PAN 2は発表より先に配信経路を確保していた

2026年11月10日16:03 UTC、PAN 2のテキストto動画および画像to動画生成に対するDay-0サポートを追加するプルリクエストが、vLLM-Omniへのマージを完了した。同日20:55 UTCには、2件目のプルリクエストが、その提供方法を説明するレシピページを追加した。PAN 2はMBZUAIのInstitute of Foundation Modelsによる290億パラメータの動画拡散トランスフォーマーであり、この2つのマージが物語になるのは、それらが到着した順序のためだ。Hugging Faceリポジトリは2026年10月7日、GitHubリポジトリは11月5日付なので、5週間にわたり、このモデルの唯一の公開痕跡はリポジトリのメタデータだった。私が見つけられる最初の当事者による声明は、ラボ自身のXアカウント@IFM_AIからの1件の投稿で、タイムスタンプは11月10日17:00 UTC——vLLM-Omniのマージから56分後、レシピからはほぼ4時間前だ。投稿には「PAN 2を発表：物理的知能のためのオープンな基盤ワールドモデル」とあり、動画を添付し、それ自体以外には何もリンクしていない。ブログ記事も、論文URLも、ホスト型エンドポイントも、料金ページも、プレスリリースもない。したがって提供経路は実際に発表より先行しており、発表は、来た時にはマージより小さかった——数百のいいねと2つの段落だけだった。存在するのは、86.17 GBのApache-2.0チェックポイント、フレームワーク統合、そして1件のツイートだ。

実際に何が実現したのか、そしてどのような順序で

四つの別々の出来事が起きたのであり、それらを混同してしまうと、ひっそりとしたリリースがローンチだと誤解されることになる。

• 重み — Hugging Face 上の IFM/PAN2。リポジトリは 2026年10月7日 23:42 UTC に作成され、2026年11月9日 21:52 UTC に最終更新され、Diffusers のモジュラー・パイプライン・コンポーネントとしてセーフティチェッカー対応を追加するコミットが含まれています。ファイル数 60、86.17 GB、ゲートなし、Apache-2.0。

• コード — github.com/ifm-ai/PAN2。2026年11月5日に作成され、同日20:13 UTCに単一のコミットがプッシュされました。中身のないREADMEだけの研究用置き場ではありません。推論スクリプト、環境のバージョン固定、学習設定、プロンプトリライターのスキル、そしてデプロイ・学習・推論に関するドキュメントが含まれています。

• サービング経路 — Day-0 のテキストから動画および画像から動画へのサポートに対応する vLLM-Omni PR #8602（11月10日 16:03 UTC にマージ）と、同日夕方 20:55 UTC にマージされた vLLM recipe PR #10126。

• 声明 — Xの@IFM_AI、11月10日17:00 UTC：「PAN 2の発表：物理的知能のためのオープンな基盤世界モデル」。2段落、動画1本、投稿・論文・ページへのリンクはなし。

その順序は異例であり、それをより普通にするどころか、さらに奇妙にしているのはあの発表だ。通常、ラボは発表し、ウェイトを公開し、その後数週間かけてフレームワーク対応が少しずつ入ってくる間に、ユーザーがissueを立てる。ここではフレームワークのマージが先にあり、発表は56分後、レシピはその4時間後に来た。このモデルの短い歴史の中で最も実質的な公開成果物は今もプルリクエストであり、それはこのリリースがどう運営されたかを物語っている。つまり、リポジトリを読む人々向けの成果物ドロップとしてであり、ソーシャル投稿はほとんど後付けのように添えられたのだ。

リポジトリが教えてくれること

ほとんどのリリース記事を超える内容だ。PAN 2は世界モデルであり、映画的な傾向を持つビデオ生成器ではない。その違いはレトリックではなくアーキテクチャにある。それは、『World Models』批判（arXiv 2507.05169）で説明されているGenerative Latent Predictionパターンを実装し、作業を2つに分割する。概念的推論器（任意の指示追従型言語モデル）が観測と要求されたアクションを読み取り、次の世界状態を構造化された時間に基づくキャプションとして書き出す。イベントは順序通り、アクションは行為者に結びつけられ、カメラモーションも含まれる。凍結されたテキストエンコーダがそのキャプションを条件付け特徴にマッピングする。次に、同じ形式でアノテーションされた数億本の動画でゼロから訓練された29Bのマルチモーダル拡散トランスフォーマーが、キャプションが未指定のままにしている知覚的詳細を予測する。Wan 2.2 VAEが潜在表現をデコードし、得られるのは最大20秒、704×1248、毎秒24フレームのビデオだ。

公開されている構成は、コストを見積もれるほど具体的だ。Transformerの構成には44層、各128次元の32個のアテンションヘッド、パッチサイズ1×2×2、入力97チャンネル、出力48チャンネルが記載されている。デフォルトのサンプラーは50ステップで、フローシフトは9、各ステップで分類器フリーガイダンスは2.5だ。デフォルトの長さは241フレーム（約10秒）で、上限は481フレーム。テキストエンコーダーはQwen3.5-9Bで、凍結され未改変のままだ。VAEはWan 2.2のものだ。どちらもそれぞれのリポジトリからダウンロードされ、MBZUAIはそれらを再配布していない。モデルカードはその旨を明記している。

リポジトリにはプロンプトリライターのスキルも同梱されており、システムプロンプト、固定のネガティブプロンプト、そしてキャプションがテキストエンコーダーのトークン予算に収まっているかを検証するバリデータが含まれています。その予算は、ソフトリミットが1,480トークン、ハード容量が1,536トークンです。これは今回の配布物の中で最も有用な単一の成果物です。これは、モデルが自由記述のテキストを実際にはうまく扱えないこと、そしてチームがそのことを認識していることを示しています。

それがあなたに教えてくれないこと

買い手が尋ねるであろうことのほぼすべてを網羅している。価格はない。APIがないからだ。MBZUAIによるホスト型エンドポイントもない。独立したベンチマークも存在しない。モデルカードに載っている数値はチーム自身のもので、独自のハーネスで測定されたものだ。そしてそのカードは、条件について異例なほど率直だ。Physics-IQ Verifiedは、2つの実写テイク間の分散が100に等しくなるように正規化され、PhyGroundはQwen3.8-27Bによって5点尺度で採点され、RBenchは5つのタスクカテゴリと4つのエンボディメントカテゴリにわたる非加重平均として示されている。これらは擁護可能な選択であり、そのいずれも第三者による検証ではない。

人間による評価は、今回のリリースにおいて最も強い証拠であり、同時に最も限定的なものでもある。140件のプロンプト（テキストから動画が90件、画像から動画が50件）に対するブラインドのペアワイズ選好を、13名の評価者が1,400回の比較にわたって、動作の忠実性・物理法則・世界の一貫性の観点から判定し、EloはBradley–Terry法でフィッティングして1500を中心に置いた。13名という評価者は小規模なパネルであり、しかもチーム自身のモデルをベースラインと比較して評価していた。これはほとんどのラボが公表する以上のものだ。だがリーダーボードではない。

そして制限事項のセクションは、同ジャンルの通例より率直だ。シミュレーションされた計画の約3分の2には、実行されないステップが少なくとも1つ含まれている。その一文はこのリリースで最も重要な数字であり、ローンチ記事なら埋もれさせていただろうものだ。

レシピにあるスループットの数値こそが本当の注目点だ

フレームワーク対応が重要になるのは、レシピが主張している内容のためであり、ロゴが追加されたからではない。vLLMのレシピページには、PAN 2が4台のB300 GPU上で約119秒で13秒の704×1248動画を生成し、2ランクにまたがるclassifier-free-guidance並列化と2ランクにまたがるUlyssesシーケンス並列化を用いると記載されている。デフォルト構成はBF16のH200 8台で、文書化されたserveコマンドはタイルモードで4ランクにまたがるVAEパッチ並列化を追加する。この詳細が重要になるのは、20秒の704×1248クリップをデコードすること自体がメモリ上の問題となるからこそだ。

その数値をサンプラー設定と照らし合わせて読んでください。50ステップで各ステップにガイダンスを入れると、クリップあたり29Bトランスフォーマーを100回フォワードパスすることになります。だからこそガイドはガイダンスを逐次ではなく並列で実行するのです。また、PAN 2についての実用的な問いが「どれだけ良いか」ではなく「クリップ1本にいくらかかるか」である理由でもあり、ベンダー自身のレシピでの答えは、13秒の動画あたり2分間の4 GPUノードです。より安価な構成は誰も公開しておらず、レシピのデフォルトが8台のH200であることは、4台のB300構成が余裕のある下限というよりぎりぎりの詰め込みであることを示唆しています。

試してみたいなら、レンタルできるのはプランナーの部分です。

PAN 2の2段階設計には、実用上奇妙な帰結がある。高コストな半分——29Bの拡散バックボーン——は、自前でホストしなければならない半分だ。なぜなら、誰もそれをサービスとして提供しておらず、MBZUAIもそうしたサービスを構築していないからだ。安価な半分、つまり構造化された世界状態キャプションを書く概念的推論器は、通常のテキストモデルであり、指示追従型なら何でもよい。

そこがルーターの真価を発揮する場面だ。PAN 2レポートは4つの推論モデルを評価し、フルプラン完了率で順位付けしている。1位はClaude Opus 5.5、次が中程度のエフォート設定のGPT-6 Astra、次がKimi K3、次がQwen3.8-Flashだ。Qwen3.8-FlashはOrcaRouter上にあり、拡散スタックの隣に2つ目のローカルモデルを立ち上げる代わりに、1つのAPIキーと自動フェイルオーバーでPAN 2のキャプション生成ステージを動かし、プロバイダーの定価を支払える（0%のマークアップがそのまま適用される）。レンダラーはお使いのGPU上に置いたままでよく、プランナーはGPU上に置く必要はない。

それが何であり、何でないかを明確にしましょう。OrcaRouterはPAN 2をホストしておらず、ルーティングもできません。ルーティング先となるホスト済みのPAN 2はどこにも存在しません。できるのは、ワールドモデルパイプラインの言語側を従量制API上に維持しつつ、映像側を自社ハードウェアに照らしてサイジングすることです。両方の段階をローカルで実行したい場合も、リポジトリはそれをサポートしており、まさにそのケース向けにプロンプトリライタースクリプトが含まれています。

何が告知に該当しますか

重要度が上がる順に3つ。IFM または MBZUAI による、PAN 2 を明記し、リリース日またはバージョンを示す投稿・論文・ページ。11月10日のツイートはその前半は満たしていたが、後半は満たしていなかった。ホスト型推論エンドポイント。これがあれば、GPUレンタルとの比較ではなく、クローズドな動画モデルとのコスト比較が可能になる。そして、モデルの作者ではない人物によって実施される独立したベンチマーク——Physics-IQ、PhyGround、RBench を、チームが選んでいないプロンプトで第三者が採点したもの。

少なくともそれらの最初のものが完全に登場するまでは、PAN 2 を正直に説明するならこうだ。動作するサービング経路、文書化されたプロンプト形式、率直な制限事項セクション、ソーシャル投稿1件を備え、背後に商業提供がない Apache-2.0 の研究成果物。それはプレプリント以上、製品未満だ。11月10日にフレームワーク対応が入ったことは、それをローンチにしたわけではない。最初のフレームを得るためにリポジトリにパッチを当てたくない人々にとって、実行可能にしただけだ。

結論

PAN 2は、エンジニアリングが書類仕事より先行している珍しい事例だ。エージェントシミュレーション、ロボティクス評価、物理推論研究に取り組んでいて、4基のGPUを搭載したノードを持っているなら、重みはあり、レシピもあり、2段階設計は再現できる程度に文書化されている。クリップ単価、サービスレベル契約、あるいは連絡先となるベンダーが必要なら、そうしたものはまだ存在せず、11月10日のマージがそれを生み出したわけでもない。このモデルは静かに出荷された——リポジトリとマージと2段落の投稿に「出荷」という言葉が適切かはともかく。買い手が認識するような意味でいつか発表されるかどうかは、それが機能するかどうかとは別の問題であり、今日答えが出ているのはそのうち片方だけだ。