PAN 2 kontra ABot-Earth 0.7: Dwa modele świata, różniące się jedną osią

Oba nazywane są modelami świata. Oba ukazały się w ostatnich dwóch miesiącach 2026 roku. Oba pokażą ci miejsce, w którym nigdy nie byłeś. I nie są dla siebie zamiennikami w żadnym sensie, na którym zależałoby kupującemu, ponieważ PAN 2 przewiduje, co wydarzy się dalej w scenie przez następne dwadzieścia sekund, podczas gdy ABot-Earth 0.7 generuje miasto w skali kilometra, po którym możesz chodzić tak długo, jak chcesz. Jeden jest modelem konsekwencji. Drugi jest modelem miejsc. Jeśli wybierasz między nimi do projektu, uczciwym pierwszym krokiem jest zauważenie, że pytanie „który jest lepszy” nie ma odpowiedzi, a użyteczne pytanie — którego z nich naprawdę potrzebuje twój pipeline i czy możesz go dostać — ma.

Drugie pytanie to miejsce, w którym oba rozwiązania zdecydowanie się rozchodzą, i nie jest to kwestia gustu. PAN 2 jest udostępniany jako 86,17 gigabajta wag Apache-2.0 ze wsparciem serwowania wbudowanym w vLLM-Omni; możesz go pobrać jeszcze dziś po południu i uruchomić na własnych GPU. ABot-Earth 0.7 to system produkcyjny wewnątrz aplikacji konsumenckiej Amap, bez publicznego API, bez wag i z białą listą dostępu dla funkcji generowania. Jedno z nich to artefakt, który można trzymać w ręku. Drugie to pokaz, któremu można się przyglądać.

Co dokładnie emituje każdy z nich

PAN 2 przyjmuje obserwację — opcjonalną pierwszą klatkę plus opis tekstowy — oraz zestaw akcji opisanych tekstem i zwraca plik MP4. Wewnętrznie jest to dwuetapowa maszyna: model językowy tworzy ustrukturyzowany, zakotwiczony w czasie opis stanu świata, zamrożony enkoder tekstowy odwzorowuje go na cechy warunkujące, a 29B multimodalny transformer dyfuzyjny renderuje do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę. Wynik jest krótki, kosztowny i konkretny: odpowiada na pytanie „co ta akcja robi z tą sceną”, a odpowiedź jest ograniczona do dwudziestu sekund, ponieważ każdy klip jest symulowany z co najwyżej jednej klatki początkowej.

ABot-Earth 0.7 przyjmuje georeferencjonowany obraz satelitarny lub polecenie tekstowe i zwraca scenę 3D Gaussian Splatting z hierarchicznymi strukturami poziomów szczegółowości, możliwą do wyeksportowania do Unreal Engine i Unity. Amap — dział map Alibaby — zaprezentował go podczas gali Street Stars w Hangzhou 10 września 2026 r., przedstawiając jako pierwszy natywny model świata miejskiego 3D i twierdząc, że wygenerowanie środowiska o skali kilometra zajmuje około dziesięciu minut na pojedynczym konsumenckim GPU. Wynikiem jest miejsce, a nie chwila: eksplorujesz je, nie czekasz, aż się uformuje.

Zestawione obok siebie, kształt tej niezgodności jest oczywisty.

• Dane wyjściowe — PAN 2 zwraca 20-sekundowy plik MP4 o rozdzielczości 704×1248 i 24 fps; ABot-Earth 0.7 zwraca scenę 3DGS ze strukturami LOD, którą można wyeksportować do Unreal i Unity.

• Wejście — PAN 2 przyjmuje pierwszą klatkę oraz ustrukturyzowany opis akcji; ABot-Earth 0.7 przyjmuje obraz satelitarny lub polecenie tekstowe.

• Horyzont czasowy — PAN 2 symuluje kilka sekund do przodu, a poza tym dryfuje między klipami; ABot-Earth 0.7 jest statyczny w czasie, to migawka miejsca, które nie ewoluuje.

• Urządzenie — udokumentowana domyślna konfiguracja serwowania PAN 2 to osiem H200 w BF16, z recepturą czterech B300 na trzynaście sekund w 119 sekund; ABot-Earth 0.7 jest reklamowany na jednym GPU klasy konsumenckiej na kilometr w dziesięć minut.

• Dostęp — PAN 2 jest dostępny na licencji Apache-2.0 na Hugging Face, bez ograniczeń, a kod znajduje się na GitHubie; ABot-Earth 0.7 nie ma wag, publicznego API ani funkcji generowania dostępnej tylko na zaproszenie.

• Niezależna ocena — żadna ze stron jej nie ma. Oba zestawy liczb pochodzą z laboratoriów, które zbudowały modele.

Czas i przestrzeń nie są tą samą osią.

Warto podkreślić rozróżnienie, które się pod tym wszystkim kryje, ponieważ zmienia ono to, czemu każdy model służy. ABot-Earth rozciąga scenę w przestrzeni: z jednego kafla satelitarnego syntetyzuje budynki, ulice i wnętrza, które ujrzałbyś, gdybyś tam poleciał, i zachowuje ich spójność, gdy przechodzisz od ogólnego widoku miasta do poziomu ulicy. Jego obietnica to zasięg i wierność w skali.

PAN 2 rozciąga scenę w czasie: z jednej klatki i opisanego działania przewiduje kolejne klatki, a rzeczą, którą próbuje odtworzyć poprawnie, jest łańcuch przyczynowy — plusk zmienia się, gdy zmienia się obiekt, ponieważ zmieniła się masa i powierzchnia, a model nauczył się tej zależności, zamiast zapamiętywać plusk. Ramy koncepcyjne IFM są takie, że model językowy przewiduje następne słowo, a PAN 2 przewiduje następny świat, a demonstracja zaprezentowana 11 listopada 2026 r. czyni to konkretnym: wrzuć truskawkę do miski, następnie zamień ją na gumową kaczkę, a potem zmień ciecz — i trzy symulacje różnią się w sposób wynikający z fizyki.

Aplikacja, która potrzebuje jednego, rzadko potrzebuje drugiego. Zespół robotyki oceniający kandydujące chwyty potrzebuje osi PAN 2. Produkt do mapowania, wdrożenie bliźniaka cyfrowego lub studio gier budujące środowisko potrzebuje osi ABot-Earth. Nakładanie się to wąski pas, w którym ktoś chce umieścić wygenerowane miasto w symulacji, a następnie animować to, co dzieje się w jego wnętrzu — i tam oba rozwiązania uzupełniałyby się, a nie konkurowały, gdyby drugą połowę można było uzyskać.

Porównanie, które naprawdę się liczy: czy potrafisz to uruchomić?

Jeśli chodzi o możliwości, te dwa są nieporównywalne i nikt nie próbował ich porównywać. Jeśli chodzi o zakupy, to są jak dzień i noc.

Historia udostępnienia PAN 2 jest wyjątkowo kompletna jak na wydanie badawcze. Wagi udostępniono 7 października 2026 r. wraz z kartą modelu, konfiguracjami i umiejętnością przepisywania promptów; repozytorium GitHub ze skryptami do wnioskowania i trenowania pojawiło się 5 listopada; vLLM-Omni scaliło 10 listopada wsparcie Day-0 dla text-to-video i image-to-video, a tego samego wieczoru pojawiła się strona z przepisem, dokumentująca konfigurację z czterema B300 i domyślną z ośmioma H200. IFM opublikowało swoje ogłoszenie na X o 17:00 UTC 10 listopada — pięćdziesiąt sześć minut po scaleniu frameworku — o treści: „Przedstawiamy PAN 2: otwarty bazowy model świata dla inteligencji fizycznej”. Bez wpisu na blogu, bez linku do publikacji, bez hostowanego endpointu, bez ceny. Ale sam model można pobrać, a licencja zezwala na użycie komercyjne.

Historia dostępu do ABot-Earth 0.7 jest odwrotna. Strona demonstracyjna jest już dostępna, ale generowanie odbywa się tylko na zaproszenie — interfejs opisuje tworzenie jako funkcję w wersji beta i oferuje wniosek o wpisanie na białą listę. Nie ma opublikowanego cennika, tabeli stawek ani dokumentacji deweloperskiej opisującej, jak zewnętrzny system miałby się z nim komunikować. Wydanie 0.5 z czerwca umieściło raport techniczny na arXiv i repozytorium na GitHubie, przy czym repozytorium służyło jako miejsce dla raportu, a nie implementacji; nic ogłoszonego wraz z 0.7 nie sugeruje, że wagi zostały udostępnione. Strona jest też w całości w uproszczonym chińskim, bez przełącznika języka, więc ocena jej po angielsku oznacza opieranie się na materiałach prasowych Amap.

Dla większości zespołów to kończy porównanie, zanim jeszcze dojdzie do rozmowy o możliwościach. Model, którego nie można wywołać, nie jest kandydatem; jest punktem odniesienia dla tego, jak ta kategoria będzie wyglądać, gdy stanie się osiągalna.

To, co ma Amap, a czego nie ma IFM, i dlaczego to się nie przenosi

Powód, dla którego warto poważnie traktować ABot-Earth 0.7 mimo problemu z dostępem, jest taki, że nie jest to pokaz laboratoryjny. Napędza Flying Street View 2.0 — funkcję konsumencką, która zastąpiła przeloty po stałych trasach swobodnie eksplorowaną przestrzenią 3D — a Amap twierdzi, że ponad 880 milionów osób używało powierzchni Street Stars, w której jest ona osadzona. Testy trwają w wybranych obiektach w miastach, w tym w Pekinie i Hangzhou, a firma konkretnie wymienia przypadki użycia: sprawdzanie linii widzenia z konkretnego miejsca na widowni teatru, nawigowanie wewnątrz centrum handlowego, ocena ukształtowania terenu przed podróżą.

Za tym kryje się pozycja w danych, której żadne laboratorium modeli nie zdoła szybko skopiować — Amap podaje blisko miliard aktywnych użytkowników miesięcznie, szczytowa dzienna liczba wywołań pozycjonowania Beidou zbliża się do biliona, a dziesięciolecia zgromadzonych danych czasoprzestrzennych obejmują sieci dróg, punkty zainteresowania i dane o ruchu na żywo. Architektura 3DGS jest opublikowaną pracą. Korpus danych, na którym się opiera, już nie.

Żadna z tych rzeczy nie pomaga zewnętrznemu deweloperowi, a to jest właśnie ten element, który relacje z premiery zwykle pomijają. Kluczowe liczby Amap — dziesięć minut na kilometr kwadratowy, do 1000 razy szybciej niż tradycyjna rekonstrukcja przy około 1/100 kosztu, ponad 196 krajów i regionów, wynik 3DGS gotowy dla Unreala i Unity — są w całości podane przez dostawcę, żadnej nie odtworzono niezależnie, a wraz z nimi dostarcza się białą listę, a nie punkt końcowy. Wdrożenie konsumenckie samo w sobie jest dowodem, że system działa na skalę. Nie jest to jednak dowód, że możesz go uruchomić.

Gdzie każdy z nich zasługuje na swoje miejsce w konfiguracji

Załóżmy na chwilę, że możesz mieć jedno i drugie, ponieważ w tę stronę zmierza ta kategoria. Podział jest czysty.

PAN 2 to filtr działań kandydujących. Jego projekt zakłada, że agent już jest w pętli: rozumujący koncepcyjnie to dowolny model językowy podążający za instrukcjami, a IFM uszeregował cztery z nich według ukończenia pełnego planu — Claude Opus 5.5, GPT-6 Astra przy średnim wysiłku, Kimi K3, Qwen3.8-Flash — co wskazuje, że zamierzony kształt to rozumujący proponujący plany i symulator renderujący ich konsekwencje, aby rozumujący mógł wybrać jeden. Koszt tej pętli jest tym, wokół czego należy planować, a nie jakość wideo: pięćdziesiąt kroków próbkowania z guidance na każdym kroku to sto przejść w przód przez transformer 29B na klip, a plan z pięcioma kandydatami i dziesięcioma krokami to pięćdziesiąt klipów.

Ten slot modelu rozumującego to jedyny element stosu, który nie wymaga klastra GPU, a wszystkie cztery modele IFM z rankingu znajdują się w katalogu OrcaRouter. Sterowanie przepisywaczem promptów przez jeden klucz API pozwala zmieniać planery dla każdego eksperymentu, a nie dla każdego kontraktu, przy czym automatyczne przełączanie awaryjne absorbuje degradację dostawcy, a ceny katalogowe dostawców są przekazywane z marżą 0%, dzięki czemu zmiana ceny dostawcy obowiązuje w punkcie końcowym w dniu, w którym nastąpi, a nie po cyklu zakupowym. OrcaRouter nie hostuje PAN 2 i nie może go trasować — połowa odpowiedzialna za dyfuzję pozostaje na Twoim sprzęcie — ale ta połowa, która decyduje, co symulować, to zwykła rozliczana praca tekstowa, i to właśnie tam faktycznie tkwi wariancja między uruchomieniami.

ABot-Earth to fabryka środowisk. Jej naturalnym produktem jest miejsce, w którym można coś umieścić: poligon treningowy dla agentów ucieleśnionych, cyfrowy bliźniak, syntetyczne dane jazdy, scena do symulacji. Jeśli kiedykolwiek udostępni API, umożliwiany przez nie przepływ pracy będzie komplementarny wobec PAN 2, a nie redundantny — wygeneruj świat raz, a następnie symuluj w nim działania — a formaty eksportu, które Amap już reklamuje, są punktem łączenia.

Co zmieniłoby tę stronę?

W przypadku ABot-Earth 0.7 najważniejsze jest jedno: opublikowane API z ceną. Ten jeden krok zamienia wpis z białej listy w kandydata i nadaje sens porównaniu kosztów z rachunkiem za GPU w PAN 2. Za tym kryją się trzy mniejsze niewiadome — czy w ogóle pojawi się raport techniczny dla 0.7, skoro 0.5 doczekało się go w ciągu kilku dni; czy wagi zostaną otwarte, co uczyniłoby ją naprawdę inną propozycją dla zespołów symulacyjnych, o które — jak twierdzi Amap — zabiega; oraz czy ktokolwiek spoza Amap odtworzy twierdzenie o dziesięciu minutach na kilometr kwadratowy na własnym sprzęcie.

W przypadku PAN 2 brakującym elementem jest badanie niepowodzeń. Karta modelu przyznaje, że około dwie trzecie symulowanych planów zawiera co najmniej jeden krok, który nie jest wykonywany, oraz że nie zmierzono jeszcze, jak wiernie symuluje plany, które powinny się nie udać. Symulator, który nie potrafi pokazać złego wyniku, jest połową filtra. Pomocna byłaby też niezależna ocena liczb dotyczących możliwości; każda liczba w raporcie IFM pochodzi ze środowiska testowego IFM, a badanie z udziałem ludzi przeprowadził panel trzynastu recenzentów.

Które wybrać

Jeśli potrzebujesz miejsca — miasta, wnętrza budynku, terenu, czegokolwiek, co w przeciwnym razie odtwarzałbyś na podstawie danych pomiarowych — PAN 2 nie może ci pomóc, a ABot-Earth 0.7 jest bardziej imponującym systemem, ale nie możesz go jeszcze dostać, więc praktyczna odpowiedź to pozostać przy obecnym potoku rekonstrukcji i wypatrywać API. Jeśli potrzebujesz wiedzieć, co robi dana akcja, zanim ją wykonasz, ABot-Earth nie może ci w ogóle pomóc — w statycznej scenie nie ma żadnych konsekwencji — a PAN 2 jest jednym z niewielu modeli z otwartymi wagami, który próbuje, publikując wagi, kod, przepis serwowania i odsetek niepowodzeń.

Porównanie, którego ludzie szukają, jakby chodziło o konkurencyjne produkty na półce, nie istnieje. Istnieje natomiast kategoria — modele świata — dzieląca się wzdłuż osi, której większość omówień nawet nie zadała sobie trudu nazwać. Jedna strona modeluje, gdzie znajdują się rzeczy. Druga modeluje, co wydarzy się dalej. Pod koniec 2026 roku tylko jeden z nich ma link do pobrania.