PAN 2 vs ABot-Earth 0.7: Twee wereldmodellen, één as verschil

Beide worden wereldmodellen genoemd. Beide zijn in de laatste twee maanden van 2026 uitgekomen. Beide laten je een plek zien waar je nog nooit bent geweest. En ze zijn in geen enkel opzicht dat voor een koper van belang is een vervanging voor elkaar, want PAN 2 voorspelt wat er de volgende twintig seconden in een scène gebeurt, terwijl ABot-Earth 0.7 een stad op kilometerschaal genereert waar je zo lang als je wilt doorheen kunt lopen. De een is een model van gevolgen. De ander is een model van plekken. Als je voor een project tussen beide kiest, is de eerlijke eerste stap te beseffen dat de vraag "welke is beter" geen antwoord heeft, en dat de nuttige vraag — welke heeft je pipeline eigenlijk nodig, en kun je die krijgen — dat wel heeft.

De tweede vraag is waar de twee scherp uiteenlopen, en het is geen kwestie van smaak. PAN 2 wordt geleverd als 86,17 gigabyte Apache-2.0-gewichten, met ondersteuning voor serving die is geïntegreerd in vLLM-Omni; je kunt het vanmiddag downloaden en op je eigen GPU's draaien. ABot-Earth 0.7 is een productiesysteem in de consumentenapp van Amap, zonder publieke API, zonder gewichten en met een whitelist voor de generatiefunctie. Een van beide is een artefact dat je kunt vasthouden. De andere is een demonstratie die je kunt bekijken.

Wat elk ervan precies uitzendt

PAN 2 neemt een observatie — een optioneel eerste frame plus een tekstbeschrijving — en een reeks acties die in tekst zijn beschreven, en retourneert een MP4. Intern is het een tweetrapsmachine: een taalmodel schrijft een gestructureerde, tijdsgebonden beschrijving van de wereldtoestand, een bevroren tekstencoder zet die om in conditioneringskenmerken, en een 29B multimodale diffusietransformer rendert tot twintig seconden video van 704×1248 met 24 frames per seconde. De uitvoer is kort, duur en specifiek: hij beantwoordt "wat doet deze actie met deze scène", en het antwoord is beperkt tot twintig seconden omdat elke clip wordt gesimuleerd vanuit ten hoogste één startframe.

ABot-Earth 0.7 neemt een georeferentieerde satellietafbeelding, of een tekstprompt, en retourneert een 3D Gaussian Splatting-scène met hiërarchische level-of-detail-structuren, exporteerbaar naar Unreal Engine en Unity. Amap — de kaartenafdeling van Alibaba — onthulde het tijdens zijn Street Stars-gala in Hangzhou op 10 september 2026, presenteerde het als het eerste native 3D-stedelijke wereldmodel en beweerde dat het ongeveer tien minuten kost om een omgeving op kilometerschaal te genereren op één enkele consumenten-GPU. De output is een plek, geen moment: je verkent het, je wacht niet tot het zich heeft gevormd.

Naast elkaar gelegd is de vorm van de mismatch duidelijk.

• Uitvoer — PAN 2 levert een MP4 van 20 seconden op 704×1248 en 24 fps; ABot-Earth 0.7 levert een 3DGS-scène met LOD-structuren, exporteerbaar naar Unreal en Unity.

• Invoer — PAN 2 neemt een eerste frame plus een gestructureerde actiebeschrijving; ABot-Earth 0.7 neemt een satellietbeeld of een tekstprompt.

• Tijdshorizon — PAN 2 simuleert enkele seconden vooruit en drijft daarbuiten van clip naar clip; ABot-Earth 0.7 is statisch in de tijd, een momentopname van een plek die niet evolueert.

• Apparaat — PAN 2's gedocumenteerde standaardconfiguratie voor serving is acht H200's in BF16, met een vier-B300-recept voor dertien seconden in 119 seconden; van ABot-Earth 0.7 wordt beweerd dat het op één consumenten-GPU een kilometer in tien minuten haalt.

• Toegang — PAN 2 is Apache-2.0 op Hugging Face, vrij toegankelijk, met code op GitHub; ABot-Earth 0.7 heeft geen gewichten, geen openbare API en een generatiefunctie die alleen op uitnodiging beschikbaar is.

• Onafhankelijke evaluatie — geen van beide heeft die. Beide reeksen cijfers komen van de labs die de modellen hebben gebouwd.

Tijd en ruimte zijn niet dezelfde as

Het onderscheid onder al dat alles is het vermelden waard, omdat het verandert waarvoor elk model dient. ABot-Earth breidt een scène door de ruimte uit: op basis van één satelliettegel synthetiseert het de gebouwen, de straten en de interieurs die je zou zien als je daarheen vloog, en het houdt ze consistent terwijl je van een overzicht van de stad naar straatniveau beweegt. De claim is dekking en getrouwheid op schaal.

PAN 2 breidt een scène door de tijd uit: vanuit één frame en een beschreven actie voorspelt het de daaropvolgende frames, en wat het probeert goed te krijgen is de causale keten — de spetter verandert wanneer het object verandert, omdat massa en oppervlakte veranderden, en het model heeft die relatie geleerd in plaats van een spetter te memoriseren. IFM's framing is dat een taalmodel het volgende woord voorspelt en PAN 2 de volgende wereld, en de demo die op 11 november 2026 de ronde deed maakt het concreet: laat een aardbei in een kom vallen, maak er dan een rubberen eend van, verander vervolgens de vloeistof, en de drie simulaties verschillen op manieren die uit de natuurkunde volgen.

Een applicatie die het ene nodig heeft, heeft zelden het andere nodig. Een roboticateam dat kandidaat-grepen evalueert, heeft de as van PAN 2 nodig. Een mappingproduct, een digital-twin-implementatie of een gamestudio die een omgeving bouwt, heeft de as van ABot-Earth nodig. De overlap is een smalle band waarin iemand een gegenereerde stad in een simulatie wil plaatsen en vervolgens wil animeren wat zich daarin afspeelt — en daar zouden de twee elkaar aanvullen in plaats van concurreren, als de tweede helft beschikbaar was.

De vergelijking die er echt toe doet: kun je hem uitvoeren?

Qua capaciteit zijn de twee onvergelijkbaar en niemand heeft geprobeerd ze te vergelijken. Qua inkoop verschillen ze als dag en nacht.

Het toegangsverhaal van PAN 2 is ongewoon compleet voor een onderzoeksrelease. De gewichten gingen op 7 oktober 2026 online met een modelkaart, configuratiebestanden en een prompt-rewriter-skill; de GitHub-repository met inferentie- en trainingsscripts volgde op 5 november; vLLM-Omni voegde op 10 november Day-0-ondersteuning voor tekst-naar-video en afbeelding-naar-video toe en dezelfde avond verscheen een receptpagina, met documentatie over de configuratie met vier B300's en de standaard met acht H200's. IFM plaatste op 10 november om 17:00 UTC een aankondiging op X — zesenvijftig minuten na de framework-merge — met de tekst "Introductie van PAN 2: een open foundation-worldmodel voor fysieke intelligentie." Geen blogpost, geen link naar een paper, geen gehost endpoint, geen prijs. Maar het ding zelf is downloadbaar, en de licentie staat commercieel gebruik toe.

Het toegangsverhaal van ABot-Earth 0.7 is het tegenovergestelde. De experiencesite is live, maar generatie is alleen op uitnodiging — de interface beschrijft creatie als in bèta en biedt een whitelist-aanvraag aan. Er is geen gepubliceerde prijsstelling, geen tariefkaart en geen ontwikkelaarsdocumentatie die beschrijft hoe een extern systeem het zou aanroepen. De release 0.5 in juni zette een technisch rapport op arXiv en een repository op GitHub, en die repository was een thuis voor het rapport in plaats van een implementatie; niets dat met 0.7 is aangekondigd, suggereert dat de modelgewichten zijn vrijgegeven. De site is bovendien volledig in Vereenvoudigd Chinees, zonder taalkeuzeschakelaar, dus evalueren in het Engels betekent werken vanuit Amaps persmateriaal.

Voor de meeste teams beëindigt dat de vergelijking voordat er nog maar over capaciteiten wordt gesproken. Een model dat je niet kunt aanroepen is geen kandidaat; het is een benchmark voor hoe de categorie eruit zal zien wanneer die aanspreekbaar wordt.

Wat Amap heeft dat IFM niet heeft, en waarom het niet overdraagt

De reden dat ABot-Earth 0.7 ondanks het toegangsprobleem serieus moet worden genomen, is dat het geen laboratoriumdemo is. Het drijft Flying Street View 2.0 aan, de consumentenfunctie die flythroughs met vaste routes verving door vrij verkennbare 3D-ruimte, en Amap zegt dat meer dan 880 miljoen mensen het Street Stars-oppervlak hebben gebruikt waarin het zich bevindt. Proefprojecten lopen voor geselecteerde locaties in steden waaronder Peking en Hangzhou, met toepassingen die het bedrijf concreet benoemt: de zichtlijn vanaf een specifieke theaterstoel controleren, navigeren door het interieur van een winkelcentrum, het terrein beoordelen vóór een reis.

Daarachter ligt een datapositie die geen enkel modellab snel kan kopiëren — Amap claimt bijna een miljard maandelijks actieve gebruikers, Beidou-positionering met dagelijkse piekoproepen die een biljoen naderen, en decennia aan verzamelde spatiotemporele data over wegennetwerken, points of interest en live verkeersinformatie. De 3DGS-architectuur is gepubliceerd werk. Het corpus eronder niet.

Niets daarvan helpt een externe ontwikkelaar, en dat is precies het punt waar berichtgeving rond de lancering vaak overheen glijdt. De kerncijfers van Amap — tien minuten per vierkante kilometer, tot 1.000x sneller dan traditionele reconstructie tegen ongeveer 1/100 van de kosten, meer dan 196 landen en regio's, een 3DGS-output die klaar is voor Unreal en Unity — zijn allemaal opgaven van de leverancier, geen ervan is onafhankelijk gereproduceerd, en ze worden geleverd samen met een whitelist in plaats van een endpoint. De consumentenuitrol is zelf een vorm van bewijs dat het systeem op schaal werkt. Het is geen bewijs dat jij het kunt draaien.

Waar elk ervan zijn plek in een build verdient

Ga er even van uit dat je beide kunt krijgen, want daar gaat deze categorie naartoe. De splitsing is duidelijk.

PAN 2 is een filter voor kandidaatacties. Het ontwerp gaat ervan uit dat er al een agent in de loop zit: de conceptuele redenaar is elk instructievolgend taalmodel, en IFM rangschikte vier ervan op voltooiing van het volledige plan — Claude Opus 5.5, GPT-6 Astra bij gemiddelde inspanning, Kimi K3, Qwen3.8-Flash — wat aangeeft dat de bedoelde vorm een redenaar is die plannen voorstelt en een simulator die de gevolgen ervan weergeeft, zodat de redenaar er een kan kiezen. De kosten van die loop zijn waar je omheen moet plannen, niet de videokwaliteit: vijftig samplerstappen met guidance bij elke stap zijn honderd forward passes door een 29B-transformer per clip, en een plan met vijf kandidaten en tien stappen is vijftig clips.

Die reasoner-plek is het enige onderdeel van de stack dat geen GPU-cluster nodig heeft, en alle vier de gerangschikte modellen van IFM staan in de OrcaRouter-catalogus. Door de prompt-rewriter via één API-sleutel aan te sturen, wissel je planners per experiment in plaats van per contract, waarbij automatische failover de degradatie van providers opvangt en lijstprijzen van providers worden doorgegeven tegen 0% opslag, zodat een prijswijziging van een leverancier dezelfde dag live staat op het endpoint in plaats van pas na een inkoopcyclus. OrcaRouter host PAN 2 niet en kan het niet routeren — de diffusiehelft blijft op je eigen hardware — maar de helft die bepaalt wat er gesimuleerd wordt, is gewoon gemeten tekstwerk, en daar zit de variantie van run tot run nu juist.

ABot-Earth is een omgevingsfabriek. De natuurlijke output ervan is een plek om dingen in te plaatsen: een trainingsomgeving voor belichaamde agents, een digital twin, synthetische rijdata, een podium voor een simulatie. Als het ooit een API uitbrengt, is de workflow die het mogelijk maakt complementair aan die van PAN 2 in plaats van overbodig — genereer de wereld één keer en simuleer daarna acties erin — en de exportformaten die Amap al adverteert, zijn het aansluitpunt.

Wat zou deze pagina veranderen

Voor ABot-Earth 0.7 is één ding bovenal belangrijk: een gepubliceerde API met een prijs. Die ene stap verandert een whitelist in een kandidaat en maakt de kostenvergelijking met PAN 2's GPU-rekening zinvol. Daarachter schuilen drie kleinere onbekenden — of er überhaupt een technisch rapport voor 0.7 verschijnt, aangezien 0.5 er binnen enkele dagen een had; of de gewichten opengaan, wat het een werkelijk ander voorstel zou maken voor de simulatieteams waarvan Amap zegt dat het ze probeert te winnen; en of iemand buiten Amap de bewering van tien minuten per vierkante kilometer reproduceert op hardware die ze zelf bezitten.

Voor PAN 2 is het ontbrekende stuk een faalstudie. De modelkaart ervan geeft toe dat ongeveer twee op de drie gesimuleerde plannen minstens één stap bevatten die niet wordt uitgevoerd, en dat hoe getrouw het plannen simuleert die zouden moeten mislukken, nog niet is gemeten. Een simulator die je geen slechte uitkomst kan tonen, is een half filter. Onafhankelijke evaluatie van de capaciteitscijfers zou ook helpen; elk cijfer in het rapport van IFM komt uit de testomgeving van IFM, met een panel van dertien beoordelaars voor het menselijke onderzoek.

Welke te kiezen?

Als je een plek nodig hebt — een stad, een gebouwinterieur, terrein, alles wat je anders met meetgegevens zou reconstrueren — dan kan PAN 2 je niet helpen en is ABot-Earth 0.7 het indrukwekkendere systeem, maar je kunt het nog niet krijgen, dus het praktische antwoord is om bij je huidige reconstructiepijplijn te blijven en uit te kijken naar een API. Als je wilt weten wat een actie doet voordat je hem uitvoert, kan ABot-Earth je helemaal niet helpen — een statische scène heeft geen gevolgen in zich — en PAN 2 is een van de weinige open-weight modellen die het probeert, met de gewichten, de code, het serveerrecept en het foutpercentage allemaal gepubliceerd.

De vergelijking waar mensen naar zoeken, alsof het rivaliserende producten in een schap waren, bestaat niet. Wat bestaat, is een categorie — wereldmodellen — die zich splitst langs een as die de meeste berichtgeving niet de moeite heeft genomen te benoemen. De ene kant modelleert waar dingen zijn. De andere modelleert wat er daarna gebeurt. Eind 2026 heeft slechts één ervan een downloadlink.