PAN 2 vs Gemma 4 12B: un simulatore e un ragionatore non sono rivali

Ogni pagina di confronto su internet vuole un vincitore, e questa non può onestamente averne uno, perché PAN 2 e G​emma 4 12B non svolgono lo stesso compito. PAN 2 è un transformer di diffusione video da 29 miliardi di parametri dell'Institute of Foundation Models della MBZUAI che prende in input un'immagine e una descrizione delle azioni e restituisce fino a venti secondi di video 704×1248 che mostrano cosa succede dopo. G​emma 4 12B Unified è un modello linguistico multimodale senza encoder da 11,95 miliardi di parametri di G​oogle DeepMind che prende in input testo, immagini e audio e restituisce testo. Uno rende le conseguenze; l'altro ne parla. Se sei arrivato cercando una tabella di benchmark che li classifichi l'uno contro l'altro, non ne esiste nessuna e nessuna potrebbe esistere — non condividono alcuna valutazione. Ciò che esiste è una decisione reale, perché i due vengono sempre più spesso impiegati nella stessa pipeline: il ragionatore scrive il piano, il simulatore ti mostra cosa fa il piano. Quindi la domanda utile non è quale sia migliore, ma quale serve davvero al tuo problema e quanto ti costa sostenere ciascuno.

La discrepanza, detta chiaramente

Gemma 4 12B ha una tabella di valutazione pubblica e PAN 2 no, e questa asimmetria non è un segnale di qualità — è un segnale di categoria. Google pubblica MMLU Pro, GPQA Diamond, AIME, LiveCodeBench e una dozzina di altri benchmark di testo e visione perché i modelli linguistici vengono misurati su un metro condiviso che esiste da anni. La scheda di PAN 2 pubblica Physics-IQ Verified, PhyGround, RBench e uno studio sulle preferenze umane perché i modelli world model video vengono misurati con strumenti inventati di recente, per lo più dai laboratori che costruiscono i modelli.

• Parametri: PAN 2: 29B in un unico diffusion transformer multimodale, con un text encoder Qwen3.5-9B congelato e un VAE Wan 2.2 caricato in parallelo. G​emma 4 12B: 11,95B, 48 layer, senza encoder, con patch di immagine grezze e forme d'onda audio proiettate direttamente nello spazio di embedding del decoder.

• Ingressi e uscite — PAN 2: un primo frame opzionale più una didascalia strutturata dello stato del mondo; in uscita, un MP4. Gemma 4 12B: in ingresso testo, immagini, audio e video; in uscita testo, con un contesto di 256K token e supporto nativo ai prompt di sistema.

• Licenza — PAN 2: Apache-2.0 sul proprio codice e sui propri pesi, con componenti di terze parti soggetti ai propri termini. G​emma 4 12B: Apache-2.0 secondo i termini della licenza G​emma 4.

• Pesi su disco — PAN 2: 86,17 GB distribuiti su sessanta file nel repository IFM/PAN2, di cui 67,37 GB sono il transformer stesso e 15,87 GB il text encoder. G​emma 4 12B: circa 12 miliardi di parametri in BF16, all'incirca un quarto del solo transformer.

In che cosa ciascuno è davvero bravo, sulla base delle proprie stesse evidenze

I numeri di G​emma 4 12B sono i più leggibili dei due e sono rispettabili per le dimensioni. MMLU Pro dichiarato dal fornitore al 77,2%, GPQA Diamond al 78,8%, AIME 2026 senza strumenti al 77,5%, LiveCodeBench v6 al 72,0% e un rating Codeforces di 1659 lo collocano ben al di sopra della generazione precedente — G​emma 3 27B segna 67,6%, 42,4%, 20,8%, 29,1% e 110 sulle stesse righe. Sul fronte visione registra MMMU Pro 69,1% e MATH-Vision 79,7%. Sul contesto lungo, MRCR v2 con otto aghi a 128K si attesta al 43,4%. Queste sono le valutazioni di G​oogle sul modello di G​oogle stesso, e la scheda lo dichiara; trattatele come un'affermazione del fornitore ben documentata anziché come un verdetto indipendente.

PAN 2 non ha nulla di paragonabile e non pretende di averlo. La sua tesi è più circoscritta e più strana: che un modello di diffusione condizionato su una descrizione strutturata e ancorata al tempo simuli le conseguenze fisiche e causali di un'azione abbastanza bene perché un agente possa confrontare piani candidati prima di impegnarsi in uno di essi. A sostegno di questa tesi ci sono uno studio su 300 casi a singola azione attraverso sei categorie di capacità, uno studio multi-step su 200 prompt con 456 passaggi e un test cieco di preferenza umana con 1.400 confronti. Tutti e tre sono del team stesso. Nessuno di essi è trasferibile a qualcosa su cui viene misurato G​emma 4 12B.

È sulla questione del deployment che il confronto morde

Qui i due modelli smettono di essere incomparabili, perché entrambi devono vivere su hardware che paghi tu.

Gemma 4 12B funziona su una singola GPU consumer o da workstation in BF16 e con requisiti notevolmente inferiori con la quantizzazione. Ha il supporto dal primo giorno negli stack di inferenza standard, un vocabolario da 262K e un insieme documentato di impostazioni predefinite per il campionamento e la modalità thinking. Se il tuo carico di lavoro riguarda la comprensione dei documenti, il tool calling o il ragionamento su un contesto lungo, questo è un deployment ordinario e ampiamente collaudato, e le decisioni interessanti riguardano tutte il prompting.

Il deployment di PAN 2 non è per nulla noioso. La stessa ricetta vLLM ha come titolo il fatto che tredici secondi di video 704×1248 richiedono circa 119 secondi su quattro GPU B300, con il classifier-free guidance parallelizzato su due rank e il parallelismo di sequenza Ulysses su due. Il valore predefinito è otto H200 in BF16. Il sampler esegue cinquanta passi con guidance a ogni passo — cento forward pass attraverso un transformer da 29B per clip — motivo per cui il parallelismo non è opzionale. E il formato della condizione non è testo libero: il modello si aspetta una caption strutturata dello stato del mondo, e il repository include una skill prompt-rewriter con un validatore che impone un limite morbido di 1.480 token e una capacità massima di 1.536 rispetto al budget del text encoder.

Quel ultimo dettaglio è quello che decide la maggior parte delle valutazioni. Non puoi digitare un desiderio in PAN 2 e ottenere un video. Devi descrivere gli eventi in ordine, associare le azioni agli attori e specificare il movimento della camera, e la model card è esplicita sul fatto che i casi di studio sugli agenti si basavano su prompt rifiniti manualmente. G​emma 4 12B accetterà volentieri un paragrafo di prosa e ti restituirà qualcosa di utile al primo tentativo. Se vuoi sapere come si sente PAN 2 in pratica, la risposta onesta è che sembra un modello con un contratto d'interfaccia, non una chat box.

Dove i due appartengono allo stesso sistema

Il motivo per cui questo confronto continua a saltare fuori è che il lavoro degli agenti ora richiede entrambe le componenti. Un agente che pianifica in testo e agisce in un ambiente reale ha bisogno di un ragionatore per decidere cosa fare e, sempre più spesso, di un simulatore per previsualizzare come sarebbe farlo. G​emma 4 12B può essere il ragionatore — è abbastanza piccolo da essere co-localizzato con il resto di uno stack, gestisce immagini e audio come input, e i suoi punteggi di instruction following e uso degli strumenti sono l'aspetto centrale del modello. PAN 2 può essere il simulatore, e la sua stessa architettura presuppone che qualcosa come G​emma sia già nel ciclo: il ragionatore concettuale è definito come qualsiasi modello linguistico in grado di seguire istruzioni, e il rapporto ne classifica quattro in base alla frequenza con cui un piano simulato si completa end-to-end — Claude Opus 5.5 primo, poi GPT-6 Astra a impegno medio, poi Kimi K3, poi Qwen3.8-Flash.

Se questa è la struttura del tuo sistema, l'abbinamento non è affatto PAN 2 contro Gemma 4 12B. È PAN 2 più un reasoner, e la scelta del reasoner è il punto in cui risiedono davvero il costo e la variabilità della qualità.

Questo è un ambito in cui un router fa un lavoro concreto, non attività di marketing. La parte di simulazione deve essere eseguita sulle tue GPU — nessuno ospita PAN 2, MBZUAI compresa — ma la parte di ragionamento può essere una chiamata API a consumo, e passare da Claude Opus 5.5 a GPT-6 Astra e Qwen3.8-Flash per capire quale completa più spesso i tuoi piani è una questione di routing, non di approvvigionamento. Qwen3.8-Flash è su OrcaRouter, così puoi confrontare tre planner rispetto al tuo deployment PAN 2 tramite un'unica chiave API con failover automatico, al prezzo di listino del provider con 0% di ricarico applicato. OrcaRouter non ospita PAN 2 e non può instradarlo. Può mantenere elastica la metà economica della pipeline mentre la metà costosa resta vincolata all'hardware.

Cosa cambierebbe questo confronto

Due cose, nessuna delle quali esiste l'11 novembre 2026. Primo, una valutazione indipendente di PAN 2 da parte di qualcuno che non ne è l'autore — fino ad allora le sue dichiarazioni sulle capacità sono riportate dal fornitore e vanno lette come tali. Secondo, un endpoint ospitato o una vera nota di rilascio per PAN 2 — l'unico post sull'account X del laboratorio non è questo — che trasformerebbe una decisione di self-hosting in un confronto di prezzi e renderebbe obsoleta da un giorno all'altro la sezione sul deployment di questa pagina.

Gemma 4 12B non ha bisogno di nessuno dei due. È un modello rilasciato, documentato e ampiamente distribuito, con oltre 1,8 milioni di download mensili su Hugging Face, e la sua tabella di valutazione è stata usata dalla comunità per mesi per individuarne i punti deboli. Il profilo di rischio della sua adozione è vicino allo zero. Il profilo di rischio dell'adozione di PAN 2 è che si passa una settimana sull'infrastruttura per un modello la cui sezione sui limiti dice che circa due piani simulati su tre contengono almeno un passaggio che non viene eseguito. Quella frase non è un motivo per saltarlo. È un motivo per sapere cosa si sta comprando prima di affittare le GPU.

Come scegliere

Se hai bisogno che testo, immagini o audio vengano compresi e ricevano una risposta, PAN 2 non è un candidato e nessun budget GPU, per quanto grande, può renderlo tale. Prendi G​emma 4 12B, o una delle varianti più grandi di G​emma 4 se i numeri del 12B non bastano. Se devi vedere come apparirebbe un'azione prima di compierla — manipolazione robotica, simulazione di compiti egocentrici, valutazione del ragionamento fisico — G​emma 4 12B non può farlo nemmeno, e PAN 2 è uno dei pochi modelli open-weight che ci prova. Se ti serve un agente che faccia entrambe le cose, la risposta è uno stack, non un modello, e l'ingegneria interessante sta nell'interfaccia tra i due: il formato strutturato di didascalia che PAN 2 richiede è esattamente l'artefatto che un motore di ragionamento come G​emma 4 12B dovrebbe essere addestrato a produrre.