PAN 2 対 Qwen3.8-27B：敵はすでにモデルの内部にいる

ほとんどのモデル比較には明確な境界がある。2つのチェックポイント、2つのベンダー、どちらかを選ぶ、という境界だ。この比較にはそれが当てはまらない。なぜならQwenはPAN 2の内部機構の3か所に同時に関与しているからだ。PAN 2はQwen3.5-9Bを凍結されたテキストエンコーダーとして搭載しており、これは構造化された世界状態キャプションを、290億パラメータの拡散トランスフォーマーが消費する条件付け特徴量に変換するコンポーネントだ。PAN 2自身の技術レポートにおけるPhyGroundスコアは、このページが名目上比較対象としているモデルであるQwen3.8-27Bによって判定されている。そしてQwen3.8-Flashは、そもそもPAN 2のキャプションを作成するためにレポートがベンチマークした4つの概念推論モデルの1つである。したがって正直な構図は、PAN 2対Qwen3.8-27Bではない。MBZUAIのInstitute of Foundation Modelsによる動画ワールドモデルが、静かに公開され、ローンチされることもなく、Qwenのコンポーネントに支えられ、一部はQwenの判定者によって評価され、単体で完全な製品であるAlibabaの270億パラメータの視覚言語モデルと比較されているのだ。興味深い問いは、何をデプロイするかを選ぶとき、これらの関係のうちどれを気にかけるべきかである。

共通のDNAが意味することと、意味しないこと

それは2つのモデルが比較可能であることを意味しない。PAN 2は動画を出力し、Qwen3.8-27Bはテキストを出力する。共有エンコーダー内の何もそれを変えないし、両者を互いに順位付けするベンチマークは存在しない。直接対決のスコアを提示している人は、印象を提示しているにすぎない。

それが実際に意味するのは、その比較が来歴について異常なほど有益だということだ。PAN 2 があなたのキャプションを読むとき、それは MBZUAI が自社リポジトリから未改変のままダウンロードした Qwen エンコーダーを通して読んでいる。そしてモデルカードには、Qwen3.5-9B の重みはリリースされたまま使用されており、MBZUAI によるファインチューニングは行われていないことが明記されている。プロンプトバリデータが強制するトークン予算——ソフト上限 1,480 トークン、ハード上限 1,536 トークン——は Qwen3.5-9B の予算であり、PAN 2 のものではない。そしてレポートが PhyGround の数値を主張するとき、その数値は、生成された動画を5段階尺度で採点するよう Qwen3.8-27B に求めることで生成されたものだ。判定者は競合相手である。

それはスキャンダルではない。強力なオープンモデルを自動採点者として使うのは標準的な慣行であり、それを開示しているのは、ほとんどのラボができているよりも優れている。しかし、それはPAN 2の証拠の連鎖が3つの別々の地点でAlibabaのモデルファミリーを通っていることを意味しており、PAN 2を評価しているなら、その数値のうちどれがPAN 2の測定値で、どれがQwenから見たPAN 2の測定値なのかを知っておくべきだ。

Qwen3.8-27B、その独自の流儀で

アリババのモデルはまったく別種の存在だ。視覚エンコーダーを備えた270億パラメータの因果言語モデルで、Qwen3.5アーキテクチャに基づくハイブリッド構成を採用している。3つのGated DeltaNetブロックに続いて1つのGated Attentionブロックを16回繰り返す、合計64層で、隠れ次元は5,120、パディング済み語彙は248,320トークンだ。ネイティブコンテキストは262,144トークンで、100万トークンまで拡張可能。Apache-2.0ライセンスで、2026年8月5日にHugging Faceで公開され、月間ダウンロード数は740万回に達している。

ベンダー公表の数値は力強く、このカードはオープンウェイト分野でも比較的完成度の高いものの一つだ。GPQA Diamond 89.2、HLE 30.8、LiveCodeBench v6 90.3、SWE-bench Pro 61.7、Terminal-Bench 2.1は73.0、OSWorld-Verified 84.3、OmniDocBench 1.5は91.1、CharXiv reasoning 83.7、IFBench 79.5、CoWorkBench 70.7。MathVisionでは、チェーン・オブ・ソートなしで90.0、ありで94.6を報告している。これらはアリババ自身の評価をアリババ自身のベースラインと比較したものであり、これは本サイト上のあらゆるベンダー表に当てはまる注意点と同じであり、PAN 2のものも例外ではない。

• モダリティ — Qwen3.8-27B：テキスト、画像、動画を入力、テキストを出力。PAN 2：任意の最初のフレームと構造化キャプションを入力、MP4 を出力。

• サイズ — Qwen3.8-27B：27BのDenseモデル、64層、約278億のsafetensorsパラメータ。PAN 2：BF16で67.37 GBの29B拡散トランスフォーマーに加え、15.87 GBの凍結されたQwen3.5-9BエンコーダーとWan 2.2 VAE。

• コンテキスト — Qwen3.8-27B: ネイティブ262,144トークン、最大100万。PAN 2: 単一のキャプションはテキストエンコーダートークン1,536個までに制限され、開始フレームは1つ。

• ライセンス — Qwen3.8-27B: Apache-2.0。PAN 2: 独自の重みは Apache-2.0、サードパーティコンポーネントはそれぞれの条件に従います。

• サービング — Qwen3.8-27B: Transformers、vLLM、SGLang、TokenSpeed、そして Alibaba が「近日提供予定」として挙げているホスト型の Qwen Cloud エンドポイント。PAN 2: Diffusers、vLLM-Omni、およびリポジトリ自身の generate.py を、お手元のハードウェア上で。どこにもホストされていないものはありません。

なぜエンコーダーの選択がPAN 2のカードで最も重要な一行なのか

9B のテキストエンコーダを凍結し、拡散バックボーンのみを学習するのは、擁護できるエンジニアリング上の判断であり、PAN 2 の拡散側が 40B ではなく 29B である理由でもある。これはまた、PAN 2 に伝えられる内容を厳格に制限する。概念的推論器がキャプションを書き、Qwen3.5-9B がそれを特徴量に変換し、拡散モデルがその特徴量から描画する。Qwen3.5-9B が表現できないものは、キャプションがどれほど優れていても、PAN 2 はシミュレートできない。

これは、カードが率直に記しており、ほとんどの読者が読み飛ばす制約を説明している。モデルはプロンプトの言い回しに敏感であり、訓練分布を超える例は手作業で調整されたプロンプトに依存しており、テキストによる行動は器用な操作を粗くしか指定しない。これらは三つの別々の問題ではない。同じ問題を三つの見方で捉えたものだ——言語記述と固定テキストエンコーダの間のインターフェースであり、片側には1,536トークンの予算と凍結された語彙がある。

それを、Qwen3.8-27Bが同じ作業をどう処理するかと比較してください。Qwen3.8-27Bは推論器とエンコーダーが一つのオブジェクトに統合されており、262,144トークンのウィンドウ、リクエストごとに無効化できるネイティブの思考制御、reasoning_effortノブ、ターンをまたいで推論コンテキストを保持するためのpreserve_thinkingを備えています。あなたのタスクが、下流の何かがそれに基づいて行動できる十分な詳細さでシーンと計画を記述することなら、Qwen3.8-27Bはそのために作られており、PAN 2はその出力を消費するために作られています。両者は同じ枠を争う競合ではありません。一方が他方の上流にあります。

誰も比較表には載せないデプロイの非対称性

Qwen3.8-27Bは、普通の大規模モデルと同じように動く大規模モデルです。270億パラメータをBF16で扱うと重みは約55GBになり、80GBアクセラレータ1基にKVキャッシュの余地を残して収まります。モデルカードには4つのサービングスタックと、提供予定のOpenAI互換ホスト型エンドポイントが記載されています。使うと決めたその日の午後には、リクエストに応答させ始められます。

PAN 2は60ファイルにわたり86.17 GBで、サービングの計算はノード分単位で行われる。すべてのステップでclassifier-free guidanceを用いる50サンプラーステップは、クリップあたり29Bトランスフォーマーを通る100回のフォワードパスに相当する。vLLMレシピの目玉は、4台のB300 GPU上で約119秒で704×1248の動画を13秒分生成することであり、guidanceは2ランクに、Ulysses sequence parallelismはさらに2ランクにわたって並列化される。そのデフォルト構成はBF16の8台のH200で、VAE patch parallelismをタイルモードで4ランクにわたって行う。リポジトリ自身の推論スクリプトはより単純で、より多くのリソースを要する。GPUごとに1ワーカーで、各ワーカーが67.37 GBのトランスフォーマーの完全なコピーを保持し、それぞれがN番目ごとのプロンプトを処理する。

それらを並べてみると、実用的な結論は比べるまでもない。Qwen3.8-27Bの呼び出しは1回のリクエストだ。PAN 2のクリップは、GPU予約が付いたバッチジョブだ。20秒の動画を一度だけ制作するなら、PAN 2はセットアップに半日、レンダリングに3分かかる。1,000個のプランをシミュレーションするなら、ノード上の時間を買うことになり、重要な比較対象は他の動画ワールドモデルであって、言語モデルではない。

その二つが真に交わる唯一の場所

PAN 2の想定用途はシミュレーション的推論である。エージェントが各候補行動の結果を想像し、その中から最善のものにコミットする。このループには、候補行動を生成するプランナーと、その結果を描き出すシミュレータが必要だ。Qwen3.8-27Bは信頼できるプランナーであり、IFBenchで79.5という強い指示追従性、CoWorkBenchで70.7という長期的なオフィス業務、Terminal-Bench 2.1で73.0というエージェント型ターミナルコーディングを示している。しかもすでにこのループに入っている。MBZUAIがPhyGroundとQwen3.8-Flashを4人のキャプション作成者の1人として評価するために、これを使用したからだ。

そのループを構築するなら、プランナーはトークン単位で購入できる部分であり、シミュレーターは購入できない部分です。Qwen3.8-27BはOrcaRouterで提供されています。そのため、APIキー1つで、自動フェイルオーバー、リクエストの振り分け先を決めるルーティングルール、そしてプロバイダーの定価に0%のマークアップを上乗せせずそのまま適用した価格で、Alibaba自身の値下げも実施された当日から反映されるプランナーを利用できます。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。PAN 2をホストしているところはありません。この分離はルーターの制約ではなく、市場の形です。ホスト型の言語モデルはコモディティであり、ホスト型の動画ワールドモデルはまだ存在しません。

プランナーを固定するのではなくルーティングする、より目立たない2つ目の理由がある。PAN 2のレポートは4つの推論モデルをフルプラン完了率で順位付けしているが、その順位は多くの人が推測するものとは違う — Claude Opus 5.5が1位、GPT-6 Astraが中程度のエフォートで2位、Kimi K3が3位、Qwen3.8-Flashが4位だ。この順序はMBZUAIのプロンプト、同社のキャプション方針、同社のバリデータで測定されたものだ。あなたの環境では異なるだろう。スタックを配線し直さずに比較を再実行できることは、そこでの単一のモデル選択よりも価値がある。

この比較をどうするか

どちらかを選ぶためにここへ来たのなら、正直に言えば、その問いはそもそも成立していない。Qwen3.8-27Bは汎用の視覚言語モデルであり、今日は1基のアクセラレータ上で提供でき、来週にはトークン単位でレンタルできる。PAN 2は結果をレンダリングする研究用成果物で、マルチGPUノードを必要とし、ホスト型エンドポイントはなく、2026年11月11日時点で作者自身によって公開されたことは一度もない。ラボのXアカウントに投稿された2段落の文章1件が、発表のすべてである。そのHugging Faceリポジトリは10月7日付、GitHubリポジトリは11月5日付で、これに関して公開された最も重要な出来事は、11月10日にvLLM-OmniのDay-0サポートがマージされたことだ。

行う価値のある比較は、もっと限定的だ。パイプラインにプランナーが必要なら、Qwen3.8-27Bは強力で十分に文書化されたApache-2.0の選択肢であり、その判断はルーティングの判断だ。パイプラインが、行動を取る前にその行動が何をするのかを確認する必要があるなら、PAN 2はそれを試みているごく少数のオープンウェイトモデルの一つであり、気づくかどうかにかかわらずQwenのコンポーネント上で動作する。そして、その能力についての正直な要約は、自身の制限事項セクションにある次の一文だ。模擬プランの約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。それが計画の基準にすべき数であり、この比較全体の中で、エンコーダー、ジャッジ、ルーターのいずれもあなたのために改善できない唯一の数だ。