PAN 2 vs Genie 4: entrambi mettono un modello linguistico nel loop, e solo uno lo nomina

I due modelli del mondo più interessanti della fine del 2026 sono costruiti allo stesso modo, e nessuna delle due aziende lo mette in evidenza. PAN 2 è il modello del mondo open-weight da 29 miliardi di parametri dell'Institute of Foundation Models, pubblicato come checkpoint Apache-2.0 il 7 ottobre 2026, con il codice di inferenza e addestramento reso disponibile successivamente il 5 novembre e il supporto al serving Day-0 in vLLM-Omni il 10 novembre. Genie 4 è il modello del mondo interattivo in tempo reale di Google DeepMind, annunciato il 27 ottobre 2026, che genera una scena esplorabile a partire da una descrizione testuale e consente di guidarla con una tastiera mentre l'audio nativo viene riprodotto in sincronia. Metteteli fianco a fianco e il contrasto atteso — pesi aperti contro un'anteprima di ricerca, venti secondi di video contro una sessione dal vivo — è reale ma noioso. La cosa interessante è che entrambi delegano il pensiero a un modello linguistico, e solo PAN 2 ti dice quale modello linguistico e ti consente di cambiarlo.

Quella singola differenza nella divulgazione vale più di una tabella di benchmark, perché decide se puoi ragionare sul sistema o meno. Un modello del mondo con una metà di ragionamento senza nome è un prodotto. Un modello del mondo con una metà di ragionamento denominata e sostituibile è un'architettura.

La forma condivisa: un ragionatore scrive il futuro, un renderer lo disegna

PAN 2 implementa la Generative Latent Prediction, lo schema formalizzato in Critica dei modelli del mondo (arXiv 2507.05169). Un ragionatore concettuale — qualsiasi modello linguistico in grado di seguire istruzioni — legge l'osservazione corrente e le azioni richieste e scrive il successivo stato del mondo sotto forma di descrizione strutturata e ancorata al tempo: gli eventi in ordine, ogni azione associata all'attore che la compie, più il movimento della camera. Un encoder testuale Qwen3.5-9B congelato converte quella descrizione in feature di condizionamento. Un transformer diffusion multimodale da 29B, addestrato da zero su centinaia di milioni di video annotati, colma il dettaglio percettivo che la descrizione lascia aperto, mentre un VAE Wan 2.2 decodifica il risultato in fotogrammi.

La descrizione pubblicata da Google di Genie 4 presenta la stessa divisione del lavoro con nomi di prodotto diversi. Gemini Omni ancora la simulazione in un aspetto e un comportamento realistici; altri modelli Gemini forniscono il ragionamento per coerenza e continuità; e Gemini 3.8 Flash funge da agente guida che osserva la scena, pianifica i passaggi e verifica i progressi. Quest'ultimo ruolo è un verificatore in-loop — un modello linguistico che osserva il modello del mondo e lo mantiene sul compito. Google ha anche abbinato Genie 4 a Gemini 4 Argon per la simulazione robotica multi-step, inclusa una dimostrazione di un umanoide Apptronik Apollo che gioca a dama.

Quindi in entrambe le architetture i pixel sono la metà economica e veloce, e il modello linguistico è la metà che decide cosa dovrebbe succedere. Questa è la forma su cui il settore è convergito nel 2026 senza annunciarlo: un modello del mondo non è un generatore video con un prior fisico, è un pianificatore più un renderer, e il pianificatore è un normale modello testuale di cui si potrebbe misurare il consumo.

È proprio quella convergenza a rendere rilevante il divario nella divulgazione. IFM ha classificato quattro planner in base alla frequenza con cui un piano simulato viene completato dall'inizio alla fine — Claude Opus 5.5 primo, GPT-6 Astra con impegno medio secondo, Kimi K3 terzo, Qwen3.8-Flash quarto — e ha pubblicato la classifica insieme all'harness che l'ha prodotta, dichiarando al contempo che il reasoner concettuale è per definizione intercambiabile. Google ha indicato Gemini 3.8 Flash nel loop, il che è più di quanto dichiarino la maggior parte dei laboratori, e non ha pubblicato nulla su come sostituirlo, prezzarlo separatamente o misurare se un modello diverso pianificherebbe meglio.

Venti secondi in un batch, o una sessione che guidi tu

I modelli di interazione sono agli antipodi, ed è qui che i due smettono di essere paragonabili e cominciano a essere strumenti diversi.

Output: PAN 2 restituisce fino a venti secondi di video 704×1248 a 24 fotogrammi al secondo per chiamata; Genie 4 restituisce una scena dal vivo persistente di cui Google non ha pubblicato risoluzione, frequenza dei fotogrammi e durata.

• Controllo — PAN 2 riceve un frame iniziale più una didascalia d'azione strutturata perfezionata da una skill di riscrittura del prompt; Genie 4 riceve un prompt testuale e poi input continuo da tastiera per il movimento e la telecamera.

• Audio — PAN 2 non ne offre; Genie 4 genera suoni ambientali, audio simile a musica e dialoghi interattivi dei personaggi insieme alle immagini, cosa che Google descrive come una novità assoluta per un modello di mondo in tempo reale.

• Comportamento in batch — PAN 2 è un oracolo batch: una chiamata, una clip, nessun feedback all'interno della chiamata; Genie 4 è un ciclo chiuso in cui il tuo input al terzo secondo cambia il quarto secondo.

• Costo — Il default documentato di PAN 2 prevede otto H200 in BF16, con una ricetta vLLM che colloca tredici secondi di video 704×1248 a circa 119 secondi su quattro B300; Genie 4 non ha un prezzo perché non esiste un accesso self-serve.

• Accesso — i pesi di PAN 2 occupano 86,17 gigabyte distribuiti su sessanta file sotto Apache-2.0, senza restrizioni; Genie 4 è un'anteprima di ricerca per tester fidati, con un percorso dichiarato verso gli abbonati AI Ultra tramite lista d'attesa e verso i partner in accesso anticipato tramite l'API Gemini e Google AI Studio.

Leggi quella lista e la risposta pratica si divide nettamente. Se vuoi chiedere "cosa succede se" qualche migliaio di volte e dare un punteggio alle risposte, PAN 2 è l'unico dei due che può essere invocato in un loop che controlli. Se vuoi esplorare, guidare e ascoltare, Genie 4 è l'unico dei due che offra anche solo un posto — e probabilmente non puoi ancora accedervi.

La scheda tecnica che Google non ha pubblicato

La cosa più sorprendente dell'annuncio di Genie 4 è la lunghezza dell'elenco che omette: nessuna risoluzione, nessun frame rate, nessun numero di parametri, nessun prezzo, nessuna durata misurata della coerenza della scena, nessun benchmark con baseline nominate. Ciò che Google ha pubblicato è una serie di ammissioni: la coerenza regge per sessioni brevi, e i dettagli visivi e la permanenza degli oggetti possono degradarsi durante esecuzioni più lunghe, dopo modifiche complesse o durante la navigazione. Interazioni fisiche complesse, accuratezza audio, testo leggibile nel mondo, accuratezza spaziale e coerenza a lungo termine sono elencati come problemi di ricerca aperti. Ogni output porta una filigrana SynthID.

Niente di tutto ciò è evasivo. È la forma onesta di un'anteprima di ricerca, e elencare la deriva come problema aperto è più di quanto facciano la maggior parte dei post di lancio. Ma significa che un lettore non può calcolare nulla da Genie 4: non clip per dollaro, non secondi per GPU, non la durata oltre la quale una scena smette di essere utilizzabile. L'unico numero che un acquirente desidererebbe di più — quanto a lungo una sessione resta coerente — è quello che l'annuncio descrive qualitativamente e non quantifica.

PAN 2 risponde alla stessa domanda con un numero peggiore e quindi più utile. La sua scheda modello afferma che circa due piani simulati su tre contengono almeno un passaggio che non viene eseguito. Sostiene che l'aspetto varia da clip a clip nelle interazioni lunghe perché ciascuna clip è simulata a partire da al massimo un fotogramma iniziale più testo, e indica la memoria percettiva come il pezzo mancante anziché affermare che sia risolta. Ammette che il testo esprime bene "aprire un cassetto" e male "posizionare ogni dito qui", il che limita la manipolazione fine. Fornisce un esempio concreto di scorciatoia — la pasta che compare nello scolapasta prima che venga scolata — e ammette che la simulazione di piani che dovrebbero fallire, per usare le parole della scheda, non è ancora misurata.

Quell'ultima ammissione è quella che dovrebbe accompagnare qualsiasi modello del mondo in una specifica di prodotto. Un simulatore che sa rendere solo il successo è un generatore di esiti plausibili, non un filtro per quelli negativi, e l'intera premessa del ragionamento simulativo — simulare diversi piani candidati, confrontarli, agire sul migliore — dipende dalla capacità del modello di mostrarti un piano che fallisce. PAN 2 dichiara apertamente di non essere stato testato su questo. Genie 4 non si pronuncia in un senso o nell'altro.

Il failover non è una funzionalità di nessuno dei due modelli, ed è la funzionalità di cui hai bisogno.

Entrambi questi sistemi sono artefatti di ricerca puntati su un problema che sarà risolto da team con scadenze di produzione, e lo scarto tra queste due cose è il punto in cui un livello di routing si guadagna il suo posto. La metà renderer di uno stack PAN 2 è il vostro hardware e lo sarà sempre — OrcaRouter non ospita PAN 2 e non può instradarlo, e nessun catalogo può instradare un diffusion transformer da 29 miliardi di parametri che state eseguendo sul vostro nodo. Ciò che è instradabile è la metà che decide cosa simulare, perché quella metà è normale lavoro testuale a consumo.

Tutti e quattro i planner classificati da IFM sono nel catalogo OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3 e Qwen3.8-Flash. Questo rende lo slot del ragionatore l'unica parte di una pipeline PAN 2 che puoi benchmarkare questo pomeriggio senza noleggiare un nodo GPU: punta il riscrittore di prompt su ciascuno di essi tramite una singola chiave, mantieni fissa la metà diffusion e conta quante volte i tuoi piani sopravvivono. I prezzi di listino dei provider vengono applicati con markup dello 0%, quindi il confronto dei costi si basa sulle tariffe dei vendor stessi, non sulle nostre, e il failover automatico assorbe un'esitazione del provider a metà sweep invece di interrompere l'esecuzione.

La stessa via copre, solo marginalmente, il versante Genie 4. Gemini 3.8 Flash è il modello che Google descrive come agente guida in-loop di Genie 4, ed è richiamabile tramite lo stesso catalogo. Non puoi ottenere Genie 4. Puoi costruire la parte dell'architettura che Google ha effettivamente descritto — un modello dotato di capacità visive che osserva i fotogrammi generati, pianifica i passaggi successivi e controlla i progressi — e indirizzarlo verso un modello del mondo che possiedi davvero. Non è lo stesso prodotto. È lo stesso livello di controllo, ed è il livello in cui risiede in realtà la maggior parte dell'ingegneria.

Sii chiaro su quanto vale la classifica qui sopra: l’ordinamento di IFM è stato misurato sui task di IFM con l’harness di IFM, rispetto alle baseline di IFM, e nessuno l’ha riprodotto. È una lista ristretta, non una classifica. Provare i propri prompt su quattro candidati richiede un paio d’ore di lavoro ed è l’unica prova che si applica al tuo problema.

L'altro numero che vale la pena tenere in considerazione in qualsiasi budget è quello del serving. Cinquanta passi del sampler con uno spostamento di flusso di 9 e una guidance di 2,5 a ogni passo significano cento passaggi in avanti attraverso un transformer da 29B per clip, ed è per questo che la guidance deve essere parallelizzata tra i rank anziché eseguita in modo sequenziale. Un planner che valuta cinque azioni candidate per passo su un compito di dieci passi richiede cinquanta clip, il che, nella configurazione pubblicata con quattro B300, significa un nodo occupato per buona parte di due ore prima che si sia appreso qualcosa dall'output. Il ragionamento simulativo non è costoso perché il modello è grande. È costoso perché l'idea è un ciclo.

Output, controllo e ciò che ciascuno si rifiuta di dire sulla durata

Sei dimensioni reggono il confronto, e quattro di esse non riguardano affatto la qualità.

Output: PAN 2 restituisce fino a venti secondi di video 704×1248 a 24 fotogrammi al secondo per chiamata; Genie 4 restituisce una scena dal vivo persistente di cui Google non ha pubblicato risoluzione, frequenza dei fotogrammi e durata.

• Controllo — PAN 2 riceve un frame iniziale più una didascalia d'azione strutturata perfezionata da una skill di riscrittura del prompt; Genie 4 riceve un prompt testuale e poi input continuo da tastiera per il movimento e la telecamera.

• Audio — PAN 2 non ne offre; Genie 4 genera suoni ambientali, audio simile a musica e dialoghi interattivi dei personaggi insieme alle immagini, cosa che Google descrive come una novità assoluta per un modello di mondo in tempo reale.

• Comportamento del loop — PAN 2 è un oracolo batch senza feedback all'interno di una chiamata; Genie 4 è un ciclo chiuso in cui il tuo input al terzo secondo modifica il quarto secondo.

• Base di costo — il default documentato di PAN 2 è otto H200 in BF16, con una ricetta che porta tredici secondi di video 704×1248 a circa 119 secondi su quattro B300; Genie 4 non ha un prezzo perché non esiste un accesso self-serve.

• Accesso — i pesi di PAN 2 occupano 86,17 gigabyte distribuiti su sessanta file sotto Apache-2.0, senza restrizioni; Genie 4 è un'anteprima di ricerca per tester fidati, con un percorso dichiarato verso gli abbonati AI Ultra tramite lista d'attesa e verso i partner in accesso anticipato tramite l'API Gemini e Google AI Studio.

La riga della durata è quella che determina la maggior parte delle decisioni reali, ed è anche la riga in cui i due sono meno confrontabili. PAN 2 ti offre esattamente venti secondi e ti dice che varia da clip a clip perché ciascuna è simulata a partire da al massimo un frame iniziale più il testo. Genie 4 ti offre una sessione di durata non specificata, ammette che la coerenza regge solo su sessioni brevi e definisce la coerenza a lungo termine un problema di ricerca aperto. Nessuno dei due ti dirà la durata oltre la quale l'output smette di essere affidabile, e quel numero — non un punteggio di benchmark — è ciò di cui una pipeline ha davvero bisogno.

Cosa renderebbe questo un vero confronto

Una cosa: un compito condiviso. Nessuno ha eseguito PAN 2 e Genie 4 sulla stessa domanda, e non è ovvio che potrebbero — uno produce clip di lunghezza fissa a partire da una didascalia, l'altro produce una sessione interattiva a partire da un prompt e una tastiera. La cosa più vicina a una misura comune sarebbe l'aderenza alle azioni nell'ambito di un piano descritto, e solo PAN 2 ha pubblicato un harness per questo: 300 casi ad azione singola in sei categorie di capacità, 100 attività multi-step poste come 200 prompt e 456 passaggi, valutati sul completamento dei passaggi e sul completamento del piano completo su tre seed. Tredici revisori hanno prodotto i numeri di preferenza umana su 140 prompt in uno studio comparativo a coppie in cieco, giudicando il modello degli autori rispetto alle baseline degli autori. Non è indipendente. È leggibile, che è la seconda cosa migliore, ed è più di quanto offra l'altra parte.

Quindi la scelta, detta nel modo più chiaro che le prove consentono. Se ti serve un modello del mondo che puoi scaricare, verificare, mettere a punto e interrogare in batch — e possiedi o puoi noleggiare un nodo multi-GPU — PAN 2 è il rilascio aperto più completo della categoria, e la sua stessa sezione sui limiti è la pagina più preziosa che contiene. Se ti serve un mondo in cui una persona possa camminare all’interno, con il suono, e sei disposto ad aspettare una lista d’attesa e a sviluppare su un’API che non ha data né prezzo, Genie 4 è il sistema più impressionante e quello con un percorso di distribuzione alle spalle.

L'equivoco da evitare è trattare l'uno come sostituto dell'altro. L'ampiezza di Genie 4 non è prova che sappia valutare un piano; i pesi scaricabili di PAN 2 non sono prova che sappia mantenere coerente una scena mentre la guidi. Ciò che condividono davvero è l'architettura a cui entrambe le aziende sono arrivate indipendentemente — un modello linguistico che decide, un modello di diffusione che disegna — e il fatto che nel 2026 si possa ancora vedere dentro solo uno dei due.