PAN 2 zyskał ścieżkę serwowania, zanim doczekał się zapowiedzi

10 listopada 2026 r. o 16:03 UTC pull request dodający wsparcie Day-0 dla generowania wideo z tekstu i z obrazu przez PAN 2 zakończył scalanie do vLLM-Omni. Tego samego dnia o 20:55 UTC drugi pull request dodał stronę przepisu, która wyjaśnia, jak go serwować. PAN 2 to transformator dyfuzji wideo z 29 miliardami parametrów z Institute of Foundation Models na MBZUAI, a powodem, dla którego te dwa scalenia są historią, jest kolejność, w jakiej nadeszły. Repozytorium Hugging Face pochodzi z 7 października 2026 r., a repozytorium GitHub z 5 listopada, więc przez pięć tygodni jedynym publicznym śladem modelu były metadane repozytorium. Pierwszą oficjalną wypowiedzią, jaką mogę znaleźć, jest pojedynczy post z własnego konta laboratorium na X, @IFM_AI, z datą i godziną 17:00 UTC 10 listopada — pięćdziesiąt sześć minut po scaleniu w vLLM-Omni i prawie cztery godziny przed przepisem. Brzmi on: „Przedstawiamy PAN 2: otwarty fundamentalny model świata dla inteligencji fizycznej”, zawiera wideo i nie linkuje do niczego poza samym sobą. Żadnego wpisu na blogu, żadnego URL-a pracy, żadnego hostowanego punktu końcowego, żadnej strony z cennikiem, żadnej informacji prasowej. Tak więc ścieżka serwowania naprawdę poprzedzała ogłoszenie, a ogłoszenie, kiedy nadeszło, było mniejsze niż scalenie: kilkaset polubień i jedna para akapitów. To, co istnieje, to 86,17 GB checkpointu na licencji Apache-2.0, integracja z frameworkiem i tweet.

Co faktycznie zostało wdrożone i w jakiej kolejności

Wydarzyły się cztery odrębne rzeczy, a mieszanie ich ze sobą sprawia, że ciche wydanie bywa brane za premierę.

• Wagi — IFM/PAN2 w Hugging Face, repozytorium utworzone 7 października 2026 o 23:42 UTC, ostatnio zmodyfikowane 9 listopada 2026 o 21:52 UTC commitem dodającym obsługę kontrolera bezpieczeństwa jako modularnego komponentu potoku Diffusers. Sześćdziesiąt plików, 86,17 GB, bez ograniczeń dostępu, Apache-2.0.

• Kod — github.com/ifm-ai/PAN2, utworzony 5 listopada 2026 r., z pojedynczym commitem wypchniętym o 20:13 UTC tego dnia. To nie jest zrzut badań z martwym README: są tam skrypty inferencji, przypięte wersje środowiska, konfiguracje treningu, umiejętność przepisywania promptów oraz dokumentacja wdrożenia, treningu i inferencji.

• Ścieżka serwowania — vLLM-Omni PR #8602 zapewniający wsparcie text-to-video i image-to-video od dnia zerowego (Day-0), scalony 10 listopada o 16:03 UTC, oraz PR #10126 z przepisem vLLM, scalony tego samego wieczoru o 20:55 UTC.

• Oświadczenie — @IFM_AI na X, 10 listopada o 17:00 UTC: „Przedstawiamy PAN 2: otwarty bazowy model świata dla inteligencji fizycznej". Dwa akapity, film, brak linku do wpisu, artykułu czy strony.

Ta kolejność jest nietypowa, a ogłoszenie jest tym elementem, który czyni ją jeszcze dziwniejszą, a nie bardziej normalną. Zwykle laboratorium ogłasza, publikuje wagi, a wsparcie frameworka napływa stopniowo w ciągu kolejnych tygodni, podczas gdy użytkownicy zgłaszają problemy. Tutaj najpierw pojawiło się scalenie frameworka, ogłoszenie przyszło pięćdziesiąt sześć minut później, a przepis pojawił się cztery godziny po tym. Najbardziej znaczącym publicznym artefaktem w krótkim życiu modelu jest wciąż pull request, co mówi coś o tym, jak przeprowadzono to wydanie: jako zrzut artefaktów dla ludzi, którzy czytają repozytoria, z postem w mediach społecznościowych dołączonym niemal jako dodatek po namyśle.

Co powie Ci repozytorium

Więcej niż w większości wpisów o premierze. PAN 2 to model świata, a nie generator wideo o filmowym zacięciu — ta różnica ma charakter architektoniczny, a nie retoryczny. Realizuje wzorzec Generative Latent Prediction opisany w Krytyce modeli świata (arXiv 2507.05169) i dzieli zadanie na dwie części. Konceptualny moduł rozumowania, czyli dowolny model językowy wykonujący instrukcje, odczytuje obserwację i żądane działania, a następnie zapisuje następny stan świata jako ustrukturyzowany, osadzony w czasie opis: zdarzenia w kolejności, działania przypisane do aktorów, ruch kamery. Zamrożony enkoder tekstu mapuje ten opis na cechy warunkujące. Następnie 29B multimodalny transformer dyfuzyjny, wytrenowany od podstaw na setkach milionów filmów z adnotacjami w tym samym formacie, przewiduje szczegóły percepcyjne, których opis nie określa. VAE Wan 2.2 dekoduje utajone reprezentacje, a wynikiem jest wideo o długości do 20 sekund w rozdzielczości 704×1248 i 24 klatkach na sekundę.

Opublikowana konfiguracja jest wystarczająco szczegółowa, by oszacować koszty. Konfiguracja transformera wymienia 44 warstwy, 32 głowice uwagi po 128 wymiarów każda, rozmiar patcha 1×2×2, 97 kanałów wejściowych i 48 kanałów wyjściowych. Domyślny sampler to 50 kroków przy flow shift wynoszącym 9, z classifier-free guidance równym 2,5 na każdym kroku. Domyślna długość to 241 klatek, około dziesięciu sekund; górny limit to 481 klatek. Koder tekstu to Qwen3.5-9B, zamrożony i niezmodyfikowany, a VAE pochodzi z Wan 2.2. Oba są pobierane z własnych repozytoriów — MBZUAI nie redystrybuuje ich, a karta modelu starannie to zaznacza.

W repozytorium znajduje się także umiejętność prompt-rewriter, wraz z promptem systemowym, stałym promptem negatywnym i walidatorem, który sprawdza podpisy względem budżetu tokenów enkodera tekstu: miękkiego limitu 1480 tokenów i twardej pojemności 1536. To najużyteczniejszy pojedynczy artefakt w tym wydaniu. Pokazuje, że model nie radzi sobie dobrze ze swobodnym tekstem i że zespół o tym wie.

Czego ci to nie powie

Prawie wszystko, o co zapytałby kupujący. Nie ma ceny, ponieważ nie ma API. MBZUAI nie udostępnia hostowanego punktu końcowego. Nie ma niezależnego benchmarku: liczby w karcie modelu pochodzą od samego zespołu, zmierzone na ich własnym stanowisku testowym, a karta jest niezwykle szczera co do warunków — Physics-IQ Verified znormalizowano tak, aby wariancja między dwoma rzeczywistymi ujęciami wynosiła 100, PhyGround oceniano w pięciopunktowej skali przez Qwen3.8-27B, RBench jako średnią nieważoną po pięciu kategoriach zadań i czterech kategoriach ucieleśnienia. To uzasadnione wybory i żaden z nich nie jest weryfikacją strony trzeciej.

Najsilniejszym dowodem w tej publikacji jest ocena ludzka, a jednocześnie jest ona najbardziej ograniczona. Preferencja parami w trybie ślepym na podstawie 140 promptów — 90 tekst-na-wideo i 50 obraz-na-wideo — ocenianych pod kątem zgodności z akcją, fizyki i spójności świata przez 13 recenzentów w 1400 porównaniach, z Elo dopasowanym metodą Bradleya–Terry'ego i wyśrodkowanym na 1500. Trzynaście osób oceniających to mały panel, a oceniały one własny model zespołu na tle modeli bazowych. To więcej, niż publikuje większość laboratoriów. To nie jest ranking.

A sekcja ograniczeń jest bardziej dosadna niż norma gatunkowa: około dwóch na trzy symulowane plany zawierają co najmniej jeden krok, który nie jest realizowany. To jedno zdanie jest najważniejszą liczbą w publikacji i to właśnie ono zostałoby zakopane w poście zapowiadającym premierę.

Liczba przepustowości w recepturze mówi najwięcej.

Wsparcie dla frameworka ma znaczenie ze względu na to, co deklaruje przepis, a nie dlatego, że dodano logo. Strona przepisu vLLM podaje, że PAN 2 generuje 13 sekund wideo 704×1248 w około 119 sekund na czterech GPU B300, wykorzystując równoległość classifier-free guidance na dwóch rangach i równoległość sekwencji Ulysses na dwóch. Domyślna konfiguracja to osiem H200 w BF16, a udokumentowane polecenie serve dodaje równoległość patchy VAE na czterech rangach w trybie tile — szczegół, który ma znaczenie tylko dlatego, że dekodowanie 20-sekundowego klipu 704×1248 samo w sobie stanowi problem z pamięcią.

Zestaw te liczby z ustawieniami samplera. Pięćdziesiąt kroków z guidance przy każdym kroku oznacza sto przejść w przód przez transformer 29B na klip. To dlatego przewodnik uruchamia guidance równolegle, a nie sekwencyjnie. To także dlatego praktyczne pytanie o PAN 2 nie brzmi „jak dobry jest?”, tylko „ile kosztuje mnie klip?”, a odpowiedź według własnego przepisu dostawcy to węzeł z czterema GPU przez dwie minuty na trzynaście sekund wideo. Nikt nie opublikował tańszej konfiguracji, a domyślne osiem H200 w przepisie sugeruje, że konfiguracja z czterema B300 to wyciskanie, a nie komfortowe minimum.

Jeśli chcesz go wypróbować, planer to ta część, którą możesz wynająć.

Dwuetapowa konstrukcja PAN 2 ma osobliwy praktyczny skutek. Kosztowna połowa — 29B szkielet dyfuzyjny — to ta połowa, którą trzeba hostować samodzielnie, ponieważ nikt nie oferuje go jako usługi, a MBZUAI takiej nie zbudowało. Tania połowa, konceptualny moduł wnioskujący, który zapisuje ustrukturyzowany opis stanu świata, jest zwykłym modelem tekstowym i może być dowolnym modelem podążającym za instrukcjami.

Tu właśnie router zyskuje swoje miejsce. Raport PAN 2 ocenia cztery modele rozumujące i szereguje je według ukończenia pełnego planu: Claude Opus 5.5 pierwszy, potem GPT-6 Astra przy średnim wysiłku, następnie Kimi K3, a na końcu Qwen3.8-Flash. Qwen3.8-Flash jest dostępny w OrcaRouter, więc możesz obsługiwać etap opisów PAN 2 przez jeden klucz API z automatycznym przełączaniem awaryjnym, zamiast uruchamiać drugi lokalny model obok stosu dyfuzji, i płacić cenę katalogową dostawcy z 0% narzutu przekazanego bez zmian. Renderer pozostaje na Twoich GPU; planer nie musi.

Wyraźnie zaznacz, czym to jest, a czym nie jest. OrcaRouter nie hostuje PAN 2 i nie może go routować — nie ma żadnego hostowanego PAN 2, do którego można by routować. Może natomiast utrzymać językową część potoku modelu świata na API rozliczanym za użycie, podczas gdy Ty dobierzesz część wideo do własnego sprzętu. Jeśli wolisz uruchomić oba etapy lokalnie, repozytorium również to obsługuje, a skrypt prompt-rewriter jest dołączony właśnie dla takiego przypadku.

Co można by uznać za ogłoszenie?

Trzy rzeczy, w rosnącej kolejności znaczenia. Post, artykuł lub strona od IFM lub MBZUAI, które wymieniają PAN 2 i podają datę wydania lub wersję — tweet z 10 listopada spełnił pierwszą połowę tego warunku, ale nie drugą. Hostowany endpoint inferencji, który umożliwiłby porównanie kosztów z zamkniętymi modelami wideo, a nie z wynajmem GPU. Oraz niezależny benchmark przeprowadzony przez kogoś, kto nie jest autorem modelu — Physics-IQ, PhyGround lub RBench ocenione przez stronę trzecią, na promptach, których zespół nie wybrał.

Dopóki przynajmniej pierwszy z tych elementów nie pojawi się w pełni, uczciwy opis PAN 2 wygląda tak: artefakt badawczy na licencji Apache-2.0 z działającą ścieżką serwowania, udokumentowanym formatem promptów, szczerą sekcją ograniczeń, jednym postem w mediach społecznościowych i bez żadnej oferty komercyjnej za nim. To więcej niż preprint, a mniej niż produkt. Wsparcie frameworka, które pojawiło się 10 listopada, nie uczyniło z niego premiery. Uczyniło go możliwym do uruchomienia przez osoby, które nie chcą łatać repozytorium, żeby uzyskać pierwszą klatkę.

Konkluzja

PAN 2 to rzadki przypadek, w którym inżynieria wyprzedza dokumentację. Jeśli budujesz symulację agentów, ocenę robotyki lub badania nad rozumowaniem fizycznym i masz węzeł z czterema GPU, wagi są dostępne, przepis jest dostępny, a dwuetapowa konstrukcja jest udokumentowana wystarczająco dobrze, by dało się ją odtworzyć. Jeśli potrzebujesz ceny za klip, umowy o poziomie usług albo dostawcy, do którego można zadzwonić, niczego takiego jeszcze nie ma, a scalenia z 10 listopada tego nie stworzyły. Model został udostępniony po cichu, jeśli „udostępniony” to w ogóle właściwe słowo na repozytorium, scalenie i dwuakapitowy post. To, czy kiedykolwiek zostanie ogłoszony w sensie, jaki rozpoznałby nabywca, to odrębne pytanie od tego, czy działa, i tylko na jedno z nich istnieje dziś odpowiedź.