PAN 2 対 ABot-Earth 0.7：2つの世界モデル、1軸だけの違い

どちらも世界モデルと呼ばれている。どちらも2026年の最後の2か月に登場した。どちらも、あなたが行ったことのない場所を見せてくれる。そして、購入者が気にするような意味では一切、両者は互いの代替にはならない。なぜなら、{{PAN 2}}は場面の中で次の20秒間に何が起こるかを予測し、{{ABot-Earth 0.7}}は好きなだけ歩き回れるキロメートル規模の都市を生成するからだ。片方は結果のモデル。もう片方は場所のモデルだ。プロジェクトで両者のどちらかを選ぶなら、正直な最初の一歩は、「どちらが優れているか」という問いには答えがないと気づくことだ。そして有用な問い、つまりあなたのパイプラインが実際に必要としているのはどちらか、そしてそれを入手できるのか、には答えがある。

第二の問いは、両者が大きく食い違う点であり、好みの問題ではない。PAN 2は、サービング対応がvLLM-Omniに統合された、86.17ギガバイトのApache-2.0重みとして提供される。今日の午後にはダウンロードして、自分のGPUで動かすことができる。ABot-Earth 0.7は、Amapのコンシューマー向けアプリの内部にある本番システムで、公開APIも重みもなく、その生成機能にはホワイトリストが設けられている。一方は手に取ることのできる成果物だ。もう一方は、眺めることしかできないデモンストレーションである。

それぞれが正確に放出するもの

PAN 2 は、観測（任意の最初のフレームとテキスト記述）と、テキストで記述された一連のアクションを受け取り、MP4 を返す。内部的には二段階の機械である。言語モデルが構造化された時間に基づく世界状態キャプションを書き、凍結されたテキストエンコーダがそれを条件付け特徴に写像し、29B のマルチモーダル拡散トランスフォーマーが最大 20 秒の 704×1248 動画を毎秒 24 フレームでレンダリングする。出力は短く、高コストで、具体的である。つまり「このアクションはこのシーンに何をするか」に答えるものであり、各クリップは最大でも 1 つの開始フレームからシミュレートされるため、答えは 20 秒に制限される。

ABot-Earth 0.7は、地理参照された衛星画像またはテキストプロンプトを受け取り、階層的なレベル・オブ・ディテール構造を備えた3Dガウシアンスプラッティングシーンを返す。Unreal EngineとUnityにエクスポート可能だ。Alibabaの地図事業部門であるAmapは、2026年9月10日に杭州で開催された「Street Stars」ガラでこれを発表し、初のネイティブ3D都市世界モデルとして提示した。単一のコンシューマー向けGPUでキロメートル規模の環境を約10分で生成できると主張している。出力されるのは一瞬の映像ではなく「場所」だ。完成を待つのではなく、自ら探索するものである。

並べてみると、ミスマッチの形は明らかだ。

• 出力 — PAN 2 は 704×1248、24 fps の20秒 MP4 を返し、ABot-Earth 0.7 は Unreal と Unity にエクスポート可能な LOD 構造を持つ 3DGS シーンを返します。

• 入力 — PAN 2 は最初のフレームと構造化されたアクションキャプションを受け取り、ABot-Earth 0.7 は衛星画像またはテキストプロンプトを受け取ります。

• 時間軸 — PAN 2 は数秒先までをシミュレートし、それを超えるとクリップ間でドリフトする。ABot-Earth 0.7 は時間的に静的で、進化しない場所のスナップショットである。

• デバイス — PAN 2 の文書化されたデフォルトのサービング構成は、BF16 での H200 8 台であり、119 秒で 13 秒の 4 台 B300 レシピを伴います。ABot-Earth 0.7 は、10 分で 1 キロメートルをコンシューマー向け GPU 1 台で達成すると主張されています。

• アクセス — PAN 2 は Hugging Face 上で Apache-2.0 ライセンスのゲートなしモデルとして公開されており、コードは GitHub にあります。ABot-Earth 0.7 にはモデルの重みがなく、公開 API もなく、招待制の生成機能があります。

• 独立した評価——どちらにもない。どちらの数値も、モデルを開発したラボによるものだ。

時間と空間は同じ軸ではない。

そのすべての根底にある区別は、各モデルが何のためのものかを変えるので、述べておく価値がある。ABot-Earthはシーンを空間的に拡張する。1枚の衛星タイルから、そこへ飛んで行けば目にするであろう建物、街路、室内を合成し、都市の俯瞰から街路レベルへ移動してもそれらを一貫して保つ。その主張は、大規模における網羅性と忠実性である。

PAN 2はシーンを時間方向に拡張します。1つのフレームと記述されたアクションから、その後に続くフレームを予測するのであり、正確に捉えようとしているのは因果の連鎖です。物体が変われば質量と表面積が変わるため、水しぶきも変わります。モデルは水しぶきを暗記したのではなく、その関係性を学習しているのです。IFMの位置づけでは、言語モデルが次の単語を予測するのに対し、PAN 2は次の世界を予測します。2026年11月11日に登場したデモはそれを具体的に示しています。ボウルにイチゴを落とし、次にそれをゴム製のアヒルに変え、さらに液体を変えると、3つのシミュレーションは物理法則に従った形で異なります。

一方を必要とするアプリケーションが、もう一方を必要とすることはほとんどない。候補となる把持を評価するロボティクスチームには、PAN 2の軸が必要だ。マッピング製品、デジタルツインの導入、または環境を構築するゲームスタジオには、ABot-Earthの軸が必要だ。両者が重なるのは狭い領域で、生成された都市をシミュレーションに配置し、その内部で起きることをアニメーション化したい場合だ。そこでは、後半部分が入手可能であれば、両者は競合するのではなく組み合わせられるだろう。

本当に効く比較：それを実行できるか

能力面では両者は比較にならず、誰も両者を比較しようとしたことがない。調達面では両者は雲泥の差だ。

PAN 2の公開までの経緯は、研究リリースとしては異例なほど完全だ。重みは2026年10月7日に、モデルカード、設定ファイル、プロンプト書き換えスキルとともに公開された。推論スクリプトと訓練スクリプトを備えたGitHubリポジトリが11月5日に続いた。vLLM-Omniは11月10日にDay-0のテキスト-to-ビデオおよび画像-to-ビデオ対応をマージし、同じ夜にレシピページが登場して、4台のB300構成と8台のH200のデフォルト構成を記録した。IFMは11月10日17:00 UTCにXで発表を投稿した——フレームワークのマージから56分後——その文面は「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」だった。ブログ記事も論文リンクもホスト型エンドポイントも価格もない。しかし本体はダウンロード可能で、ライセンスは商用利用を許可している。

ABot-Earth 0.7のアクセス経路は正反対だ。体験サイトは公開されているが、生成は招待制で、インターフェースでは作成機能をベータ版と説明し、ホワイトリスト申請を用意している。公開価格も料金表もなく、外部システムからの呼び出し方法を説明する開発者向けドキュメントもない。6月の0.5リリースではarXivに技術レポート、GitHubにリポジトリが公開されたが、そのリポジトリは実装ではなくレポートの置き場だった。0.7で発表された内容からは、重みが公開されたことを示すものはない。サイトも全体が簡体字中国語で、ロケール切り替えがないため、英語で評価するにはAmapのプレス資料に頼るしかない。

ほとんどのチームにとって、能力の議論に入る前に比較はそこで終わります。呼び出せないモデルは候補ではなく、このカテゴリーが利用可能になったときにどうなるかを示すベンチマークにすぎません。

AmapにはあってIFMにはないもの、そしてそれがなぜ移らないのか

アクセス問題にもかかわらずABot-Earth 0.7を真剣に受け止める価値があるのは、それがラボのデモではないからだ。これは、固定ルートのフライスルーを自由に探索できる3D空間に置き換えた消費者向け機能Flying Street View 2.0を動かしており、Amapによれば、その土台となるStreet Starsサーフェスは8億8000万人以上が利用したという。北京や杭州などの都市の一部会場では試験運用が実施中で、同社が具体的に挙げる用途は、特定の劇場席からの見通しの確認、ショッピングモール館内のナビゲーション、旅行前の地形判断だ。

その背後にあるのは、どのモデルラボもすぐには複製できないデータ上の優位性だ——Amapは月間アクティブユーザーが10億近いと公表し、Beidou測位のピーク時1日あたり呼び出し回数は1兆回に迫り、道路網、関心地点、リアルタイム交通を網羅する数十年分の蓄積された時空間データを有している。3DGSアーキテクチャは公開された研究成果だ。その土台にあるコーパスはそうではない。

そのどれも外部の開発者には役立たず、しかもここがローンチ報道で往々にして軽く流される部分だ。Amapの見出し的な数字——1平方キロメートルあたり10分、従来の再構築より最大1,000倍高速でコストは約100分の1、196以上の国と地域、UnrealとUnityで使える3DGS出力——はすべてベンダー報告で、独立に再現されたものはなく、しかもエンドポイントではなくホワイトリストと一緒に提供されている。消費者向けの展開自体は、システムが大規模に稼働していることの一種の証明ではある。だが、あなたがそれを動かせることの証明ではない。

それぞれがビルドの中でどこに居場所を見出すのか

少しの間、両方を得られると仮定してください。このカテゴリーはその状況に向かっているからです。区分は明確です。

PAN 2 は候補アクションのフィルターである。その設計は、エージェントがすでにループ内にいることを前提としている。概念的推論器は指示追従型の任意の言語モデルであり、IFM はそのうち4つをプラン全体の完了度で順位付けした——Claude Opus 5.5、中程度のエフォート設定の GPT-6 Astra、Kimi K3、Qwen3.8-Flash——これは、想定される形が、プランを提案する推論器と、その結果を描画して推論器が1つを選べるようにするシミュレーターであることを示している。そのループのコストこそが計画時に考慮すべき対象であり、動画品質ではない。各ステップでガイダンスを効かせたサンプラー50ステップは、クリップあたり29Bトランスフォーマーを通る100回の順伝播であり、5候補・10ステップのプランは50クリップになる。

そのリーズナースロットは、スタックの中でGPUクラスターを必要としない唯一の部分であり、IFMのランク付けされたモデル4つすべてがOrcaRouterのカタログにあります。プロンプトリライターを1つのAPIキーで運用すれば、契約単位ではなく実験単位でプランナーを切り替えられ、自動フェイルオーバーがプロバイダーの劣化を吸収し、プロバイダーのリスト価格を0%のマークアップでパススルーするため、ベンダーの価格変更は調達サイクルを待たずにその日からエンドポイントに反映されます。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——拡散側はお使いのハードウェア上に残ります——しかし、何をシミュレートするかを決める側は通常の従量制テキスト処理であり、実行ごとのばらつきが実際に存在するのはそこです。

ABot-Earthは環境ファクトリーだ。その自然な出力は、何かを置くための場所である。身体性エージェントの訓練場、デジタルツイン、合成運転データ、シミュレーションの舞台だ。もしAPIを提供することになれば、それが可能にするワークフローはPAN 2のものと重複するのではなく補完的であり、世界を一度生成してからその中で行動をシミュレートするという流れになる。そしてAmapがすでに宣伝しているエクスポート形式が、その接合点だ。

何がこのページを変えるのだろうか

ABot-Earth 0.7について何よりも重要なのは、価格付きの公開APIだ。この一手だけでホワイトリスト入りが候補へと変わり、PAN 2のGPU費用とのコスト比較が意味を持つ。その背後には三つの小さな未知がある——0.5では数日以内に技術レポートが出たことを踏まえ、0.7の技術レポートがそもそも出るのかどうか；重みがオープンになるかどうか（そうなれば、Amapが誘致していると語るシミュレーションチームにとって、本当に別物の提案になる）；そして、Amap外部の誰かが、自分たちが所有するハードウェアで1平方キロメートルあたり10分という主張を再現するかどうか。

PAN 2では、欠けているのは失敗研究です。モデルカードは、シミュレーションされた計画の約3分の2に、実行されないステップが少なくとも1つ含まれていること、および、どれだけ忠実にシミュレーションできているかは失敗するはずの計画についてまだ測定されていないことを認めています。悪い結果を示せないシミュレーターは、半分のフィルターです。能力の数値についても独立した評価が役立つでしょう。IFMの報告書のすべての数値はIFMのハーネスから得られており、人間による研究には13人のレビュアーからなるパネルが使われています。

どちらを選ぶか

ある場所——都市、建物内部、地形など、測量データで再構築することになるあらゆるもの——が必要なら、PAN 2 は役に立たず、ABot-Earth 0.7 のほうが印象的なシステムだが、まだ使えないので、現実的な答えは現在の再構築パイプラインにとどまって API を待つことだ。行動を起こす前にその行動が何をするのかを知る必要があるなら、ABot-Earth はまったく役に立たない——静的シーンには結果が存在しないからだ——そして PAN 2 は、重み、コード、サービングレシピ、失敗率のすべてを公開して、それに挑もうとする数少ないオープンウェイトモデルの一つだ。

人々が探し求めるその比較は、まるで棚に並ぶライバル製品であるかのように扱われているが、存在しない。存在するのはひとつのカテゴリー——ワールドモデル——であり、それはほとんどの報道が名付けようともしてこなかった軸に沿って分かれている。片側は「物がどこにあるか」をモデル化する。もう片側は「次に何が起きるか」をモデル化する。2026年後半、そのうちダウンロードリンクが付いているのは片方だけだ。