PAN 2 vs Agora-2: uno simula le conseguenze, l'altro tiene in funzione un mondo

Venti persone in un unico mondo suona come più di una persona che immagina cosa succede dopo. È proprio questa la confusione tra PAN 2 e Agora-2, e vale la pena districarla prima che qualcuno li confronti l'uno con l'altro in una benchmark. Agora-2 è l'anteprima di ricerca giocabile di Odyssey, pubblicata il 21 settembre 2026, che supporta venti partecipanti in un ambiente simulato condiviso — quattro di loro sono controllori umani, sedici sono policy apprese — e mantiene il loro mondo coerente anche quando un giocatore distoglie lo sguardo. PAN 2 è il simulatore open-weight da 29 miliardi di parametri di IFM, rilasciato come checkpoint Apache-2.0 da 86,17 gigabyte, che prende un fotogramma e un'azione descritta e restituisce fino a venti secondi di video che prevedono la conseguenza. Uno è un server per un mondo. L'altro è una domanda che poni a un mondo. La sovrapposizione nel vocabolario è quasi totale e la sovrapposizione nella funzione è vicina allo zero, ed è esattamente per questo che il confronto continua a essere fatto male.

Il numero che viaggia non è il numero che conta

La copertura di Agora-2 parte dai venti, e il post stesso di Odyssey lo incoraggia. La composizione è più interessante del numero. Quattro controllori umani simultanei forniscono input di movimento e azione; sedici entità autonome sono guidate da policy di mostri e compagni che Odyssey ha addestrato sullo stesso corpus da cui è stato appreso il mondo — registrazioni di Diablo II. Quindi la sessione non è venti persone in una stanza. È un problema di rendering con una macchina a stati molto piccola al centro, travestito da server di gioco.

È questa architettura a rendere Agora-2 un tipo di oggetto diverso da PAN 2. Odyssey separa ciò che decide cosa accade da ciò che decide che aspetto ha, e il divario dimensionale tra i due è il numero più eclatante del report: il modello di simulazione ha 4.457.777 parametri — circa 4,5 milioni, quattro strati di profondità, quattordici rami di movimento, una finestra storica di quattro passi — mentre il renderer è un transformer flow-matching da circa un miliardo di parametri che esegue cinque passi del solver per aggiornamento, condizionato da un prefisso di 342 token che descrive la mappa, le entità, gli effetti transitori, la camera e il roster.

PAN 2 fa l'opposto. Impiega quasi tutta la sua capacità nella percezione: un diffusion transformer multimodale da 29B prevede i fotogrammi, e la parte che decide cosa succede non è affatto un simulatore appreso, ma un modello linguistico che scrive una didascalia strutturata e ancorata al tempo di eventi, azioni e movimento della camera. Agora-2 ripone la sua intelligenza in una minuscola rappresentazione esplicita dello stato. PAN 2 ripone la sua intelligenza nel renderer e delega il ragionamento al testo.

• Stabilisce cosa accade — Agora-2: un modello di simulazione appreso con 4,46 milioni di parametri e stato esplicito delle entità; PAN 2: qualsiasi modello linguistico in grado di seguire istruzioni che scrive una didascalia dello stato del mondo.

• Lo renderizza — Agora-2: un renderer flow-matching da ~1B a cinque passi del solver per aggiornamento; PAN 2: un diffusion transformer da 29B a cinquanta passi con guidance a ogni passo.

• Orizzonte temporale — Agora-2: una sessione aperta che persiste; PAN 2: fino a 20 secondi per clip, al massimo un frame iniziale, con deriva tra le clip.

• Input — Agora-2: comandi di movimento e azione provenienti dai controller oltre a policy apprese; PAN 2: un primo frame opzionale oltre a una descrizione strutturata dell'azione in forma testuale.

• Partecipanti — Agora-2: 4 esseri umani e 16 policy in un unico stato condiviso; PAN 2: nessuno, è un generatore batch.

• Accesso — Agora-2: nessun peso, nessun repository, nessuna licenza e nessun prezzo; PAN 2: pesi Apache-2.0, senza restrizioni, con codice su GitHub e una ricetta vLLM.

La persistenza è ciò che Agora-2 ha effettivamente risolto

Elimina la cornice multiplayer e il vero contributo di Agora-2 è una frase nel post di Odyssey: poiché le proprietà delle entità vengono mantenute indipendentemente da una vista specifica, restano disponibili quando un'entità è fuori dall'inquadratura. Un generatore video che si basa solo sui fotogrammi recenti perde il mostro nel momento in cui ti giri. Un modello del mondo che mantiene uno stato esplicito no. È la decisione progettuale che distingue Agora-2 da ogni modello video con ambizioni multiplayer, ed è il motivo per cui venti partecipanti è un'affermazione sulla gestione dello stato anziché sul rendering.

PAN 2 non fa alcuna affermazione del genere, e la sua scheda modello lo dice. Ogni clip è simulata a partire da al massimo un fotogramma iniziale più testo, quindi l'aspetto varia da clip a clip nelle interazioni lunghe, e la scheda indica la memoria percettiva mantenuta accanto allo stato basato sul testo come ciò che servirebbe per risolvere il problema. In altre parole: PAN 2 sa di avere il problema di Agora-2 e non lo ha risolto, e Agora-2 ne ha risolto una versione mantenendo il mondo abbastanza piccolo da poter essere contenuto in un tensore esplicito.

Letti insieme, i due progetti delimitano il campo. Se il tuo mondo può essere descritto con 4,5 milioni di parametri — una griglia di mappa, un elenco di entità, un insieme di rami di movimento — la persistenza è trattabile e ottieni una sessione. Se il tuo mondo è fatto di conseguenze fisiche in dominio aperto, ti serve un renderer che comprenda materiali e contatto, e la persistenza diventa un problema di ricerca aperto nel momento in cui la telecamera si muove.

Quanto costa una sessione e quanto costa una simulazione

Nessuno dei due numeri è pubblicato come prezzo, perché nessuno dei due modelli è in vendita. Entrambi sono pubblicati come hardware, il che è più utile.

Il piano di serving di Odyssey per una sessione a quattro giocatori prevede quattro {{1}}schede NVIDIA RTX PRO 4500{{/1}}: un renderer per GPU, con una di queste GPU che ospita anche il modello di simulazione e le policy degli agenti, puntando a quindici aggiornamenti latenti al secondo rispetto a trenta frame visualizzati al secondo. Il report ammette apertamente che quei due valori sono obiettivi, non misurazioni — la sezione {{2}}8{{/2}} elenca il frame rate sostenuto e la latenza input-to-display durante l'interazione live multi-agente come non valutati quantitativamente. Anche il costo di addestramento è dettagliato: sessantamila aggiornamenti su 4.232.000 segmenti, poi altri sessantamila su 4.332.800, eseguiti su {{3}}32 GPU B200{{/3}}.

L'equivalente di PAN 2 è la ricetta vLLM: tredici secondi di video 704×1248 in circa 119 secondi su quattro GPU B300, con un valore predefinito documentato di otto H200 in BF16. Cinquanta passi del sampler con classifier-free guidance a ogni passo — cento forward pass attraverso un transformer da 29B per clip — è il motivo per cui la guidance è parallelizzata su due rank e il sequence parallelism su altri due.

Le due configurazioni sono di scala simile, ed è qui che finisce la somiglianza. Quattro schede acquistano una sessione che continua a funzionare. Quattro schede, su PAN 2, acquistano due minuti ogni tredici secondi di conseguenza renderizzata, e il costo di un piano è il costo di ogni candidato considerato dal pianificatore. Il numero di Odyssey è una soglia minima di throughput per un'esperienza. Quello di IFM è un prezzo per domanda.

Solo uno di questi può essere costruito oggi

Questo è il punto in cui il confronto smette di essere architettonico.

Agora-2 è un'anteprima di ricerca con una demo giocabile all'indirizzo di Odyssey stesso e un report tecnico. Non ci sono pesi, né repository, né licenza, né API di inferenza, né prezzo. Odyssey inquadra la traiettoria verso l'interazione multi-agente all'interno dei modelli del mondo fondazionali come lavoro futuro, con PROWL come filone di ricerca e Odyssey-3 come destinazione finale. In pratica: puoi giocarci, non puoi costruirci sopra, e nessuna terza parte può servirtelo.

PAN 2 è la configurazione opposta. Pesi su Hugging Face dal 7 ottobre 2026, senza gating, Apache-2.0 sul proprio codice e sui pesi; repository GitHub con script di inferenza e addestramento dal 5 novembre; supporto Day-0 per vLLM-Omni integrato il 10 novembre; un guardrail distribuito come repository separato con i propri numeri sui falsi positivi. L'annuncio di IFM è stato un singolo post sul proprio account X — "Presentiamo PAN 2: un modello fondativo aperto del mondo per l'intelligenza fisica" — senza voce di blog, link al paper, endpoint ospitato o pagina prezzi. Si tratta di un annuncio scarno avvolto attorno a un artefatto sostanzioso, che è l'inverso del post rifinito di Agora-2 attorno a una demo chiusa.

Se la tua domanda è «cosa posso mettere in produzione questo trimestre», la risposta è nessuno dei due, ma per motivi diversi. Agora-2 non ha un percorso dalla demo al deployment che Odyssey abbia descritto. PAN 2 ha un percorso — i pesi e la ricetta — e una limitazione che decide se dovresti seguirlo: circa due piani simulati su tre contengono almeno un passo che non viene eseguito, secondo la sezione delle limitazioni della scheda del modello stessa.

L'ibrido che nessuno dei due laboratori ha costruito

La domanda ingegneristica interessante non è quale modello vince. È che aspetto ha un sistema che sfrutti ciascuno per ciò in cui è bravo, e nessuno dei due fornitori lo mette sul mercato.

Immagina un agente che deve pianificare all'interno di un mondo persistente. Il design di Agora-2 mostra come mantenere il mondo stabile: stato esplicito, un prefisso di condizionamento strutturato, politiche abbastanza piccole da essere eseguite accanto a un renderer. Il design di PAN 2 mostra come rispondere a "cosa succede se" riguardo a un'interazione fisica: affidare la domanda a un modello linguistico, ottenere una didascalia strutturata, renderizzare la conseguenza, osservarla. Uno stack che mantenesse lo stato di Agora-2 e chiedesse a PAN 2 la fisica dettagliata all'interno di una cella di esso sarebbe strettamente migliore di entrambi, e richiederebbe che entrambi i laboratori aprissero qualcosa che non hanno aperto.

Quello che puoi fare oggi è la metà che non richiede nessuno dei due modelli. Il planner di PAN 2 è definito come qualsiasi modello linguistico in grado di seguire istruzioni, e IFM ne ha classificati quattro in base al completamento del piano completo: Claude Opus 5.5, GPT-6 Astra a impegno medio, Kimi K3, Qwen3.8-Flash. Tutti e quattro sono su OrcaRouter, quindi la fase di caption di una pipeline PAN 2 può essere eseguita tramite un unico endpoint con failover automatico e il prezzo di listino di ciascun provider trasferito con markup dello 0%, scambiato per esperimento anziché per contratto. OrcaRouter non ospita PAN 2 e non può instradarlo — il renderer da 29B resta sulle tue GPU — e di certo non può ospitare Agora-2, cosa che nessuno può fare. Quello che un router può fare è mantenere elastica la metà del ragionamento mentre la metà della simulazione è vincolata all'hardware che già possiedi.

Come decidere

Se stai costruendo un gioco, un ambiente di addestramento per agenti che devono operare in uno spazio condiviso o qualsiasi cosa in cui il mondo debba restare coerente mentre più attori lo attraversano, Agora-2 è la ricerca più pertinente e quella meno disponibile. Leggi il report, prova l’anteprima e considera i venti partecipanti come una dichiarazione sulla progettazione dello stato anziché una capacità che puoi affittare.

Se devi valutare esiti fisici — questa presa reggerà, questa versata si rovescerà, questo piano sopravvive al contatto con la scena — Agora-2 non ha nulla per te e PAN 2 è scaricabile, documentato e onesto sul fatto che salta un passaggio nella maggior parte dei piani. Fai il budget delle GPU prima di fare quello dell'ingegneria: quattro B300 per due minuti ogni tredici secondi fissano il costo di ogni candidato che il tuo planner considera.

I due saranno confrontati per un po', perché "world model" è attualmente un'etichetta applicata a qualsiasi cosa che predica qualcosa di visivo. Qui l'etichetta non serve a nulla. Uno di questi sistemi è un luogo che resta fermo mentre le persone lo attraversano. L'altro è una domanda su ciò che accade dopo, a cui si risponde su richiesta, con la risposta limitata a venti secondi. Confonderli costa un quarto del tempo di ingegneria; distinguerli costa un pomeriggio.