PAN 2 対 Genie 4：どちらも言語モデルをループに組み込んでいるが、それを明示しているのは一方だけ

2026年後半で最も興味深い世界モデル2つは同じように作られており、どちらの企業もその点を前面に出していない。PAN 2はInstitute of Foundation Modelsの290億パラメータのオープンウェイト世界モデルで、2026年10月7日にApache-2.0チェックポイントとして公開され、11月5日には推論とトレーニングのコードが続き、11月10日にはvLLM-OmniでのDay-0サービングサポートが提供された。Genie 4はGoogle DeepMindのリアルタイム対話型世界モデルで、2026年10月27日に発表され、テキスト記述から探索可能なシーンを生成し、ネイティブ音声が同時に再生される中、キーボードで操縦できる。並べてみると、オープンウェイト対リサーチプレビュー、20秒の動画対ライブセッションという予想される対比は現実だが退屈だ。興味深いのは、どちらも思考を言語モデルに委ねている点であり、どの言語モデルかを明かし、変更できるのはPAN 2だけだ。

開示におけるそのたった一つの違いは、ベンチマークの表よりも価値がある。なぜなら、それはシステムについてそもそも推論できるかどうかを左右するからだ。推論を担う半分に名前がないワールドモデルは製品だ。推論を担う半分に名前があり、差し替え可能なワールドモデルはアーキテクチャだ。

共通する形：推論する側が未来を書き、描画する側がそれを描く

PAN 2 は、次の文献で形式化されたパターンである Generative Latent Prediction を実装しています：Critique of World Models（arXiv 2507.05169）。概念的推論器——任意の指示追従型言語モデル——は、現在の観測と要求された行動を読み取り、次の世界状態を、構造化された時間に基づく記述として書き出します。すなわち、出来事を順序どおりに、各行動をそれを実行する主体に結び付け、さらにカメラの動きも含めます。凍結された Qwen3.5-9B テキストエンコーダがその記述を条件付け特徴量に変換します。数億本の注釈付き動画でゼロから学習された 29B のマルチモーダル拡散トランスフォーマーが、記述が未指定のままにしている知覚的詳細を補完し、Wan 2.2 VAE が結果をフレームにデコードします。

Googleが公開したGenie 4の説明では、同じ分業が異なる製品名で表現されている。Gemini Omniはシミュレーションを現実的な外観と挙動に基づかせ、他のGeminiモデルは一貫性と連続性のための推論を提供し、Gemini 3.8 Flashはシーンを観察し、手順を計画し、進捗を確認する誘導エージェントとして機能する。この最後の役割はループ内検証器であり、言語モデルがワールドモデルを監視してタスクに集中させ続ける。Googleはまた、Genie 4をGemini 4 Argonと組み合わせて多段階ロボティクスシミュレーションを行い、Apptronik Apolloヒューマノイドがチェッカーをプレイするデモも含めている。

つまり、どちらのスタックでも、ピクセルは安価で高速な半分であり、言語モデルは何が起こるべきかを決めるもう半分だ。これこそが、2026年にこの分野が明言しないまま収束した形である。世界モデルとは物理的な事前知識を備えた動画生成器ではなく、プランナーとレンダラーの組み合わせであり、そのプランナーは従量課金もできる普通のテキストモデルなのだ。

その収束こそが、開示ギャップが重要な理由である。IFMは、シミュレーションされた計画が端から端まで完了する頻度によって4つのプランナーを順位付けした——1位はClaude Opus 5.5、2位はGPT-6 Astra（中程度のエフォート）、3位はKimi K3、4位はQwen3.8-Flash——そしてその順位を、それを生み出したハーネスとともに公開し、概念的推論器は定義上交換可能であると述べた。Googleはループ内のGemini 3.8 Flashを名指しした。これはほとんどのラボが言及する以上のことだが、それをどう置き換えるか、個別に価格設定するか、別のモデルの方がより良く計画できるかを測定する方法については何も公開していない。

バッチなら20秒、または自分で操作するセッション

インタラクションモデルは正反対であり、ここから両者は比較可能なものではなくなり、異なるツールとして位置づけられ始めます。

• 出力 — PAN 2 は、1回の呼び出しにつき最大20秒の704×1248動画を毎秒24フレームで返します。Genie 4 は、解像度、フレームレート、継続時間がGoogleから公開されていない、ライブで持続的なシーンを返します。

• 制御 — PAN 2 は開始フレームを1枚と、プロンプト書き換えスキルによって洗練された構造化アクションキャプションを受け取ります。Genie 4 はテキストプロンプトを受け取り、その後、移動とカメラ操作用の継続的なキーボード入力を受け取ります。

• 音声 — PAN 2には音声機能がない。Genie 4は映像と同時に環境音、音楽のような音声、インタラクティブなキャラクターの対話を生成し、Googleはこれをリアルタイム世界モデルとしては初の試みだと説明している。

• バッチ動作 — PAN 2 はバッチオラクルです。1回の呼び出しで1本のクリップを生成し、呼び出し内でのフィードバックはありません。一方 Genie 4 はクローズドループであり、3秒目に入力すると4秒目の結果が変わります。

• コスト — PAN 2 のドキュメント記載のデフォルトは BF16 の H200 を 8 基構成で、vLLM のレシピでは 704×1248 の 13 秒の動画が B300 4 基でおよそ 119 秒かかるとされている。Genie 4 にはセルフサービスでのアクセス手段がないため価格が存在しない。

• アクセス — PAN 2 の重みは Apache-2.0 の下で 60 ファイルにわたり 86.17 ギガバイト、ゲートなし。Genie 4 は信頼できるテスター向けのリサーチプレビューであり、ウェイトリストを通じて AI Ultra 加入者へ、また Gemini API と Google AI Studio を通じて早期アクセスパートナーへと至る道筋が明示されている。

そのリストを読めば、実用的な答えはきれいに分かれます。「もし〜したらどうなるか」を数千回尋ねて回答を採点したいなら、PAN 2 は二者のうち、自分で制御できるループ内で呼び出せる唯一のものです。探索し、操縦し、耳を傾けたいなら、Genie 4 は二者のうち、そもそも場を提供している唯一のものであり、しかもまだそこに入ることはおそらくできないでしょう。

Googleが公開しなかった仕様書

Genie 4の発表で最も目を引くのは、省かれている項目リストの長さだ。解像度、フレームレート、パラメータ数、価格、測定されたシーン一貫性の持続時間、名前付きベースラインとのベンチマーク比較は、いずれも示されていない。Googleが実際に公表したのは、いくつかの率直な認めるところである。一貫性は短時間のセッションでは保たれるものの、長時間の実行、複雑な編集後、あるいは移動中には、視覚的詳細やオブジェクトの永続性がずれ得る。複雑な物理的相互作用、音声の正確さ、世界内の判読可能なテキスト、空間精度、長期一貫性は、未解決の研究課題として挙げられている。すべての出力にはSynthIDウォーターマークが付与される。

そのどれもが逃げ口上というわけではない。それはリサーチプレビューとして正直な姿であり、ドリフトを未解決の課題として挙げるのは、ほとんどのローンチ記事がしていること以上だ。しかし、それは読者がGenie 4から何も計算できないことを意味する。1ドルあたりのクリップ数も、GPUあたりの秒数も、シーンが使えなくなるまでの時間も。購入者が最も知りたい一つの数値——セッションがどれだけの間一貫性を保つか——こそ、発表が定性的に説明するだけで数値化していないものだ。

PAN 2は同じ問いに、より悪く、それゆえにより有用な数値で答える。そのモデルカードには、シミュレートされた計画のおよそ3分の2に、実行されない工程が少なくとも1つ含まれると記されている。長いインタラクションではクリップ間で見た目がドリフトすると述べており、これは各クリップが最大1つの開始フレームとテキストからシミュレートされるためであり、知覚メモリを欠けている要素として挙げ、解決済みとは主張していない。テキストは「引き出しを開ける」はうまく表現できるが「各指をここに置く」はうまく表現できないことを認めており、これが器用な操作を制限する。具体的なショートカットの例として、水切り前にパスタがザルに現れることを挙げ、失敗すべき計画のシミュレーションは、カードの言葉によれば「まだ測定されていない」と認めている。

その最後の自認こそ、あらゆる世界モデルが製品仕様へと進む際に伴うべきものだ。成功しか描けないシミュレーターは、もっともらしい結果の生成器であって、悪い結果をふるいにかけるフィルターではない。そして、シミュレーティブ推論の前提全体——複数の候補計画をシミュレートし、比較し、最善のものに基づいて行動する——は、モデルが計画の失敗を示せることに依存している。PAN 2 は、その点についてテストされていないと明言している。Genie 4 はどちらとも言っていない。

フェイルオーバーはどちらのモデルの機能でもありませんが、あなたが必要としている機能です。

これらのシステムはどちらも、本番期限を抱えるチームによって解決される問題を対象とした研究用の成果物であり、ルーティング層がその存在意義を得るのは、まさにその両者の間のギャップにおいてだ。PAN 2スタックのレンダラー側はあなたのハードウェアであり、今後もそうであり続ける。OrcaRouterはPAN 2をホストしておらず、ルーティングもできない。また、どのカタログも、あなたが自分のノードで実行している290億パラメータの拡散トランスフォーマーをルーティングすることはできない。ルーティング可能なのは、何をシミュレートするかを決める側だ。なぜなら、その側はごく普通の従量課金型テキスト作業だからである。

IFMがランク付けした4つのプランナーはすべてOrcaRouterのカタログに掲載されています。Claude Opus 5.5、GPT-6 Astra、Kimi K3、Qwen3.8-Flashです。これにより、reasonerスロットは、GPUノードを借りずに今日の午後にもベンチマークできるPAN 2パイプラインの唯一の部分になります。単一のキーでプロンプトリライターを各モデルに向け、拡散側は固定したまま、生成したプランがどれだけの頻度で生き残るかを数えます。プロバイダーのリスト価格はマークアップ0%でそのまま適用されます。そのため、コスト比較は当社の料金ではなくベンダー自身の料金に基づき、自動フェイルオーバーがスイープ途中のプロバイダーの不調を吸収するため、実行が中止されることはありません。

同じルートは、Genie 4側もかろうじてカバーしている。Gemini 3.8 FlashはGoogleがGenie 4のループ内ガイドエージェントだと説明しているモデルであり、同じカタログから呼び出せる。Genie 4自体は手に入らない。Googleが実際に説明したアーキテクチャの一部なら構築できる — 生成されたフレームを監視し、次のステップを計画し、進捗を確認する視覚対応モデルを作り、それを手持ちのワールドモデルに向けるのだ。それは同じ製品ではない。同じ制御レイヤーであり、実際のエンジニアリングの大半が宿るのはその層だ。

上記のランキングがどこまで信用できるかは明確にしておくべきだ。IFMの順位付けは、IFMのタスクで、IFMのハーネスを用い、IFM自身のベースラインと比較して測定されたものであり、誰もそれを再現していない。これは候補リストであって、リーダーボードではない。自分のプロンプトを4つの候補で実行するのは数時間の作業で、あなたの問題に当てはまる唯一の証拠だ。

あらゆる予算に持ち込む価値のあるもう一つの数値は、サービング側の数値だ。フローシフト9、毎ステップのガイダンス2.5でサンプラーステップを50回行うと、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る。だからこそガイダンスは逐次実行するのではなく、ランク間で並列化しなければならない。10ステップのタスクで各ステップにつき5つの候補アクションを評価するプランナーは、50クリップを要求していることになり、公開されている4-B300構成では、出力から何かを学ぶ前にノードが2時間の大部分を占有する。シミュラティブ推論が高コストなのは、モデルが大きいからではない。そのアイデアがループだから高コストなのだ。

出力、制御、そしてそれぞれが持続時間について語ることを拒むこと

比較は6つの軸で行われますが、そのうち4つは品質とはまったく関係がありません。

• 出力 — PAN 2 は、1回の呼び出しにつき最大20秒の704×1248動画を毎秒24フレームで返します。Genie 4 は、解像度、フレームレート、継続時間がGoogleから公開されていない、ライブで持続的なシーンを返します。

• 制御 — PAN 2 は開始フレームを1枚と、プロンプト書き換えスキルによって洗練された構造化アクションキャプションを受け取ります。Genie 4 はテキストプロンプトを受け取り、その後、移動とカメラ操作用の継続的なキーボード入力を受け取ります。

• 音声 — PAN 2には音声機能がない。Genie 4は映像と同時に環境音、音楽のような音声、インタラクティブなキャラクターの対話を生成し、Googleはこれをリアルタイム世界モデルとしては初の試みだと説明している。

• ループの挙動 — PAN 2 は呼び出し内でフィードバックが発生しないバッチ型オラクルです。一方、Genie 4 はクローズドループであり、3秒時点の入力が4秒時点の結果を変えます。

• コスト基準 — PAN 2 の文書化されたデフォルトは BF16 の H200 8基で、レシピでは 13秒の 704×1248 動画を 4台の B300 で約119秒にしている。Genie 4 はセルフサービスでのアクセスがないため価格がない。

• アクセス — PAN 2 の重みは Apache-2.0 の下で 60 ファイルにわたり 86.17 ギガバイト、ゲートなし。Genie 4 は信頼できるテスター向けのリサーチプレビューであり、ウェイトリストを通じて AI Ultra 加入者へ、また Gemini API と Google AI Studio を通じて早期アクセスパートナーへと至る道筋が明示されている。

持続時間の行は、実際の意思決定のほとんどを左右する行であり、同時に両者が最も比較しにくい行でもある。PAN 2 は正確に20秒を提供し、各クリップは最大でも1つの開始フレームとテキストからシミュレートされるため、クリップ間でドリフトすると明言している。Genie 4 は長さが明示されないセッションを提供し、一貫性が保たれるのは短いセッションに限られると認め、長期的一貫性を未解決の研究課題と呼んでいる。どちらも、出力が信頼できなくなる持続時間を教えてくれない。そしてパイプラインが実際に必要とするのは、ベンチマークスコアではなくその数値なのだ。

これを本当の比較にするには、何が必要でしょうか

ひとつ言っておくと、共通タスクだ。PAN 2とGenie 4を同じ問いで走らせた人はいないし、それが可能かどうかも自明ではない——一方はキャプションから固定長のクリップを生成し、もう一方はプロンプトとキーボードからインタラクティブなセッションを生成する。共通尺度に最も近いのは、記述された計画の下での行動遵守だろうが、そのための評価ハーネスを公開しているのはPAN 2だけだ。6つの能力カテゴリにまたがる300の単一アクションケース、200個のプロンプトと456ステップとして提示された100個のマルチステップタスクを、3つのシードにわたりステップ完了度と全計画完了度で採点している。13人のレビュアーが、140個のプロンプトについて盲検ペアワイズ研究で人間選好の数値を出し、著者らのモデルを著者らのベースラインと比較して評価した。それは独立ではない。だが読み解ける形になっている。それは次善のものであり、相手側が提供するものより多い。

では、証拠が許す限り率直に言えば、選択はこうだ。ダウンロードして監査し、微調整し、バッチで問い合わせられるワールドモデルが必要で、マルチGPUノードを所有しているか借りられるなら、PAN 2はこのカテゴリーで最も完成度の高いオープンリリースであり、その中でも自らの制限事項のセクションが最も価値のあるページだ。人が中を歩き回れるワールドを音付きで必要とし、ウェイトリストを待ち、日付も価格もないAPIに合わせて構築することを厭わないなら、Genie 4はより印象的なシステムであり、その背後に配布経路があるものだ。

避けるべき取り違えは、どちらか一方を他方の代替物として扱うことだ。Genie 4 の広さは、それが計画を評価できる証拠ではない。PAN 2 のダウンロード可能な重みは、操縦しながらシーンを一貫して保てる証拠ではない。両者が本当に共有しているのは、両社が独立に到達したアーキテクチャ——判断する言語モデルと描く拡散モデル——と、2026年になってもその二つのうち片方の内部しかまだ見えないという事実だ。