PAN 2 vs SKY-001: Yang Satu Mensimulasikan Apa yang Terjadi Selanjutnya, yang Lain Menggambar Apa yang Akan Dibangun

Kimi K3 muncul di kedua dokumen peluncuran, dalam rentang dua minggu yang sama, dengan tugas yang berlawanan. Dalam laporan teknis PAN 2, ia adalah penalar konseptual — model bahasa yang membaca permintaan dan menulis keterangan terstruktur yang berlandaskan waktu yang kemudian diubah oleh transformer difusi berparameter 29 miliar menjadi video. Dalam tabel SKY-001 milik Skyfall, ia adalah pesaing baseline, diminta menggambar sendiri sebuah perakitan CAD, di mana ia mereproduksi 9,5% geometri referensi berdasarkan intersection-over-union. Satu peluncuran menggunakan model bahasa frontier untuk menulis rencana. Peluncuran lainnya mengukur kegagalan model bahasa frontier dalam menggambar. Perbedaan itu adalah panduan yang lebih baik untuk kedua model ini daripada label yang mereka bagi. PAN 2 adalah model dunia Institute of Foundation Models di MBZUAI, bobot Apache-2.0 di Hugging Face sejak 7 Oktober 2026, kode sejak 5 November dan pengumuman pihak pertama pada 10 November, dan ia memprediksi hingga dua puluh detik video 704×1248 dari frame pertama opsional ditambah aksi yang dijelaskan dalam teks. SKY-001 adalah model rekayasa Skyfall AI, diumumkan 19 Oktober 2026, masih di balik daftar tunggu dengan penerapan komersial ditargetkan pada awal 2027, dan ia memprediksi urutan operasi menggambar yang menghasilkan bagian CAD atau denah lantai.

Kedua tanggal itu bukan hari ini, dan tidak ada yang di bawah ini dibingkai sebagai peluncuran. Berikut ini adalah apa yang sebenarnya dihitung oleh masing-masing model, di mana masing-masing lemah menurut angkanya sendiri, dan mana dari keduanya yang dibutuhkan oleh masalah Anda.

Dua hal yang berbeda sedang diprediksi

Rantai PAN 2 memiliki model bahasa di dalamnya. Sebuah penalar konseptual — model apa pun yang mengikuti instruksi — membaca observasi dan aksi yang diminta lalu menuliskan keadaan dunia berikutnya sebagai keterangan terstruktur: peristiwa secara berurutan, aksi yang terikat pada aktor, gerakan kamera. Encoder teks Qwen3.5-9B yang dibekukan memetakan keterangan itu menjadi fitur pengondisian. Sebuah transformer difusi multi-modal 29B, yang dilatih dari awal pada video yang dianotasi dalam format yang sama, memprediksi latent yang tidak dijelaskan oleh keterangan, dengan pengondisian pada keterangan itu dan pada latent VAE dari frame awal, dan dekoder Wan 2.2 merendernya. Sampler default adalah 50 langkah pada flow shift 9 dengan classifier-free guidance 2,5 pada setiap langkah, dan checkpoint-nya adalah 86,17 GB di enam puluh file.

Rantai SKY-001 justru memiliki hierarki di dalamnya. Hierarchical Composer mengambil maksud desain — sebuah gambar, teks, atau selubung bangunan beserta brief — menghasilkan seluruh desain, lalu memecahnya tingkat demi tingkat dan menyempurnakan setiap daun secara paralel. Construction World Model kemudian memprediksi urutan terurut keadaan visual yang membangun setiap daun: di CAD, rantai keadaan solid 3D dengan sketsa 2D yang digambar di antara setiap pasangan berurutan; di BIM, denah lantai yang digambar goresan demi goresan. Penggambaran berjalan sebagai difusi dalam dua lintasan, rollout kasar dalam ruang laten terkompresi dari autoencoder bergaya Matryoshka lalu penghalus yang memulihkan resolusi penuh. Kedua tahap adalah transformer difusi; keduanya tidak memprediksi token. Skyfall belum menerbitkan jumlah parameter, bobot, lisensi, atau API.

• Apa yang diprediksi — PAN 2 memprediksi observasi berikutnya sebagai piksel, berdasarkan suatu aksi; SKY-001 memprediksi keadaan konstruksi berikutnya sebagai bentuk solid atau goresan, berdasarkan suatu maksud.

• Bagaimana waktu masuk — PAN 2 berjalan pada jam fisik, 241 frame (sekitar sepuluh detik) secara default dan hingga 481 (dua puluh detik) pada 24 fps; SKY-001 berjalan pada urutan prosedural sekitar 100 langkah menggambar per komponen CAD dan 70 per denah lantai, tanpa jam fisik di mana pun di dalamnya.

• Apakah fisika diklaim — PAN 2 dinilai langsung berdasarkan kelayakan fisik; materi SKY-001 sama sekali tidak membuat klaim dinamika, karena yang digambarkan adalah sebuah desain, bukan gerakan.

• Apa yang Anda dapatkan — MP4 yang bisa ditonton, versus geometri yang Anda nilai berdasarkan IoU terhadap bentuk referensi.

• Bobot — unduhan Apache-2.0 untuk PAN 2; tidak ada yang dipublikasikan untuk SKY-001.

• Harga — Waktu GPU yang dapat Anda sesuaikan untuk PAN 2; daftar tunggu untuk SKY-001.

Keduanya dua tahap, dan bottleneck-nya terletak di tempat yang berbeda

Taruhan rekayasa yang sama adalah bahwa Anda membagi pekerjaan itu. Satu tahap berkomitmen pada struktur — deskripsi terurut tentang apa yang seharusnya terjadi — dan tahap kedua mengisi detail yang dibiarkan terbuka oleh deskripsi tersebut. PAN 2 melakukannya dengan caption dan backbone difusi. SKY-001 melakukannya dengan hierarki subtujuan dan model konstruksi per daun. Letakkan kedua peluncuran itu berdampingan, dan pertanyaan yang menarik bukan lagi arsitektur mana yang lebih baik, melainkan tahap mana yang sebenarnya membebani Anda.

Untuk PAN 2, itu adalah perencana, dan laporan menyebutkannya dua kali. Pada Physics-IQ Verified, tolok ukur image-to-video yang dinormalisasi sehingga rentang antara dua pengambilan nyata dari adegan yang sama bernilai 100, PAN 2 mencapai 93,2 ± 0,8 dengan Claude Opus 5.5 yang menulis keterangan dan 90,9 ± 0,4 pada default sistemnya, untuk seed 123 hingga 126. Mengganti model bahasa yang menulis keterangan menggeser skor sebesar 2,3 poin pada skala seratus poin yang skor sempurnanya berarti tidak dapat dibedakan dari rekaman nyata. Pola yang sama terlihat dalam batasan kartu model: sekitar dua dari tiga rencana simulasi memuat setidaknya satu langkah yang tidak dijalankan, studi kasus agen bergantung pada prompt yang disempurnakan secara manual, tindakan cekatan seperti posisi setiap jari saat menyentuh objek hanya ditentukan secara kasar dalam teks, dan keterangan divalidasi terhadap batas lunak 1.480 dan kapasitas keras 1.536 token. Renderer bukan masalah yang dilaporkan. Kalimat yang mendeskripsikan adeganlah masalahnya.

Untuk SKY-001, planner tidak diukur sebagai tahap terpisah, sehingga hambatan yang dilaporkan adalah renderer. Pada tolok ukur konstruksi CAD Skyfall — 1.000 komponen yang diambil dari objek seperti Jaguar E-Type Roadster, lengan las FANUC ArcMate 100iB, dan helikopter Bell 222, masing-masing memerlukan sekitar 100 langkah penggambaran — SKY-001 mereproduksi 79,7% geometri referensi berdasarkan mean IoU, dibandingkan 79,1% untuk GPT-6 Astra dan 76,9% untuk Gemini 4. Pada tolok ukur BIM, 1.000 denah lantai dengan sekitar 70 langkah penggambaran masing-masing, capaiannya 43,6% dibandingkan 42,3% untuk Gemini 3.8 Flash dan 40,6% untuk GPT-6 Astra. Selisih 0,6 poin dan 1,3 poin adalah keunggulan arsitektural. Kurang dari setengah denah lantai adalah angka absolutnya.

Dibaca bersama-sama, dan dibaca hanya untuk besaran relatif di dalam pelaporan masing-masing vendor, planner adalah tuas yang lebih besar di kedua dokumen. Mengubah penulis caption PAN 2 menggesernya lebih jauh daripada seluruh keunggulan arsitektural SKY-001 atas pesaing terdekatnya. Tolok ukurnya berbeda dan skornya tidak dapat dibandingkan; intinya adalah di mana varians masing-masing tim berada.

Benchmark tersebut tidak berbagi harness, penilai, maupun kebijakan baseline.

PAN 2 dilaporkan dalam empat cara, dan tiga di antaranya melibatkan penilaian orang lain. Physics-IQ Verified adalah benchmark publik dengan pengaturan papan peringkat, dan entri PAN 2 menggunakan Claude Opus 5.5 sebagai reasoner, sedangkan kolom default sistem menjalankan pipeline masing-masing pesaing sebagaimana dijalankan IFM. PhyGround adalah skala lima poin yang dinilai oleh Qwen3.8-27B, yakni opini model lain alih-alih pengukuran fisik; PAN 2 memperoleh 3,98 dan 4,11 pada dua konfigurasi yang dilaporkan. RBench adalah rata-rata tak berbobot atas lima kategori tugas dan empat kategori embodiment dikalikan 100, dengan PAN 2 memperoleh 83,7 dan 73,5. Baseline model tertutup diberi tanda belati karena masing-masing dihasilkan sekali, bukan atas beberapa seed. Ada juga studi manusia buta: 140 prompt, 13 peninjau, 1.400 perbandingan berpasangan, yang dicocokkan ke model Bradley–Terry dengan Elo dipusatkan pada 1500 dan interval kepercayaan 95%. Dan ada harness milik IFM sendiri — 300 kasus uji aksi tunggal yang terbagi menjadi 201 image-to-video dan 99 text-to-video di enam kemampuan, ditambah 100 tugas egosentris multi-langkah yang disusun sebagai 200 prompt dan 456 langkah, dilaporkan sebagai rata-rata ± simpangan baku atas tiga seed.

SKY-001 dilaporkan dalam dua cara, keduanya milik Skyfall, keduanya dinilai menggunakan IoU terhadap bentuk referensi, keduanya dengan model pesaing yang dijalankan oleh Skyfall menggunakan one-shot prompting. Tidak ada error bar pada semua itu, dan belum ada pihak ketiga yang mereproduksi satu angka pun. Membaca tabel-tabel itu dengan cermat memunculkan tiga hal yang perlu diketahui sebelum Anda mengutipnya.

Pertama, halaman-halaman milik vendor sendiri saling bertentangan. Panel 3D CAD di halaman produk menunjukkan SKY-001 pada 76,1% dibandingkan GPT-6 Astra pada 73,4%, dengan Claude Opus 5.5 pada 61,8%, Gemini 3.8 Flash pada 45,9%, Qwen 3.8 Max pada 26,6%, dan Kimi K3 pada 6,5%. Benchmark konstruksi melaporkan 79,7% dibandingkan 79,1%. Tugasnya berbeda, skornya berbeda, nama modelnya sama di kedua halaman — dan Claude Opus 5.5, yaitu model penalaran yang meningkatkan angka Physics-IQ PAN 2, hanya muncul di salah satunya.

Kedua, pengali kecepatan dinyatakan dengan tiga cara di tiga dokumen yang diterbitkan pada hari yang sama: 51× di bagan blog, 49× di halaman produk, 100× di siaran pers. Aritmetika memastikannya — 199 detik dibagi 3,9 adalah 51,0 — tetapi itu menunjukkan bahwa angka-angka utama ditulis oleh orang berbeda yang tidak membandingkan pekerjaan mereka.

Ketiga, kolom biaya tidak dijelaskan. Skyfall melaporkan $0.005 per kasus CAD dan $0.0024 per paket, dan tidak menyebutkan apakah itu harga daftar, waktu GPU sewaan, atau inferensi self-hosted yang diamortisasi. Itu adalah tiga klaim yang berbeda, dan perbedaannya paling penting untuk model yang dijalankan sendiri oleh Skyfall alih-alih yang dipanggil.

Semua itu tidak membuat narasi efisiensi SKY-001 menjadi salah. Keunggulan kecepatan 51 kali lipat dan keunggulan biaya 150 kali lipat dibandingkan pesaing terbaik, pada akurasi yang setara, adalah klaim nyata tentang beban kerja nyata. Hal itu membuatnya belum terverifikasi, yang merupakan hal berbeda.

Berapa biaya untuk menjalankannya, dan seberapa banyak dari itu yang dapat diketahui

Komputasi PAN 2 diterbitkan sebagai resep yang bisa Anda hitung sendiri biayanya. Deployment default-nya adalah delapan H200 dalam BF16, dengan classifier-free guidance dipecah ke dua rank dan Ulysses sequence parallelism ke dua, serta decode VAE ditambal ke empat tile. Resep serving tersebut melaporkan video 704×1248 berdurasi tiga belas detik dalam sekitar 119 detik pada empat B300. Tidak ada harga daftar per detik karena IFM tidak menjalankan endpoint terkelola; angka yang penting bagi Anda adalah tarif yang dikenakan penyedia Anda untuk GPU, dikalikan dengan jumlah detik per klip yang benar-benar Anda hasilkan.

Komputasi SKY-001 tidak dipublikasikan dalam bentuk apa pun yang dapat Anda tentukan harganya. Tidak ada jumlah parameter, tidak ada deskripsi perangkat keras, tidak ada angka throughput, dan tidak ada endpoint. Yang ada hanyalah biaya vendor per kasus yang komposisinya tidak diungkapkan dan formulir daftar tunggu.

Asimetri itu menentukan lebih banyak dalam perbandingan ini daripada selisih benchmark. Salah satu model ini dapat di-benchmark pada data Anda sendiri sore ini, di perangkat keras Anda sendiri, dengan biaya yang dapat Anda perkirakan. Model lainnya hanya bisa dibaca informasinya.

Satu-satunya bagian dari kedua stack yang bisa Anda sewa hari ini

Baik PAN 2 maupun SKY-001 tidak ada di OrcaRouter, dan keduanya tidak dapat dirutekan melaluinya: PAN 2 adalah checkpoint 86 GB yang Anda deploy sendiri, dan SKY-001 tidak memiliki API untuk dipanggil. Bagian dari pipeline PAN 2 yang merupakan model hosted normal adalah bagian pertama — reasoner konseptual yang mengubah permintaan Anda menjadi caption world-state. IFM mengevaluasi empat di antaranya berdasarkan urutan penyelesaian rencana penuh: Claude Opus 5.5, GPT-6 Astra pada effort medium, Kimi K3, dan Qwen3.8-Flash, dan mencatat bahwa model apa pun yang mengikuti instruksi dapat digunakan. Qwen3.8-Flash ada di katalog OrcaRouter, yang berarti tahap caption dari deployment PAN 2 dapat berjalan dengan satu key dengan harga daftar provider yang diteruskan dengan markup 0%, dan dengan failover otomatis jika sebuah provider mengalami penurunan di tengah batch rencana. Itu layak dikonfigurasi sebelum tahap diffusion, bukan sesudahnya: planner adalah tempat varians terukur berada, jadi itulah tahap di mana model yang lebih murah dan provider kedua layak diuji satu sama lain pada prompt Anda sendiri.

Masalah mana yang sebenarnya sedang Anda pegang?

Jika yang Anda butuhkan adalah prediksi tentang apa yang dilakukan suatu aksi terhadap sebuah adegan, dalam piksel, selama beberapa detik ke depan — untuk agen yang ingin membayangkan hasil sebelum memilih, atau untuk pipeline video yang fisikanya harus tetap terjaga — PAN 2 adalah satu dari dua ini yang dibuat untuk itu, dan Anda bisa memilikinya sekarang. Siapkan anggaran untuk tahap caption dan untuk guardrail: IFM menyediakan repositori guardrail terpisah yang menyaring permintaan dengan Qwen3Guard-Gen-4B sebelum generasi dan outputnya dengan pengklasifikasi frame Q16 setelahnya, dan dalam evaluasi internalnya, pasangan tersebut memangkas proporsi permintaan text-to-video berbahaya yang menghasilkan video tidak aman dari 33,9% menjadi 1,5% sekaligus menghentikan 11,5% permintaan text-to-video yang tidak berbahaya dan 3,3% permintaan image-to-video yang tidak berbahaya. Lapisan keamanan yang membuat Anda kehilangan satu dari sembilan permintaan yang tidak berbahaya adalah biaya produksi nyata, bukan catatan kaki.

Jika yang Anda butuhkan adalah maksud desain yang diubah menjadi geometri CAD atau BIM, SKY-001 adalah satu-satunya dari keduanya yang ditujukan untuk itu, dan Anda tidak bisa mendapatkannya. Pengganti jujur saat ini adalah model bahasa terdepan yang terhubung ke rantai alat CAD Anda — yang justru merupakan setup yang diukur oleh tabel SKY-001 sendiri, pada IoU 9,5% hingga 42,3% tergantung model dan tugasnya. Itulah sebabnya daftar tunggu melakukan pekerjaan nyata, bukan pekerjaan pemasaran: alternatifnya bukan pesaing, melainkan angka yang lebih buruk.

Jika yang Anda butuhkan adalah mesin fisika, keduanya bukan. Simulasi PAN 2 adalah prediksi, kartunya menyatakan demikian secara eksplisit, dan daftar keterbatasannya sendiri mencakup simulasi yang berjalan sambil melanggar batasan fisik — pasta muncul di saringan sebelum ditiriskan. SKY-001 menggambar desain dan tidak membuat klaim dinamika di mana pun. Menyebut salah satunya sebagai model dunia akurat dalam pengertian yang digunakan kedua tim, dan menyesatkan dalam pengertian yang digunakan mesin gim.

Yang perlu diperhatikan bukanlah benchmark berikutnya. Yang perlu diperhatikan adalah apakah ada orang di luar kedua perusahaan ini yang mereproduksi sebuah angka: apakah Skyfall menerbitkan protokol IoU dan akuntansi biaya di balik angka per kasusnya, dan apakah celah kinerja antara pipeline bawaan PAN 2 dan penalar terbaiknya tetap bertahan saat dihadapkan pada prompt yang tidak disempurnakan secara manual oleh siapa pun. Keduanya adalah pertanyaan tentang tahap yang sama — tahap yang memutuskan apa yang seharusnya terjadi, sebelum apa pun digambar.