PAN 2は「What If」を観られる作品にし、失敗している箇所ではそう明言する

ボウルにイチゴを落とすと、液体がおよそどう跳ねるかは、考えなくてもすでに分かっている。PAN 2は、MBZUAIの基盤モデル研究所によるワールドモデルで、同じことを理解し、それを示すために構築された。開始フレームを与え、行動をテキストで説明すると、その行動がシーンに何をもたらすかを示す、毎秒24フレームの704×1248動画を最大20秒返す。2026年11月11日に話題になったデモは、このアイデアについてこれまで誰かが示した中で最も明快な説明だ。イチゴをゴムのアヒルに替えるか、液体を変えれば、飛沫もそれに合わせて変わる。モデルがクリップを検索しているのではなく、物理的な帰結を予測しているからだ。前夜に投稿されたIFM自身の発表は、その売り込みを一文に凝縮していた。「言語モデルは次の単語を予測する。PAN 2は次の世界を予測する。すなわち、各行動の後に何が起こるかを、時間・物理・空間に基づいて予測する。」

それを単なるスローガン以上にしているのは、それを取り巻くリリースだ。重みはApache-2.0で、2026年10月7日からHugging Faceで公開されている。60ファイルにまたがる86.17ギガバイトで、推論コードは11月5日にGitHubで公開され、Day-0の提供サポートは11月10日にvLLM-Omniへマージされた。したがって、答える価値のある問いはもはや、PAN 2が存在するか、誰が入手できるかではない。ダウンロード可能な290億パラメータのシミュレーターが、その出力を前提に計画を立ててよいほど何を得意とし、どこについてはチーム自身のドキュメントがそうしないよう示しているか、である。

そのデモは、1つのモデルの名前をまとった2段階のパイプラインだ

ストロベリーのクリップは、テキストから動画を生成したように見える。しかしそうではなく、この違いこそが設計の要なのだ。PAN 2 は、Critique of World Models（arXiv 2507.05169）で示された Generative Latent Prediction パターンを実装しており、このパターンは予測を推論を受け持つ半分とレンダリングを受け持つ半分に分割する。

推論側は言語モデル——指示追従型ならどんなものでもよい——であり、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キャプションとして書き出す。出来事は順番に、各行動はそれを実行する主体に紐づけ、カメラの動きも加える。そのキャプションは飾りではない。実際のインターフェースなのだ。凍結された Qwen3.5-9B テキストエンコーダがそれを条件付け特徴量に変換し、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、キャプションが明示していない知覚的詳細を補完する。Wan 2.2 VAE が潜在表現をフレームにデコードする。

つまり、このデモの本当の主張はピクセルに関するものでは全くない。主張しているのは、行為の構造化された記述が、シミュレーターにとって物理的に整合した結果を生み出すのに十分な制御信号であり、したがってエージェントは複数の候補計画をシミュレートし、比較し、最良のものに基づいて行動できるということだ。これがIFMの言うシミュレーティブ推論であり、イチゴ、アヒル、入れ替わった液体が3本の映像素材ではなく、同じ問いに対する3回の実行である理由でもある。

実用上の帰結は不親切だ。PAN 2 に願い事を入力して動画を得ることはできない。リポジトリにはプロンプト書き換えスキルが同梱されている。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の予算であるソフト1,480トークン／ハード1,536トークンに収まっているかを検証するバリデータだ。さらにモデルカードには、エージェントのケーススタディが手作業で洗練させたプロンプトに依存していたと明記されている。自由テキストは使用前に書き換えられる。これはチャットボックスではなく、インターフェース契約を持つモデルなのだ。

報告書が測定したものと、それが用いた言葉

IFMは、ほとんどの動画モデル公開時よりも多くの評価を公開し、条件もほとんどの例より精密に明記した。そのすべてはチーム自身のハーネス上でのチーム自身の作業であり、モデルカードは重要なセクションでそう明記している。

• 単一アクション — 6つの能力カテゴリにわたる300件のテストケース、201件の画像から動画、99件のテキストから動画、精度はパーセンテージで報告されます。

• 多段階プラン — 100件の一人称視点の日常タスクを両方向で提示し、200件のプロンプトと456ステップについて、ステップ完了率とプラン全体の完了率で採点し、3つのシードで平均。

• 公開ベンチマーク — {{1}}Physics-IQ Verified{{/1}}は画像から動画への設定で、2つの実写テイク間の分散が100になるように正規化。{{2}}PhyGround{{/2}}は{{3}}Qwen3.8-27B{{/3}}が判定する5点尺度。{{4}}RBench{{/4}}は5つのタスクと4つの実施形態カテゴリにわたる非加重平均に100を乗じたもの。

• 人間の選好 — 140件のプロンプト（90件のテキストから動画、50件の画像から動画）に対するブラインドのペアワイズ比較。13名のレビュアーが1,400回の比較で、アクションへの準拠、物理法則、世界の一貫性を評価し、EloはBradley–Terryでフィッティングして1500を中心に設定。

13人のレビュアーは小規模なパネルであり、彼らは著者らのモデルを著者ら自身のベースラインと比較して評価していた。それでも、このカテゴリーのほとんどのリリースが公表するより多くの証拠であり、その枠組みは異例なほど慎重だ。比較におけるクローズドモデルはサードパーティの推論APIを通じて一度だけ生成され、カードはどの行が単一シードであるかを明示している。そのどれもが数値を独立したものにするわけではない。それは数値を読み取れるものにするのであり、それが次善のことだ。

動画13秒につきGPU2分

PAN 2 を使えるかどうかを決める数値は、ベンチマークスコアではありません。それは vLLM のレシピにある数値で、704×1248 の動画 13 秒が 4 台の B300 GPU でおよそ 119 秒かかるとされています。その際、classifier-free guidance を 2 つのランクに分割し、Ulysses sequence parallelism をさらに 2 つのランクに分割します。文書化されているデフォルトは BF16 の H200 8 台で、さらに VAE パッチ並列処理を 4 タイルに分割します。なぜなら、20 秒の 704×1248 クリップをデコードすること自体がメモリ問題だからです。

その数値にサンプラー設定を当てはめると、コストは偶発的なものではなく構造的なものになる。フローシフト9で50ステップ、各ステップにガイダンス2.5を適用するなら、クリップごとに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ではなく並列化しなければならないし、PAN 2について真面目に問うべきは「どれほど優れているか」ではなく「1回のシミュレーションにいくらかかり、計画には何回のシミュレーションが必要か」なのだ。10ステップのタスクで各ステップ5つの候補行動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る。ベンダー自身が公開している構成では、出力から何かを学習する前に、4GPUノードが2時間の大半を稼働し続けることになる。

プランナーは安価な側であり、IFMはそれを交換可能なままにした。

このパイプラインにはGPUクラスタを必要としない部分が1つあり、そのレポートはそれが交換可能であることを明言している。概念的推論器は、指示に従う任意の言語モデルとして定義されており、IFMはシミュレーションされた計画がエンドツーエンドで完了する頻度に基づいて4つをランク付けした。Claude Opus 5.5が1位、次いで中程度の努力設定のGPT-6 Astra、次にKimi K3、そしてQwen3.8-Flashである。

これらの4つのモデルはすべてOrcaRouterのカタログに収録されているため、リーズナーの枠は、何もレンタルせずにベンチマークできるPAN 2スタックの唯一の部分になります。プロンプトリライターを1つのAPIキーで各モデルに向け、拡散側は自前のハードウェアに固定したままにし、実験中にプロバイダーが揺らぐ場合も自動フェイルオーバーに吸収させて、実行を中止しないようにしてください。料金は各プロバイダーのリスト料金を0%のマークアップでそのまま反映したものであり、ベンダーの価格変更は価格改定サイクルを経た後ではなく、それが起こった当日にエンドポイントへ反映されます。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 — レンダラーはあなたのもののままです — ただし、パイプラインのうち何をシミュレートするかを決める半分は通常の従量制テキスト処理であり、実行ごとに品質が実際に変動するのはその半分です。

はっきり言っておくべきこと：上記のランキングはIFMのもので、IFMのタスクをIFMのハーネスで測定したものです。候補リストを作る出発点としては妥当ですが、自分のプロンプトを4つの候補それぞれに通し、自分の計画がどれくらいの頻度で生き残るかを数えることの代わりにはなりません。

制限事項のセクションは、このリリースで最も役立つページです。

多くのモデルカードは、認めている事実を誰も読まない段落に置く。PAN 2のモデルカードは、数字を冒頭に出す。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つ含まれる。その一文が、その上にあるすべての内容の枠組みを変える。3つの計画のうち2つでステップを落とすシミュレータは、まだロボットに渡してそのまま離れられるものではない。それは、チェッカーをループに入れた上で、失敗モードに耐えられる候補計画を順位付けするために使うものだ。

リストの残りも同じように具体的で、同じように額面通りに受け止める価値がある。

• 長期的な一貫性 — 各クリップは最大でも1枚の開始フレームとテキストのみからシミュレーションされるため、長時間の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。このカードは、それが解決済みであると主張するのではなく、知覚メモリを欠けている要素として挙げている。

• プロンプト敏感性 — 観測と行動の言い回しによって結果が変わり、訓練分布を超えた例では手作業で調整したプロンプトが必要だった。

• 粗いテキストアクション — 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」はうまく表現できず、それが器用な操作を制限する。

• ショートカット — シミュレーションは物理法則に違反しながら進行することがあり、そのカード自体の例では、水切りをする前にパスタがザルの中に現れる。

• 忠実な失敗は測定されていない——この定量的研究が対象とするのは、成功するよう設計された開ループ計画である。失敗すべき計画をPAN 2がどれだけうまくシミュレートできるかは、カードの言葉を借りれば「まだ測定されていない」。これは計画にとって最も重要な欠落である。なぜなら、悪い結果を示せないシミュレーターは、まだフィルターとは言えないからだ。

Guardrails は番号が付いた状態で、別のリポジトリとして提供されます。

IFM が行ったもう一つのこと、それは大半のオープンウェイト動画リリースが省略していることだが、ガードレールを推奨する一段落を添えるのではなく、モデルと並べて実際に公開した点だ。pan2-guardrail は生成前に Qwen3Guard-Gen-4B でリクエストをスクリーニングし、生成後には Q16 フレーム分類器で生成動画をスクリーニングする。そしてそのカードは、それが両方向でどれほどのコストを伴うかを報告している。有害なテキスト→動画リクエストが不安全な出力を生み出す割合は 33.9% から 1.5% に低下し、不安全な画像→動画出力は観測されず、一方で良性のテキスト→動画リクエストの 11.5% と良性の画像→動画リクエストの 3.3% が途中で遮断された。

それらはチームの内部測定値であり、監査ではありません。そして、これを大量に運用するつもりなら、注視すべきは偽陽性率です。良性のリクエストを9件に1件拒否するガードレールは、脚注ではなく、製品上の設計制約です。公平に言えば、それはそもそもそうした判断を下せるようにする種類の開示でもあります。

何があれば、これは単なる印象的なデモ以上のものになるのでしょうか

{{1}}難易度の低い順に三つ。{{2}}失敗研究：モデルカードは、失敗すべき計画をシミュレートすることが未測定であると認めており、誰かがそれを公表するまで、PAN 2 は結果の予測器ではなく、もっともらしい成功の生成器である。{{3}}独立評価：この記事のあらゆる能力指標は IFM に由来し、IFM のハーネス上で得られたもので、人間研究には 13 人のパネルが用いられており、第三者による再現は一切ない。{{4}}そして、より安価なサービング経路：公開されている構成は 13 秒につき 2 分の 4-GPU ノードであり、研究には問題ないが、シミュレーション推論が実際に意味するループには過酷である。{{/4}}{{/3}}{{/2}}{{/1}}

それでもPAN 2は、今年リリースされたオープンなワールドモデルの中で最も完成度が高く、その完成度こそが要点だ。重み、コード、サービングレシピ、トークン予算付きのプロンプト契約、誤検知の数値を示すガードレール、そして失敗率を最初に掲げる制限事項セクション。ロボットに使う準備ができているかには同意できなくても、今週それを使って液体を変えたら何が起きるかを尋ねることはできる——結果を事前にプレビューできるという前提そのものを持つモデルにとって、それは最初のテストとして妥当だ。