PAN 2 kontra Agora-2: jeden symuluje konsekwencje, drugi utrzymuje świat w ruchu

Dwadzieścia osób w jednym świecie brzmi jak więcej niż jedna osoba wyobrażająca sobie, co stanie się dalej. Na tym polega całe zamieszanie między PAN 2 a Agora-2 i warto je rozplątać, zanim ktokolwiek zacznie je ze sobą porównywać. Agora-2 to grywalna zapowiedź badawcza Odyssey, opublikowana 21 września 2026 r., która obsługuje dwudziestu uczestników we wspólnym symulowanym środowisku — czterech z nich to ludzcy kontrolerzy, a szesnastu to wyuczone polityki — i utrzymuje ich świat w spójności, nawet gdy gracz odwróci wzrok. PAN 2 to simulator IFM o otwartych wagach i 29 miliardach parametrów, udostępniony jako 86,17 gigabajta checkpointu na licencji Apache-2.0, który przyjmuje klatkę i opisaną akcję, a następnie zwraca do dwudziestu sekund wideo przewidującego konsekwencję. Jedno jest serwerem dla świata. Drugie to pytanie, które zadajesz światu. Pokrywanie się słownictwa jest niemal całkowite, a pokrywanie się funkcji — bliskie zeru, i właśnie dlatego to porównanie wciąż przeprowadza się źle.

Liczba, która podróżuje, nie jest tą, która się liczy.

Relacje o Agora-2 zaczynają się od dwudziestki, a sam wpis Odyssey'ego zachęca do takiego odbioru. Skład jest ciekawszy niż sama liczba. Czterech ludzkich kontrolerów działających jednocześnie dostarcza dane wejściowe dotyczące ruchu i działań; szesnaście autonomicznych bytów jest sterowanych przez polityki potworów i towarzyszy, które Odyssey wytrenował na tym samym korpusie, z którego uczono się świata — nagraniach z Diablo II. Ta sesja to więc nie dwadzieścia osób w jednym pokoju. To problem renderowania z bardzo małą maszyną stanów w centrum, przebrany za serwer gry.

To architektura sprawia, że Agora-2 jest obiektem innego rodzaju niż PAN 2. Odyssey oddziela to, co decyduje, co się dzieje, od tego, co decyduje, jak to wygląda, a różnica rozmiarów między nimi to najbardziej uderzająca liczba w raporcie: model symulacji ma 4,457,777 parametrów — około 4,5 miliona, cztery warstwy, czternaście gałęzi ruchu, czterokrokowe okno historii — podczas gdy renderer to transformer dopasowujący przepływ o około miliardzie parametrów, wykonujący pięć kroków solvera na aktualizację, warunkowany 342-tokenowym prefiksem opisującym mapę, encje, efekty przejściowe, kamerę i skład.

PAN 2 działa odwrotnie. Prawie całą swoją pojemność przeznacza na percepcję: 29-miliardowy multimodalny transformer dyfuzyjny przewiduje klatki, a część odpowiadająca za decyzje o tym, co się wydarzy, nie jest wcale wyuczonym symulatorem, lecz modelem językowym tworzącym ustrukturyzowany, osadzony w czasie opis zdarzeń, działań i ruchu kamery. Agora-2 umieszcza swoją inteligencję w niewielkiej, jawnej reprezentacji stanu. PAN 2 umieszcza swoją inteligencję w rendererze, a rozumowanie deleguje do tekstu.

• Decyduje, co się dzieje — Agora-2: wyuczony model symulacji z 4,46 mln parametrów i jawnym stanem encji; PAN 2: dowolny model językowy podążający za instrukcjami, piszący opis stanu świata.

• Renderuje to — Agora-2: renderer flow-matching o ~1 mld parametrów przy pięciu krokach solvera na aktualizację; PAN 2: transformer dyfuzyjny o 29 mld parametrów przy pięćdziesięciu krokach z guidance na każdym kroku.

• Horyzont czasowy — Agora-2: otwarta sesja, która trwa; PAN 2: do 20 sekund na klip, co najwyżej jedna klatka początkowa, z dryfem między klipami.

• Dane wejściowe — Agora-2: polecenia ruchu i działania z kontrolerów oraz wyuczone polityki; PAN 2: opcjonalna pierwsza klatka oraz ustrukturyzowany opis działania w tekście.

• Uczestnicy — Agora-2: 4 ludzi i 16 polityk w jednym wspólnym stanie; PAN 2: brak, to generator wsadowy.

• Dostęp — Agora-2: brak wag, brak repozytorium, brak licencji i brak ceny; PAN 2: wagi Apache-2.0, bez ograniczeń dostępu, z kodem na GitHubie i przepisem vLLM.

Trwałość to coś, co Agora-2 faktycznie rozwiązało.

Odsuńmy na bok oprawę multiplayer, a prawdziwy wkład Agora-2 to jedno zdanie w poście Odyssey: ponieważ właściwości encji są zachowywane niezależnie od jakiegokolwiek konkretnego widoku, pozostają dostępne, gdy encja znajduje się poza kadrem. Generator wideo, który opiera się wyłącznie na ostatnich klatkach, traci potwora w chwili, gdy się odwrócisz. Model świata, który utrzymuje jawny stan, nie traci go. To właśnie ta decyzja projektowa odróżnia Agora-2 od każdego modelu wideo z ambicjami multiplayer i dlatego dwudziestu uczestników to deklaracja dotycząca zarządzania stanem, a nie renderowania.

PAN 2 nie zgłasza takiego twierdzenia, a jego karta modelu mówi to wprost. Każdy klip jest symulowany na podstawie co najwyżej jednej klatki początkowej plus tekstu, więc wygląd dryfuje między klipami w długich interakcjach, a karta wskazuje pamięć percepcyjną utrzymywaną obok stanu opartego na tekście jako to, co byłoby potrzebne, aby to naprawić. Innymi słowy: PAN 2 wie, że ma problem Agora-2, i go nie rozwiązał, natomiast Agora-2 poradziła sobie z pewną jego wersją, utrzymując świat na tyle mały, by zmieścić go w jawnym tensorze.

Czytane razem, te dwa projekty wyznaczają granice tej dziedziny. Jeśli twój świat można opisać za pomocą 4,5 miliona parametrów — siatki mapy, listy encji, zestawu gałęzi ruchu — utrwalanie stanu jest wykonalne i otrzymujesz sesję. Jeśli twój świat jest otwartą domeną fizycznych konsekwencji, potrzebujesz renderera, który rozumie materiały i kontakt, a utrwalanie stanu staje się otwartym problemem badawczym w chwili, gdy kamera się porusza.

Ile kosztuje sesja, a ile kosztuje symulacja

Żadna z tych liczb nie jest publikowana jako cena, ponieważ żaden z tych modeli nie jest sprzedawany. Oba są publikowane jako sprzęt, co jest bardziej użyteczne.

Plan obsługi sesji czteroosobowej w Odyssey zakłada cztery karty NVIDIA RTX PRO 4500: jeden renderer na GPU, przy czym jedna z tych GPU hostuje również model symulacji i polityki agentów, z docelowym poziomem piętnastu aktualizacji latentnych na sekundę wobec trzydziestu wyświetlanych klatek na sekundę. Raport uczciwie przyznaje, że te dwie liczby to cele, a nie pomiary — w sekcji 8 utrzymywana liczba klatek na sekundę oraz opóźnienie od wejścia do wyświetlenia podczas interakcji na żywo wielu agentów zostały wskazane jako niepoddane ocenie ilościowej. Rachunek za trenowanie również został wyszczególniony: sześćdziesiąt tysięcy aktualizacji na 4 232 000 segmentów, a następnie kolejne sześćdziesiąt tysięcy na 4 332 800, wykonanych na 32 GPU B200.

Odpowiednikiem PAN 2 jest przepis vLLM: trzynaście sekund wideo 704×1248 w około 119 sekund na czterech GPU B300, z udokumentowaną domyślną konfiguracją ośmiu H200 w BF16. Pięćdziesiąt kroków próbkowania z classifier-free guidance na każdym kroku — sto przejść w przód przez transformer 29B na klip — to powód, dla którego guidance jest zrównoleglony na dwóch rangach, a równoległość sekwencji na dwóch kolejnych.

Te dwie konfiguracje mają podobną skalę i na tym podobieństwo się kończy. Cztery karty zapewniają sesję, która działa nieprzerwanie. Cztery karty w PAN 2 zapewniają dwie minuty na każde trzynaście sekund wyrenderowanego rezultatu, a koszt planu to koszt każdego kandydata rozważonego przez planistę. Liczba Odyssey’ego to dolny limit przepustowości dla doświadczenia. Liczba IFM to cena za pytanie.

Tylko na jednym z nich można dziś budować.

To jest ten moment, w którym porównanie przestaje być architektoniczne.

Agora-2 to podgląd badawczy z grywalnym demem pod własnym adresem Odyssey oraz raportem technicznym. Nie ma wag, repozytorium, licencji, API inferencji ani ceny. Odyssey przedstawia trajektorię ku interakcji wieloagentowej wewnątrz fundamentalnych modeli świata jako przyszłą pracę, z PROWL jako wątkiem badawczym i Odyssey-3 jako docelowym celem. W praktyce: można w to zagrać, nie można na tym budować, a żadna strona trzecia również nie może tego dla ciebie udostępnić.

PAN 2 to odwrotny układ. Wagi na Hugging Face od 7 października 2026 r., bez ograniczeń dostępu, Apache-2.0 na własnym kodzie i wagach; repozytorium GitHub ze skryptami do wnioskowania i trenowania od 5 listopada; wsparcie Day-0 dla vLLM-Omni scalone 10 listopada; guardrail dystrybuowany jako osobne repozytorium z własnymi liczbami fałszywych trafień. Ogłoszenie IFM to pojedynczy post na własnym koncie X — „Przedstawiamy PAN 2: otwarty bazowy model świata dla inteligencji fizycznej” — bez wpisu na blogu, linku do artykułu, hostowanego punktu końcowego czy strony z cennikiem. To skąpe ogłoszenie opakowujące pokaźny artefakt, czyli odwrotność dopracowanego wpisu Agora-2 wokół zamkniętego demo.

Jeśli Twoje pytanie brzmi „co mogę wdrożyć produkcyjnie w tym kwartale”, odpowiedź brzmi: żaden z nich, ale z różnych powodów. Agora-2 nie ma opisanej przez Odyssey ścieżki od demo do wdrożenia. PAN 2 ma ścieżkę — wagi i przepis — oraz ograniczenie, które decyduje, czy należy nią podążać: mniej więcej dwa z trzech symulowanych planów zawierają co najmniej jeden krok, który nie jest wykonywany, zgodnie z sekcją ograniczeń w samej karcie modelu.

Hybryda, której nie zbudowało żadne z dwóch laboratoriów

Interesującym pytaniem inżynierskim nie jest to, który model wygrywa. Jest nim to, jak wygląda system, który wykorzystuje każdy z nich do tego, w czym jest dobry — a żaden z dostawców go nie dostarcza.

Wyobraź sobie agenta, który musi planować w trwałym świecie. Projekt Agora-2 pokazuje, jak utrzymać świat w stabilnym stanie: jawny stan, ustrukturyzowany prefiks warunkujący, polityki wystarczająco małe, by działać obok renderera. Projekt PAN 2 pokazuje, jak odpowiadać na pytanie „co się stanie, jeśli” w przypadku fizycznej interakcji: przekazać pytanie modelowi językowemu, uzyskać ustrukturyzowany opis, wyrenderować konsekwencję, spojrzeć na nią. Stos, który zachowałby stan Agora-2 i poprosił PAN 2 o szczegółową fizykę wewnątrz jednej z jego komórek, byłby bezsprzecznie lepszy niż każdy z nich z osobna i wymagałby, aby oba laboratoria otworzyły coś, czego dotąd nie otworzyły.

To, co możesz zrobić już dziś, to ta połowa, która nie wymaga żadnego z tych dwóch modeli. Planista PAN 2 jest zdefiniowany jako 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. Wszystkie cztery są dostępne w OrcaRouter, więc etap podpisów w potoku PAN 2 może działać przez jeden punkt końcowy z automatycznym przełączaniem awaryjnym i ceną katalogową każdego dostawcy przekazywaną z 0% marży, podmienianym na potrzeby eksperymentu, a nie umowy. OrcaRouter nie hostuje PAN 2 i nie może go routować — renderer 29B pozostaje na Twoich GPU — i z pewnością nie może hostować Agora-2, czego nikt nie potrafi. Router może natomiast utrzymać elastyczność połowy odpowiedzialnej za rozumowanie, podczas gdy połowa symulacyjna jest przypięta do sprzętu, który już posiadasz.

Jak podjąć decyzję

Jeśli budujesz grę, środowisko treningowe dla agentów, którzy muszą działać we wspólnej przestrzeni, albo cokolwiek, w czym świat musi pozostawać spójny, gdy porusza się po nim wielu aktorów, Agora-2 jest bardziej istotną pracą badawczą, a zarazem tą mniej dostępną. Przeczytaj raport, zagraj w wersję zapowiedziową i traktuj dwudziestu uczestników jako deklarację na temat projektowania stanu, a nie pojemność, którą można wynająć.

Jeśli musisz oceniać fizyczne skutki — czy ten chwyt się utrzyma, czy to nalewanie się rozleje, czy ten plan przetrwa zetknięcie ze sceną — Agora-2 nie ma ci nic do zaoferowania, a PAN 2 można pobrać, ma dokumentację i uczciwie przyznaje, że w większości planów pomija krok. Zaplanuj budżet na GPU, zanim zaplanujesz budżet na inżynierię: cztery B300 przez dwie minuty na każde trzynaście sekund ustalają koszt każdego kandydata, którego rozważa twój planista.

Te dwa będą przez jakiś czas porównywane, ponieważ „model świata” to obecnie etykieta przykładana do wszystkiego, co przewiduje coś wizualnego. Ta etykieta nic tu nie wnosi. Jeden z tych systemów to miejsce, które pozostaje nieruchome, gdy ludzie przez nie przechodzą. Drugi to pytanie o to, co wydarzy się dalej, na które odpowiedź udzielana jest na żądanie i ograniczona do dwudziestu sekund. Pomylenie ich kosztuje ćwierć czasu pracy inżynierów; rozróżnienie ich kosztuje jedno popołudnie.