tabel vendor di situs ini, termasuk milik PAN 2.

• Modalitas — Qwen3.8-27B: teks, gambar, dan video masuk; teks keluar. PAN 2: frame pertama opsional plus keterangan terstruktur masuk; MP4 keluar.

• Ukuran — Qwen3.8-27B: dense 27B, 64 lapisan, sekitar 27,8 miliar parameter safetensors. PAN 2: transformer difusi 29B berukuran 67,37 GB dalam BF16, ditambah encoder Qwen3.5-9B yang dibekukan berukuran 15,87 GB dan VAE Wan 2.2.

• Konteks — Qwen3.8-27B: 262,144 token native, hingga satu juta. PAN 2: satu caption dibatasi maksimal 1,536 token encoder teks, dan satu frame awal.

• Lisensi — Qwen3.8-27B: Apache-2.0. PAN 2: Apache-2.0 pada bobotnya sendiri, dengan komponen pihak ketiga di bawah ketentuan masing-masing.

• Penyajian — Qwen3.8-27B: Transformers, vLLM, SGLang, TokenSpeed, dan endpoint Qwen Cloud yang di-hosting yang dicantumkan Alibaba sebagai segera hadir. PAN 2: Diffusers, vLLM-Omni dan generate.py milik repositori itu sendiri, di perangkat keras Anda, dan tidak ada yang di-hosting di mana pun.

Mengapa pilihan encoder adalah baris paling berdampak dalam kartu PAN 2

Membekukan text encoder 9B dan hanya melatih backbone difusi adalah keputusan rekayasa yang dapat dipertahankan, dan itulah alasan bagian difusi PAN 2 berukuran 29B, bukan 40B. Ini juga membatasi secara kaku apa yang dapat disampaikan kepada PAN 2. Penalar konseptual menulis caption; Qwen3.5-9B memetakannya ke fitur; model difusi merender dari fitur tersebut. Apa pun yang tidak dapat direpresentasikan oleh Qwen3.5-9B tidak dapat disimulasikan oleh PAN 2, seberapa pun bagusnya caption itu.

Ini menjelaskan keterbatasan yang dinyatakan kartu secara terang-terangan dan dilewatkan sebagian besar pembaca: model sensitif terhadap pilihan kata dalam prompt, contoh di luar distribusi pelatihan mengandalkan prompt yang disempurnakan secara manual, dan aksi teks hanya menentukan manipulasi cekatan secara kasar. Itu bukan tiga masalah terpisah. Itu adalah masalah yang sama yang dilihat dari tiga sudut — antarmuka antara deskripsi bahasa dan encoder teks tetap, dengan anggaran 1.536 token dan kosakata yang dibekukan di satu sisi.

Bandingkan dengan bagaimana Qwen3.8-27B menangani pekerjaan yang sama. Ia adalah penalar dan encoder dalam satu objek, dengan jendela 262.144 token, kontrol pemikiran native yang dapat dinonaktifkan per permintaan, kenop reasoning_effort dan preserve_thinking untuk mempertahankan konteks penalaran lintas giliran. Jika tugas Anda adalah mendeskripsikan sebuah adegan dan rencana dengan cukup detail agar sesuatu di hilir dapat bertindak berdasarkan itu, Qwen3.8-27B dirancang untuk itu dan PAN 2 dirancang untuk mengonsumsi outputnya. Keduanya bukan pesaing untuk slot yang sama; yang satu berada di hulu dari yang lain.

Asimetri deployment yang tak seorang pun cantumkan dalam tabel perbandingan

Qwen3.8-27B adalah model besar yang berjalan seperti model besar biasa. Dua puluh tujuh miliar parameter pada BF16 kira-kira 55 GB bobot, yang muat pada satu akselerator 80 GB dengan ruang untuk KV cache, dan kartu tersebut mencantumkan empat stack serving plus endpoint hosted yang kompatibel dengan OpenAI yang akan hadir. Anda dapat membuatnya menjawab permintaan pada sore yang sama saat Anda memutuskan untuk menggunakannya.

PAN 2 berukuran 86,17 GB dalam enam puluh file dan aritmetika penyajiannya dihitung dalam node-menit. Lima puluh langkah sampler dengan classifier-free guidance pada setiap langkah berarti seratus forward pass melalui transformer 29B per klip. Judul utama resep vLLM adalah video 704×1248 berdurasi tiga belas detik dalam sekitar 119 detik pada empat GPU B300, dengan guidance diparalelkan di dua rank dan Ulysses sequence parallelism di dua rank lainnya; konfigurasi bawaannya adalah delapan H200 dalam BF16 dengan VAE patch parallelism di empat rank dalam mode tile. Skrip inferensi milik repositori itu sendiri lebih sederhana dan lebih rakus: satu worker per GPU, masing-masing memegang salinan penuh transformer 67,37 GB, masing-masing mengambil setiap prompt ke-N.

Jika keduanya diletakkan berdampingan, kesimpulan praktisnya jelas tidak berimbang. Panggilan Qwen3.8-27B hanyalah sebuah permintaan. Klip PAN 2 adalah pekerjaan batch dengan reservasi GPU yang menempel. Jika Anda perlu menghasilkan satu video berdurasi dua puluh detik sekali saja, PAN 2 berarti satu sore untuk penyiapan dan tiga menit untuk render. Jika Anda memiliki seribu rencana untuk disimulasikan, Anda membeli waktu pada sebuah node dan perbandingan yang relevan adalah dengan model dunia video lain, bukan dengan model bahasa.

Satu-satunya tempat di mana keduanya benar-benar bertemu

PAN 2 dimaksudkan untuk penalaran simulatif: agen membayangkan hasil dari setiap tindakan kandidat, lalu memilih yang terbaik. Siklus itu memerlukan perencana yang menghasilkan tindakan kandidat dan simulator yang mewujudkan konsekuensinya. Qwen3.8-27B adalah perencana yang kredibel — kemampuan mengikuti instruksi yang kuat pada 79.5 di IFBench, pekerjaan kantor berhorizon panjang pada 70.7 di CoWorkBench, pengodean terminal agentik pada 73.0 di Terminal-Bench 2.1 — dan model ini sudah berada dalam siklus tersebut, karena MBZUAI menggunakannya untuk menilai PhyGround dan Qwen3.8-Flash sebagai salah satu dari empat penulis caption.

Jika Anda membangun loop itu, planner adalah bagian yang dapat Anda beli per token dan simulator adalah bagian yang tidak. Qwen3.8-27B tersedia di OrcaRouter, jadi satu kunci API memberi Anda planner dengan failover otomatis, aturan perutean untuk menentukan permintaan mana yang pergi ke mana, dan harga daftar penyedia dengan markup 0% yang diteruskan — termasuk pemotongan harga Alibaba sendiri pada hari pemotongan itu berlaku. OrcaRouter tidak menghosting PAN 2 dan tidak dapat merutekannya; tidak ada yang menghosting PAN 2. Pemisahan ini bukan keterbatasan router, melainkan bentuk pasar: model bahasa yang dihosting adalah komoditas, model dunia video yang dihosting belum ada.

Ada alasan kedua yang lebih sunyi untuk merutekan alih-alih mematok planner. Laporan PAN 2 memeringkat empat reasoner berdasarkan penyelesaian rencana penuh, dan urutannya bukan yang akan ditebak kebanyakan orang — Claude Opus 5.5 pertama, GPT-6 Astra pada effort sedang kedua, Kimi K3 ketiga, Qwen3.8-Flash keempat. Urutan itu diukur pada prompt MBZUAI, dengan kebijakan caption dan validator mereka. Punya Anda akan berbeda. Mampu menjalankan ulang perbandingan tanpa merombak ulang stack Anda bernilai lebih dari pilihan model mana pun di dalamnya.

Apa yang harus dilakukan dengan perbandingan ini

Jika Anda datang ke sini untuk memilih salah satu, jawaban jujurnya adalah pertanyaannya cacat. Qwen3.8-27B adalah model visi-bahasa umum yang dapat Anda jalankan hari ini di satu akselerator atau sewa per token minggu depan. PAN 2 adalah artefak riset yang merender konsekuensi, membutuhkan node multi-GPU, tidak memiliki endpoint yang dihosting, dan per 11 November 2026 belum pernah diluncurkan oleh para penulisnya sendiri — satu unggahan dua paragraf di akun X laboratorium itu adalah seluruh pengumumannya. Repositori Hugging Face-nya bertanggal 7 Oktober, repositori GitHub-nya 5 November, dan hal publik paling substansial yang terjadi padanya adalah dukungan Day-0 vLLM-Omni yang di-merge pada 10 November.

Perbandingan yang layak dilakukan lebih sempit. Jika pipeline Anda membutuhkan planner, Qwen3.8-27B adalah pilihan yang kuat, terdokumentasi dengan baik, dan berlisensi Apache-2.0, dan keputusannya adalah keputusan routing. Jika pipeline Anda perlu melihat apa yang dilakukan suatu tindakan sebelum mengambilnya, PAN 2 adalah salah satu dari sangat sedikit model open-weight yang mencoba melakukannya, model ini akan berjalan di atas komponen Qwen entah Anda menyadarinya atau tidak, dan ringkasan jujur tentang kemampuannya adalah kalimat di bagian keterbatasannya sendiri: sekitar dua dari tiga rencana tersimulasi mengandung setidaknya satu langkah yang tidak dijalankan. Itulah angka yang perlu menjadi acuan perencanaan, dan itulah satu-satunya angka dalam seluruh perbandingan ini yang tidak dapat ditingkatkan oleh encoder, penilai, atau router mana pun untuk Anda.