PAN 2 Membuat "What If" Layak Ditonton — dan Mengatakannya pada Bagian yang Gagal

Jatuhkan stroberi ke dalam mangkuk dan Anda sudah tahu, tanpa memikirkannya, kira-kira bagaimana cairan itu memercik. {{1}}PAN 2{{/1}} adalah {{2}}model dunia{{/2}} dari {{3}}Institute of Foundation Models di MBZUAI{{/3}} yang dibangun untuk mengetahui hal yang sama dan menunjukkannya. Beri ia bingkai awal, deskripsikan sebuah tindakan dalam teks, dan ia mengembalikan video hingga dua puluh detik berukuran 704×1248 pada 24 frame per detik yang menunjukkan efek tindakan tersebut terhadap adegan. Demonstrasi yang beredar luas pada 11 November 2026 adalah penjelasan paling jelas atas gagasan itu yang pernah dihasilkan siapa pun: ganti stroberi dengan bebek karet, atau ubah cairannya, dan percikannya ikut berubah, karena model itu memprediksi konsekuensi fisik alih-alih mengambil klip. Pengumuman {{4}}IFM{{/4}} sendiri, yang diunggah pada malam sebelumnya, merangkum gagasan itu dalam satu kalimat — "{{5}}Model bahasa memprediksi kata berikutnya. PAN 2 memprediksi dunia berikutnya: apa yang terjadi setelah setiap tindakan, berlandaskan waktu, fisika, dan ruang.{{/5}}"

Yang membuat itu lebih dari sekadar slogan adalah rilis yang mengiringinya. Bobotnya berlisensi Apache-2.0 dan telah tersedia di Hugging Face sejak 7 Oktober 2026: 86,17 gigabita di enam puluh berkas, dengan kode inferensi menyusul di GitHub pada 5 November dan dukungan serving Day-0 digabungkan ke vLLM-Omni pada 10 November. Jadi pertanyaan yang layak dijawab bukan lagi apakah PAN 2 ada atau siapa yang bisa mendapatkannya. Pertanyaannya adalah apa yang dilakukan simulator 29 miliar parameter yang dapat diunduh dengan cukup baik sehingga Anda akan merencanakan berdasarkan keluarannya, dan di mana dokumentasi tim sendiri memberi tahu Anda untuk tidak melakukannya.

Demo itu adalah pipeline dua tahap yang menyandang nama satu model

Klip stroberi itu tampak seperti generasi teks-ke-video. Namun bukan, dan perbedaan itulah inti desainnya. PAN 2 menerapkan pola Generative Latent Prediction yang diuraikan dalam Critique of World Models (arXiv 2507.05169), yang membagi prediksi menjadi bagian penalaran dan bagian rendering.

Bagian penalaran adalah model bahasa — apa pun yang mengikuti instruksi — yang membaca observasi plus aksi yang diminta dan menulis keadaan dunia berikutnya sebagai keterangan terstruktur yang berlandaskan waktu: peristiwa secara berurutan, setiap aksi terikat pada aktor yang melakukannya, plus gerakan kamera. Keterangan itu bukan dekorasi. Itu adalah antarmuka sebenarnya. Encoder teks Qwen3.5-9B yang dibekukan memetakannya menjadi fitur pengondisian, dan transformer difusi multi-modal 29B yang dilatih dari awal pada ratusan juta video yang dianotasi dalam format yang sama mengisi detail perseptual yang dibiarkan terbuka oleh keterangan tersebut. VAE Wan 2.2 mendekode latent menjadi frame.

Artinya, klaim sebenarnya dari demo itu sama sekali bukan tentang piksel. Klaimnya adalah bahwa deskripsi terstruktur tentang suatu tindakan merupakan sinyal kendali yang memadai bagi simulator untuk menghasilkan konsekuensi yang koheren secara fisik — dan bahwa agen karenanya dapat menyimulasikan beberapa rencana kandidat, membandingkannya, dan bertindak berdasarkan yang terbaik. Itulah yang dimaksud IFM dengan penalaran simulatif, dan itulah sebabnya stroberi, bebek, dan cairan yang ditukar adalah tiga kali menjalankan pertanyaan yang sama, bukan tiga potong rekaman.

Konsekuensi praktisnya tidak ramah. Anda tidak bisa mengetikkan sebuah keinginan ke PAN 2 lalu mendapatkan video. Repositori ini menyertakan skill prompt-rewriter — sebuah system prompt, negative prompt tetap, dan validator yang memeriksa caption terhadap anggaran text encoder sebesar 1.480 token batas lunak dan 1.536 batas keras — dan model card menyatakan dengan jelas bahwa studi kasus agen mengandalkan prompt yang disempurnakan secara manual. Teks bebas ditulis ulang sebelum digunakan. Itu adalah model dengan kontrak antarmuka, bukan kotak obrolan.

Apa yang diukur oleh laporan itu, dan kata-kata yang digunakannya

IFM menerbitkan lebih banyak evaluasi daripada yang dilakukan sebagian besar rilis model video, dan melabeli kondisinya dengan lebih tepat daripada sebagian besar. Semua itu merupakan pekerjaan tim sendiri menggunakan harness milik tim sendiri, dan kartu model menyebutkannya di bagian yang penting.

• Tindakan tunggal — 300 kasus uji di enam kategori kemampuan, 201 gambar-ke-video dan 99 teks-ke-video, akurasi dilaporkan sebagai persentase.

• Rencana multi-langkah — 100 tugas harian egosentris yang diajukan dalam dua bentuk, 200 prompt dan 456 langkah, dinilai berdasarkan penyelesaian langkah dan penyelesaian rencana penuh, dirata-ratakan dari tiga seed.

• Benchmark publik — Physics-IQ Verified pada setelan image-to-video, dinormalisasi sehingga varians antara dua rekaman nyata sama dengan 100; PhyGround pada skala lima poin yang dinilai oleh Qwen3.8-27B; RBench sebagai rata-rata tanpa bobot atas lima kategori tugas dan empat kategori embodiment, dikalikan 100.

• Preferensi manusia — perbandingan berpasangan secara buta pada 140 prompt, 90 teks-ke-video dan 50 gambar-ke-video, dinilai berdasarkan kepatuhan terhadap aksi, fisika, dan konsistensi dunia oleh 13 peninjau di 1.400 perbandingan, dengan Elo yang dipasang menggunakan Bradley–Terry dan dipusatkan pada 1500.

Tiga belas reviewer adalah panel kecil, dan mereka menilai model para penulis terhadap baseline para penulis. Itu tetap lebih banyak bukti daripada yang dipublikasikan sebagian besar rilis di kategori ini, dan pembingkaiannya luar biasa hati-hati: model tertutup dalam perbandingan dihasilkan sekali melalui API inferensi pihak ketiga, dan kartunya menandai baris mana yang single-seed. Tidak ada dari semua itu yang membuat angkanya independen. Itu membuatnya mudah dibaca, yang merupakan hal terbaik berikutnya.

Dua menit GPU untuk setiap tiga belas detik video

Angka yang menentukan apakah Anda dapat menggunakan PAN 2 bukanlah skor benchmark. Angka itu ada dalam resep vLLM, yang menyatakan bahwa video 704×1248 berdurasi tiga belas detik membutuhkan sekitar 119 detik pada empat GPU B300, dengan classifier-free guidance dibagi ke dua rank dan paralelisme sekuens Ulysses ke dua rank tambahan. Default yang didokumentasikan adalah delapan H200 dalam BF16, dengan paralelisme patch VAE di atas empat tile, karena mendekode klip 704×1248 berdurasi dua puluh detik adalah masalah memori tersendiri.

Jalankan pengaturan sampler dengan angka tersebut, dan biayanya menjadi struktural, bukan insidental. Lima puluh langkah pada flow shift 9, dengan guidance 2,5 yang diterapkan pada setiap langkah, berarti seratus forward pass melalui transformer 29B untuk setiap klip. Itulah sebabnya guidance harus diparalelkan, bukan dijalankan secara berurutan, dan sebabnya pertanyaan jujur tentang PAN 2 bukanlah "seberapa bagus itu" melainkan "berapa biaya satu simulasi bagi saya, dan berapa banyak simulasi yang dibutuhkan sebuah rencana". Planner yang mengevaluasi lima aksi kandidat per langkah, dalam tugas sepuluh langkah, meminta lima puluh klip. Pada konfigurasi yang diterbitkan vendor itu sendiri, itu berarti node empat GPU sibuk selama hampir dua jam, sebelum apa pun dipelajari dari output.

Perencana adalah separuh yang murah, dan IFM membiarkannya tetap dapat dipertukarkan.

Ada satu bagian dari pipeline ini yang tidak memerlukan kluster GPU, dan laporan tersebut secara eksplisit menyatakan bahwa bagian itu dapat ditukar. Penalar konseptual didefinisikan sebagai model bahasa apa pun yang mengikuti instruksi, dan IFM memeringkat empat di antaranya berdasarkan seberapa sering rencana simulasi selesai dari awal sampai akhir: Claude Opus 5.5 pertama, lalu GPT-6 Astra pada upaya sedang, lalu Kimi K3, lalu Qwen3.8-Flash.

Keempat model itu ada di katalog OrcaRouter, yang menjadikan slot reasoner sebagai satu-satunya bagian dari stack PAN 2 yang dapat Anda benchmark tanpa menyewa apa pun. Arahkan prompt-rewriter ke masing-masing model melalui satu kunci API, pertahankan bagian difusi tetap terpasang di perangkat keras Anda sendiri, dan biarkan failover otomatis menyerap gangguan penyedia di tengah eksperimen alih-alih membatalkan proses; harganya adalah tarif daftar masing-masing penyedia yang diteruskan dengan markup 0%, sehingga perubahan harga vendor muncul di endpoint pada hari yang sama saat terjadi, bukan setelah siklus penetapan harga ulang. OrcaRouter tidak menghosting PAN 2 dan tidak dapat merutekannya — renderer tetap milik Anda — tetapi bagian pipeline yang menentukan apa yang akan disimulasikan adalah pekerjaan teks bermeter biasa, dan itulah bagian yang kualitasnya benar-benar bervariasi antar-run.

Perlu dikatakan secara terus terang: peringkat di atas adalah milik IFM, diukur pada tugas-tugas IFM dengan harness IFM. Ini adalah titik awal yang masuk akal untuk menyusun daftar pendek. Ini bukan pengganti untuk menjalankan prompt Anda sendiri melalui keempat kandidat dan menghitung seberapa sering rencana Anda bertahan.

Bagian keterbatasan adalah halaman paling berguna dalam rilis ini

Kebanyakan kartu model menaruh pengakuan mereka di paragraf yang tidak dibaca siapa pun. Kartu PAN 2 menaruh angkanya di depan: sekitar dua dari tiga rencana simulasi mengandung setidaknya satu langkah yang tidak dijalankan. Satu kalimat itu membingkai ulang semua yang ada di atasnya. Simulator yang melewatkan satu langkah dalam dua dari tiga rencana belum menjadi sesuatu yang Anda serahkan kepada robot lalu tinggalkan — ia adalah sesuatu yang Anda gunakan untuk memeringkat rencana kandidat yang mode kegagalannya dapat Anda hadapi, dengan pemeriksa dalam alur.

Sisa daftar itu sama spesifiknya, dan sama-sama layak diterima apa adanya.

• Konsistensi jangka panjang — setiap klip disimulasikan dari paling banyak satu frame awal ditambah teks, sehingga penampilan bergeser antarklip dalam interaksi panjang; kartu tersebut menyebut memori perseptual sebagai bagian yang hilang alih-alih mengklaim bahwa hal itu sudah terpecahkan.

• Sensitivitas prompt — pilihan kata pada observasi dan aksi mengubah hasil, dan contoh-contoh di luar distribusi pelatihan memerlukan prompt yang disempurnakan secara manual.

• Aksi teks yang kasar — teks mengekspresikan "buka laci" dengan baik dan "letakkan setiap jari di sini" dengan buruk, yang membatasi manipulasi cekatan.

• Jalan pintas — sebuah simulasi dapat terus berjalan sambil melanggar fisika, dengan contoh dari kartu itu sendiri berupa pasta yang muncul di colander sebelum ditiriskan.

• Kegagalan yang setia belum terukur — studi kuantitatif ini mencakup rencana loop terbuka yang dirancang untuk berhasil; seberapa baik PAN 2 menyimulasikan rencana yang seharusnya gagal, dalam kata-kata kartunya, belum diukur. Itulah kesenjangan yang paling penting bagi perencanaan, karena simulator yang tidak dapat menunjukkan hasil buruk kepada Anda belum bisa menjadi filter.

Guardrails dikirim sebagai repositori terpisah, dengan nomor terlampir.

Hal lain yang dilakukan IFM dan dilewatkan oleh sebagian besar rilis video berbobot terbuka: IFM menerbitkan pagar pengaman bersama model, bukan sekadar paragraf yang merekomendasikannya. pan2-guardrail menyaring permintaan dengan Qwen3Guard-Gen-4B sebelum generasi dan menyaring video yang dihasilkan dengan pengklasifikasi frame Q16 sesudahnya, dan kartu tersebut melaporkan berapa biayanya di kedua arah — permintaan text-to-video berbahaya yang menghasilkan output tidak aman turun dari 33,9% menjadi 1,5%, tidak ada output image-to-video tidak aman yang teramati, dan 11,5% permintaan text-to-video yang tidak berbahaya plus 3,3% permintaan image-to-video yang tidak berbahaya dihentikan selama proses.

Itu adalah pengukuran internal tim, bukan audit, dan tingkat positif palsu adalah angka yang perlu Anda cermati jika Anda berniat menjalankan ini dalam volume besar: guardrail yang menolak satu dari sembilan permintaan yang tidak berbahaya adalah batasan desain pada produk Anda, bukan catatan kaki. Secara adil, itu juga jenis pengungkapan yang memungkinkan Anda membuat keputusan itu sama sekali.

Apa yang akan membuat ini lebih dari sekadar demo yang mengesankan?

Tiga hal, dalam urutan kesulitan yang meningkat. Sebuah studi kegagalan: kartu model mengakui bahwa mensimulasikan rencana yang seharusnya gagal tidak terukur, dan sampai seseorang menerbitkannya, PAN 2 adalah generator keberhasilan yang masuk akal alih-alih prediktor konsekuensi. Sebuah evaluasi independen: setiap angka kemampuan dalam artikel ini berasal dari IFM, pada harness IFM, dengan panel tiga belas orang untuk studi manusia, dan belum ada pihak ketiga yang mereproduksi satu pun darinya. Dan jalur penyajian yang lebih murah: konfigurasi yang diterbitkan adalah node empat GPU selama dua menit per tiga belas detik, yang baik untuk riset dan brutal untuk loop yang sebenarnya tersirat oleh penalaran simulatif.

Meskipun demikian, PAN 2 adalah rilis world-model terbuka paling lengkap tahun ini, dan kelengkapannya itulah intinya. Bobot, kode, resep penyajian, kontrak prompt dengan anggaran token, guardrail dengan angka positif palsu, dan bagian keterbatasan yang diawali dengan tingkat kegagalan. Anda boleh tidak setuju dengan kesiapannya untuk robot dan tetap menggunakannya minggu ini untuk menanyakan apa yang terjadi jika Anda mengganti cairannya — yang, bagi model yang seluruh premisnya adalah bahwa konsekuensi dapat dipratinjau, merupakan uji pertama yang wajar.