PAN 2 rende «What If» guardabile — e lo dice dove fallisce

Lascia cadere una fragola in una ciotola e già sai, senza pensarci, più o meno come schizzerà il liquido. PAN 2 è il modello del mondo dell’Institute of Foundation Models della MBZUAI, costruito per sapere la stessa cosa e per mostrarla. Dagli un fotogramma iniziale, descrivi un’azione a parole e restituisce fino a venti secondi di video 704×1248 a 24 fotogrammi al secondo che mostrano ciò che quell’azione fa alla scena. La dimostrazione che è circolata l’11 novembre 2026 è la spiegazione più chiara dell’idea che sia stata prodotta: sostituisci la fragola con un’anatra di gomma, o cambia il liquido, e lo schizzo cambia di conseguenza, perché il modello sta prevedendo una conseguenza fisica invece di recuperare una clip. L’annuncio di IFM stesso, pubblicato la sera precedente, ha condensato la proposta in una frase — «Un modello linguistico prevede la parola successiva. PAN 2 prevede il mondo successivo: ciò che accade dopo ogni azione, radicato nel tempo, nella fisica e nello spazio.»

Ciò che lo rende più di uno slogan è il rilascio che lo accompagna. I pesi sono Apache-2.0 e sono su Hugging Face dal 7 ottobre 2026: 86,17 gigabyte distribuiti su sessanta file, con il codice di inferenza arrivato su GitHub il 5 novembre e il supporto di serving Day-0 integrato in vLLM-Omni il 10 novembre. Quindi la domanda a cui vale la pena rispondere non è più se PAN 2 esista o chi possa ottenerlo. È in che cosa un simulatore scaricabile da 29 miliardi di parametri sia abbastanza valido da farti pianificare in base al suo output, e dove la documentazione stessa del team ti dice di non farlo.

La demo è una pipeline a due stadi che porta il nome di un solo modello

La clip della fragola sembra una generazione text-to-video. Non lo è, e la distinzione è l'intero design. PAN 2 implementa il pattern Generative Latent Prediction delineato in Critique of World Models (arXiv 2507.05169), che suddivide la previsione in una metà di ragionamento e una metà di rendering.

La metà del ragionamento è un modello linguistico — uno qualsiasi capace di seguire istruzioni — che legge l'osservazione e le azioni richieste e scrive il prossimo stato del mondo come una didascalia strutturata e ancorata al tempo: gli eventi in ordine, ogni azione legata all'attore che la esegue, più il movimento della telecamera. Quella didascalia non è decorazione. È l'interfaccia vera e propria. Un encoder testuale Qwen3.5-9B congelato la mappa in feature di condizionamento, e un transformer diffusion multimodale da 29B addestrato da zero su centinaia di milioni di video annotati nello stesso formato riempie il dettaglio percettivo che la didascalia lascia aperto. Un VAE Wan 2.2 decodifica i latenti in fotogrammi.

Il che significa che la vera tesi della demo non riguarda affatto i pixel. È che una descrizione strutturata di un'azione è un segnale di controllo sufficiente perché un simulatore produca una conseguenza fisicamente coerente — e che un agente possa quindi simulare diversi piani candidati, confrontarli e agire sul migliore. È questo che IFM intende con ragionamento simulativo, ed è per questo che la fragola, l'anatra e il liquido scambiato sono tre esecuzioni della stessa domanda anziché tre pezzi di filmato.

La conseguenza pratica è poco amichevole. Non puoi digitare un desiderio in PAN 2 e ottenere un video. Il repository include una skill di riscrittura dei prompt — un prompt di sistema, un prompt negativo fisso e un validatore che verifica le didascalie rispetto al budget del text encoder di 1.480 token come limite soft e 1.536 come limite hard — e la model card afferma chiaramente che i casi di studio dell’agente si basavano su prompt rifiniti a mano. Il testo libero viene riscritto prima di essere usato. Questo è un modello con un contratto di interfaccia, non una chat box.

Cosa ha misurato il rapporto e le parole che ha usato

IFM ha pubblicato più valutazioni di quanto faccia la maggior parte delle release di modelli video e ha etichettato le condizioni con maggiore precisione rispetto ai più. È tutto lavoro del team sul proprio harness, e la model card lo dichiara nella sezione che conta.

• Azioni singole — 300 casi di test distribuiti su sei categorie di capacità, 201 da immagine a video e 99 da testo a video, con accuratezza riportata in percentuale.

• Piani a più fasi — 100 attività quotidiane egocentriche formulate in entrambi i modi, 200 prompt e 456 passaggi, valutati in base al completamento dei passaggi e al completamento dell'intero piano, con media su tre seed.

• Benchmark pubblici — Physics-IQ Verified nella configurazione image-to-video, normalizzato in modo che la varianza tra due riprese reali sia pari a 100; PhyGround su una scala a cinque punti giudicato da Qwen3.8-27B; RBench come media non ponderata su cinque categorie di compiti e quattro categorie di embodiment, moltiplicata per 100.

• Preferenza umana — confronto cieco a coppie su 140 prompt, 90 da testo a video e 50 da immagine a video, valutati in base all'aderenza all'azione, alla fisica e alla coerenza del mondo da 13 revisori in 1.400 confronti, con Elo stimato tramite Bradley–Terry e centrato a 1500.

Tredici revisori costituiscono un panel esiguo, e stavano giudicando il modello degli autori rispetto alle baseline degli autori. Resta comunque più evidenza di quanta ne pubblichi la maggior parte delle release in questa categoria, e l'impostazione è insolitamente cauta: i modelli chiusi del confronto sono stati generati una volta tramite un'API di inferenza di terze parti, e la scheda segnala quali righe sono a singolo seed. Niente di tutto ciò rende i numeri indipendenti. Li rende leggibili, che è la seconda cosa migliore.

Due minuti di GPU per tredici secondi di video

Il numero che decide se puoi usare PAN 2 non è un punteggio di benchmark. È quello nella ricetta vLLM, che afferma che tredici secondi di video 704×1248 richiedono circa 119 secondi su quattro GPU B300, con classifier-free guidance suddiviso su due rank e parallelismo di sequenza Ulysses su altri due. Il valore predefinito documentato è otto H200 in BF16, con in aggiunta parallelismo patch VAE su quattro tile, perché decodificare una clip di venti secondi 704×1248 è un problema di memoria a sé.

Esegui le impostazioni del sampler su quel valore e il costo diventa strutturale anziché accessorio. Cinquanta passi con un flow shift di 9, con una guidance di 2,5 applicata a ogni passo, significano cento forward pass attraverso un transformer da 29B per ogni clip. È per questo che la guidance deve essere parallelizzata anziché eseguita in sequenza, e che la domanda onesta su PAN 2 non è "quanto è buono" ma "quanto mi costa una simulazione e quante simulazioni richiede un piano". Un planner che valuta cinque azioni candidate per passo, su un compito di dieci passi, richiede cinquanta clip. Con la configurazione pubblicata dal fornitore stesso, si tratta di un nodo con quattro GPU occupato per buona parte di due ore, prima che sia stato appreso qualcosa dall'output.

Il planner è la metà economica, e IFM l'ha lasciato intercambiabile

C'è una parte di questa pipeline che non necessita di un cluster GPU, e il report afferma esplicitamente che è sostituibile. Il ragionatore concettuale è definito come qualsiasi modello linguistico in grado di seguire istruzioni, e IFM ne ha classificati quattro in base alla frequenza con cui un piano simulato viene completato dall'inizio alla fine: Claude Opus 5.5 al primo posto, poi GPT-6 Astra con sforzo medio, quindi Kimi K3 e infine Qwen3.8-Flash.

Tutti e quattro quei modelli sono nel catalogo OrcaRouter, il che rende lo slot del reasoner l'unico pezzo di uno stack PAN 2 che puoi sottoporre a benchmark senza noleggiare nulla. Indirizza il riscrittore di prompt verso ciascuno di essi tramite un'unica chiave API, mantieni la metà della diffusione vincolata al tuo hardware e lascia che il failover automatico assorba un'esitazione del provider a metà esperimento invece di interrompere l'esecuzione; il prezzo è la tariffa di listino di ciascun provider trasferita con un ricarico dello 0%, quindi una variazione di prezzo del fornitore compare sull'endpoint il giorno stesso in cui avviene, anziché dopo un ciclo di riprezzamento. OrcaRouter non ospita PAN 2 e non può instradarlo — il renderer resta tuo — ma la metà della pipeline che decide cosa simulare è un normale lavoro testuale a consumo, ed è la metà in cui la qualità varia davvero tra un'esecuzione e l'altra.

Vale la pena dirlo chiaramente: la classifica sopra è di IFM, misurata sui compiti di IFM con l'harness di IFM. È un punto di partenza sensato per una shortlist. Non sostituisce l'eseguire i tuoi prompt sui quattro candidati e il contare quante volte i tuoi piani sopravvivono.

La sezione delle limitazioni è la pagina più utile della release

La maggior parte delle model card mette le proprie ammissioni in un paragrafo che nessuno legge. Quella di PAN 2 mette il numero subito in evidenza: circa due piani simulati su tre contengono almeno un passaggio che non viene eseguito. Quella singola frase rimette in prospettiva tutto ciò che sta sopra. Un simulatore che salta un passaggio in due piani su tre non è ancora qualcosa che dai in mano a un robot e te ne vai — è qualcosa che usi per classificare piani candidati i cui modi di fallire puoi permetterti di affrontare, con un verificatore nel ciclo.

Il resto dell'elenco è altrettanto specifico e altrettanto meritevole di essere preso alla lettera.

• Coerenza a lungo termine — ogni clip è simulata a partire da al massimo un fotogramma iniziale più il testo, quindi l'aspetto varia da una clip all'altra nelle interazioni lunghe; la scheda indica la memoria percettiva come il tassello mancante anziché affermare che il problema sia risolto.

• Sensibilità al prompt — la formulazione dell'osservazione e dell'azione cambia il risultato, e gli esempi al di fuori della distribuzione di addestramento hanno richiesto prompt rifiniti manualmente.

• Azioni testuali grossolane — il testo esprime bene «aprire un cassetto» e male «posizionare ogni dito qui», il che limita la manipolazione abile.

• Scorciatoie — una simulazione può progredire violando le leggi della fisica, e l'esempio della carta stessa è la pasta che compare nello scolapasta prima di essere scolata.

• Il fallimento fedele non è misurato: lo studio quantitativo copre piani a ciclo aperto progettati per avere successo; quanto bene PAN 2 simuli piani che dovrebbero fallire non è, secondo le parole della scheda, ancora misurato. È questo il divario che conta di più per la pianificazione, perché un simulatore che non è in grado di mostrarti un esito negativo non è ancora un filtro.

Guardrails viene distribuito come repository separato, con i numeri allegati

L'altra cosa che IFM ha fatto e che la maggior parte dei rilasci video open-weight omette: ha pubblicato un guardrail insieme al modello invece di un paragrafo che ne raccomandava uno. pan2-guardrail filtra la richiesta con Qwen3Guard-Gen-4B prima della generazione e il video generato con un classificatore di frame Q16 in seguito, e la scheda riporta quanto costa in entrambe le direzioni — le richieste dannose di text-to-video che producono output non sicuri sono scese dal 33,9% all'1,5%, non sono stati osservati output non sicuri di image-to-video, e l'11,5% delle richieste innocue di text-to-video più il 3,3% delle richieste innocue di image-to-video sono state bloccate durante il processo.

Quelle sono le misurazioni interne del team, non un audit, e il tasso di falsi positivi è il numero su cui soffermarsi se intendi gestirlo ad alto volume: un guardrail che respinge una richiesta benigna su nove è un vincolo di progettazione per il tuo prodotto, non una nota a piè di pagina. È anche, va detto, il tipo di informativa che ti consente di prendere quella decisione.

Cosa lo renderebbe più di una demo impressionante?

Tre cose, in ordine crescente di difficoltà. Uno studio sui fallimenti: la model card ammette che la simulazione di piani che dovrebbero fallire non è misurata, e finché qualcuno non lo pubblica, PAN 2 è un generatore di successi plausibili più che un predittore di conseguenze. Una valutazione indipendente: ogni cifra sulle capacità in questo articolo proviene da IFM, sull'harness di IFM, con un panel di tredici persone per lo studio umano, e nessuna terza parte ne ha riprodotto alcunché. E un percorso di serving più economico: la configurazione pubblicata è un nodo con quattro GPU per due minuti ogni tredici secondi, il che va bene per la ricerca ed è brutale per il ciclo che il ragionamento simulativo implica in realtà.

PAN 2 è comunque il rilascio più completo dell'anno di un modello del mondo aperto, e la completezza è il punto. Pesi, codice, una ricetta di serving, un contratto di prompt con un budget di token, un guardrail con numeri sui falsi positivi e una sezione sui limiti che si apre con il tasso di errore. Puoi non essere d'accordo sulla sua idoneità per un robot e usarlo comunque questa settimana per chiedere cosa succede se cambi il liquido — il che, per un modello la cui intera premessa è che le conseguenze possono essere previsualizzate, è un primo test ragionevole.