PAN 2 ha ottenuto un percorso di servizio prima di ricevere un annuncio

Alle 16:03 UTC del 10 novembre 2026, una pull request che aggiungeva il supporto Day-0 per la generazione testo-video e immagine-video di PAN 2 ha completato il merge in vLLM-Omni. Alle 20:55 UTC dello stesso giorno, una seconda pull request ha aggiunto la pagina recipe che spiega come servirlo. PAN 2 è un transformer di diffusione video da 29 miliardi di parametri dell'Institute of Foundation Models della MBZUAI, e il motivo per cui quei due merge sono la notizia è l'ordine in cui sono arrivati. Il repository Hugging Face risale al 7 ottobre 2026 e quello GitHub al 5 novembre, quindi per cinque settimane l'unica traccia pubblica del modello sono stati i metadati del repository. La prima dichiarazione di prima parte che riesco a trovare è un singolo post dall'account X del laboratorio stesso, @IFM_AI, con timestamp 17:00 UTC del 10 novembre — cinquantasei minuti dopo il merge in vLLM-Omni e quasi quattro ore prima della recipe. Recita «Presentiamo PAN 2: un modello del mondo fondazionale aperto per l'intelligenza fisica», contiene un video e non rimanda a nulla al di fuori di sé. Nessun post di blog, nessun URL di paper, nessun endpoint ospitato, nessuna pagina dei prezzi, nessun comunicato stampa. Quindi il percorso di serving ha davvero preceduto l'annuncio, e l'annuncio, quando è arrivato, è stato più modesto del merge: qualche centinaio di like e due paragrafi. Ciò che esiste è un checkpoint Apache-2.0 da 86,17 GB, un'integrazione con il framework e un tweet.

Che cosa è effettivamente arrivato, e in quale ordine

Sono successe quattro cose distinte, e confonderle è il modo in cui un rilascio silenzioso viene scambiato per un lancio.

• I pesi — IFM/PAN2 su Hugging Face, repository creato il 7 ottobre 2026 alle 23:42 UTC, ultima modifica il 9 novembre 2026 alle 21:52 UTC con un commit che aggiunge il supporto al verificatore di sicurezza come componente di pipeline modulare di Diffusers. Sessanta file, 86,17 GB, accesso non limitato, Apache-2.0.

• Il codice — github.com/ifm-ai/PAN2, creato il 5 novembre 2026, con un singolo commit pubblicato alle 20:13 UTC di quel giorno. Non un dump di ricerca con un README morto: ci sono script di inferenza, pin dell'ambiente, configurazioni di training, una skill di riscrittura dei prompt e documentazione per deployment, training e inferenza.

• Il percorso di serving — vLLM-Omni PR #8602 per il supporto Day-0 text-to-video e image-to-video, unita il 10 novembre alle 16:03 UTC, e la PR della recipe vLLM #10126, unita la stessa sera alle 20:55 UTC.

• L'annuncio — @IFM_AI su X, 10 novembre alle 17:00 UTC: «Presentiamo PAN 2: un modello del mondo fondazionale aperto per l'intelligenza fisica.» Due paragrafi, un video, nessun link a un post, a un paper o a una pagina.

Quella sequenza è insolita, e l'annuncio è l'elemento che la rende più strana anziché più normale. Di norma un laboratorio annuncia, pubblica i pesi e il supporto ai framework arriva poco alla volta nelle settimane successive, mentre gli utenti aprono issue. Qui il merge nel framework è avvenuto per primo, l'annuncio è arrivato cinquantasei minuti dopo e la ricetta è arrivata quattro ore più tardi. L'artefatto pubblico più sostanziale nella breve vita del modello è ancora una pull request, il che dice qualcosa su come è stato gestito questo rilascio: come un drop di artefatti per persone che leggono i repository, con un post sui social aggiunto quasi come ripensamento.

Cosa ti dirà il repository

Più di quanto facciano la maggior parte dei post di lancio. PAN 2 è un modello del mondo, non un generatore video con una venatura cinematografica: la distinzione è architetturale, non retorica. Implementa il pattern Generative Latent Prediction descritto in Critique of World Models (arXiv 2507.05169) e divide il lavoro in due. Un ragionatore concettuale, ovvero qualsiasi modello linguistico in grado di seguire istruzioni, legge l'osservazione e le azioni richieste e scrive il successivo stato del mondo sotto forma di didascalia strutturata e ancorata al tempo: eventi in ordine, azioni legate agli attori, movimento di camera. Un encoder testuale congelato mappa quella didascalia in feature di condizionamento. Poi un diffusion transformer multimodale da 29B, addestrato da zero su centinaia di milioni di video annotati nello stesso formato, predice il dettaglio percettivo che la didascalia lascia aperto. Un VAE Wan 2.2 decodifica i latenti e ciò che si ottiene è un video fino a 20 secondi a 704×1248 e 24 fotogrammi al secondo.

La configurazione pubblicata è sufficientemente specifica da consentire una stima dei costi. La configurazione del transformer elenca 44 layer, 32 teste di attenzione da 128 dimensioni ciascuna, una dimensione di patch di 1×2×2, 97 canali di input e 48 canali di output. Il sampler predefinito è di 50 passi con flow shift pari a 9 e classifier-free guidance di 2.5 a ogni passo. La lunghezza predefinita è di 241 frame, circa dieci secondi; il limite massimo è di 481 frame. Il text encoder è Qwen3.5-9B, congelato e non modificato, e il VAE è quello di Wan 2.2. Entrambi vengono scaricati dai rispettivi repository: MBZUAI non li ridistribuisce, e la model card lo specifica con attenzione.

C'è anche una skill prompt-rewriter inclusa nel repo, con un prompt di sistema, un prompt negativo fisso e un validatore che verifica le didascalie rispetto al budget di token dell'encoder di testo: un limite morbido di 1.480 token e una capacità massima di 1.536. È l'artefatto singolo più utile del pacchetto. Indica che il modello non gestisce davvero bene il testo libero, e che il team lo sa.

Quello che non ti dirà

Quasi tutto ciò che un acquirente chiederebbe. Non c'è un prezzo, perché non c'è un'API. Non c'è un endpoint ospitato da MBZUAI. Non c'è un benchmark indipendente: i numeri nella scheda del modello sono quelli del team, misurati sul loro harness, e la scheda è insolitamente schietta sulle condizioni — Physics-IQ Verified normalizzato in modo che la varianza tra due riprese reali sia pari a 100, PhyGround valutato su una scala a cinque punti da Qwen3.8-27B, RBench come media non ponderata su cinque categorie di task e quattro di embodiment. Sono scelte difendibili, e nessuna di esse è una verifica di terze parti.

La valutazione umana è l’evidenza più forte del rilascio e anche la più limitata. Preferenza a coppie in cieco su 140 prompt — 90 text-to-video, 50 image-to-video — giudicata su aderenza all’azione, fisica e coerenza del mondo da 13 revisori su 1.400 confronti, con Elo stimato tramite Bradley–Terry e centrato a 1500. Tredici revisori sono un panel piccolo, e stavano giudicando il modello del team stesso rispetto alle baseline. È più di quanto pubblichino la maggior parte dei laboratori. Non è una classifica.

E la sezione sulle limitazioni è più schietta della norma del genere: circa due piani simulati su tre contengono almeno un passaggio che non viene eseguito. Quella singola frase è il numero più importante del comunicato, ed è quello che un post di lancio avrebbe seppellito.

Il dato sulla produttività nella ricetta è ciò che conta davvero

Il supporto al framework conta per ciò che afferma la recipe, non perché è stato aggiunto un logo. La pagina della recipe di vLLM dichiara che PAN 2 genera 13 secondi di video 704×1248 in circa 119 secondi su quattro GPU B300, usando il parallelismo classifier-free-guidance su due rank e il parallelismo di sequenza Ulysses su due. La configurazione predefinita è otto H200 in BF16, e il comando serve documentato aggiunge il parallelismo delle patch VAE su quattro rank in modalità tile — un dettaglio che conta solo perché decodificare una clip 704×1248 da 20 secondi è di per sé un problema di memoria.

Leggi quei numeri confrontandoli con le impostazioni del sampler. Cinquanta step con guidance a ogni step significano cento forward pass attraverso un transformer da 29B per clip. Ecco perché la guida esegue il guidance in parallelo anziché in sequenza. È anche il motivo per cui la domanda pratica su PAN 2 non è «quanto è buono» ma «quanto mi costa una clip», e la risposta con la ricetta dello stesso fornitore è un nodo con quattro GPU per due minuti ogni tredici secondi di video. Nessuno ha pubblicato una configurazione più economica, e il default a otto H200 della ricetta suggerisce che la configurazione a quattro B300 sia una soluzione stretta anziché un limite minimo confortevole.

Se vuoi provarlo, il planner è la parte che puoi noleggiare

L'architettura a due stadi di PAN 2 ha una strana conseguenza pratica. La metà costosa — il backbone di diffusione da 29B — è la metà che devi ospitare in proprio, perché nessuno la offre come servizio e MBZUAI non ne ha realizzato uno. La metà economica, il ragionatore concettuale che scrive la didascalia strutturata dello stato del mondo, è un normale modello testuale e può essere qualsiasi modello in grado di seguire le istruzioni.

È qui che un router si guadagna il suo posto. Il report PAN 2 valuta quattro modelli di ragionamento e li classifica in base al completamento dell'intero piano: Claude Opus 5.5 al primo posto, poi GPT-6 Astra a sforzo medio, poi Kimi K3, poi Qwen3.8-Flash. Qwen3.8-Flash è su OrcaRouter, quindi puoi gestire la fase di generazione delle didascalie di PAN 2 tramite un'unica chiave API con failover automatico invece di avviare un secondo modello locale accanto allo stack di diffusione, e pagare il prezzo di listino del provider con 0% di markup applicato. Il renderer resta sulle tue GPU; il planner non è tenuto a farlo.

Sii chiaro su cosa sia e cosa non sia. OrcaRouter non ospita PAN 2 e non può instradarlo — non esiste alcun PAN 2 ospitato da nessuna parte verso cui instradare. Quello che può fare è mantenere la metà linguistica di una pipeline di world model su un'API a consumo, mentre dimensioni la metà video in base al tuo hardware. Se preferisci eseguire entrambe le fasi in locale, anche il repo lo supporta, e lo script prompt-rewriter è incluso proprio per quel caso.

Che cosa verrebbe considerato un annuncio?

Tre cose, in ordine crescente di importanza. Un post, un paper o una pagina di IFM o MBZUAI che nomini PAN 2 e indichi una data di rilascio o una versione — il tweet del 10 novembre ha soddisfatto la prima metà del requisito, non la seconda. Un endpoint di inferenza ospitato, che renderebbe possibile confrontare i costi con modelli video chiusi anziché con il noleggio di GPU. E un benchmark indipendente eseguito da qualcuno che non sia l'autore del modello — Physics-IQ, PhyGround o RBench valutati da una terza parte, su prompt che il team non ha scelto.

Finché almeno il primo di questi non arriverà del tutto, la descrizione onesta di PAN 2 è questa: un artefatto di ricerca Apache-2.0 con un percorso di serving funzionante, un formato di prompt documentato, una sezione sulle limitazioni franca, un solo post sui social e nessuna offerta commerciale alle spalle. È più di un preprint e meno di un prodotto. Il supporto per il framework arrivato il 10 novembre non ne ha fatto un lancio. Lo ha reso eseguibile da chi non vuole modificare un repository per ottenere un primo frame.

In definitiva

PAN 2 è il raro caso in cui l'ingegneria è più avanti della documentazione. Se stai sviluppando simulazione di agenti, valutazione robotica o ricerca sul ragionamento fisico e disponi di un nodo con quattro GPU, i pesi ci sono, la procedura c'è e il design a due stadi è documentato abbastanza bene da poter essere riprodotto. Se ti serve un prezzo per clip, un accordo sul livello di servizio o un fornitore da contattare, nulla di tutto ciò esiste ancora, e i merge del 10 novembre non l'hanno creato. Il modello è stato rilasciato in sordina, se "rilasciato" è persino la parola giusta per un repository, un merge e un post di due paragrafi. Se mai verrà annunciato nel senso che riconoscerebbe un acquirente è una questione separata dal fatto che funzioni, e solo una delle due ha una risposta oggi.