PAN 2 vs Gemma 4 12B: Symulator i model rozumujący nie są rywalami

Każda strona porównawcza w internecie chce wyłonić zwycięzcę, a ta nie może uczciwie go wskazać, ponieważ PAN 2 i Gemma 4 12B nie wykonują tego samego zadania. PAN 2 to mający 29 miliardów parametrów transformator dyfuzyjny do wideo z Instytutu Modeli Fundacyjnych MBZUAI, który przyjmuje obraz i opis działań, a zwraca do dwudziestu sekund wideo 704×1248 pokazującego, co wydarzy się dalej. Gemma 4 12B Unified to bezenkoderowy multimodalny model językowy z 11,95 mld parametrów od Google DeepMind, który przyjmuje tekst, obrazy i dźwięk, a zwraca tekst. Jeden renderuje konsekwencje; drugi o nich mówi. Jeśli przyszedłeś tu szukać tabeli benchmarkowej, która porównuje je bezpośrednio, to taka nie istnieje i nie mogłaby istnieć — nie mają wspólnej ewaluacji. Istnieje natomiast realna decyzja, ponieważ oba są coraz częściej wdrażane w tym samym potoku: model rozumujący pisze plan, a symulator pokazuje, co ten plan robi. Zatem użyteczne pytanie nie brzmi, który jest lepszy, lecz którego tak naprawdę wymaga twój problem i ile kosztuje cię utrzymywanie każdego z nich.

Niedopasowanie, mówiąc wprost

Gemma 4 12B ma publiczną tabelę ewaluacji, a PAN 2 nie ma — ta asymetria nie jest sygnałem jakości, lecz sygnałem kategorii. Google publikuje MMLU Pro, GPQA Diamond, AIME, LiveCodeBench i kilkanaście innych benchmarków tekstowych i wizyjnych, ponieważ modele językowe są mierzone wspólną miarą, która istnieje od lat. Karta PAN 2 publikuje Physics-IQ Verified, PhyGround, RBench oraz badanie preferencji ludzi, ponieważ modele świata wideo są mierzone instrumentami wynalezionymi niedawno, głównie przez laboratoria budujące te modele.

• Parametry — PAN 2: 29B w pojedynczym multimodalnym transformatorze dyfuzyjnym, z zamrożonym enkoderem tekstowym Qwen3.5-9B i równolegle wczytanym VAE Wan 2.2. G​emma 4 12B: 11,95B, 48 warstw, bez enkodera, z surowymi fragmentami obrazu i przebiegami audio rzutowanymi bezpośrednio do przestrzeni osadzeń dekodera.

• Wejścia i wyjścia — PAN 2: opcjonalna pierwsza klatka oraz ustrukturyzowany opis stanu świata, a na wyjściu MP4. G​emma 4 12B: na wejściu tekst, obraz, dźwięk i wideo, na wyjściu tekst, z kontekstem 256K tokenów i natywną obsługą promptu systemowego.

• Licencja — PAN 2: Apache-2.0 dla własnego kodu i wag, a komponenty stron trzecich objęte są ich własnymi warunkami. G​emma 4 12B: Apache-2.0 na warunkach licencji G​emma 4.

• {{1}}Wagi na dysku{{/1}} — {{2}}PAN 2: 86,17 GB w sześćdziesięciu plikach w repozytorium IFM/PAN2, z czego 67,37 GB to sam transformer, a 15,87 GB to koder tekstu. G​emma 4 12B: około 12 miliardów parametrów BF16, w przybliżeniu jedna czwarta samego transformera.{{/2}}

W czym każde z nich jest naprawdę dobre, sądząc po jego własnych dowodach

Liczby G​emma 4 12B są czytelniejsze z tych dwóch i jak na ten rozmiar prezentują się przyzwoicie. Podawane przez producenta wyniki MMLU Pro na poziomie 77,2%, GPQA Diamond 78,8%, AIME 2026 bez narzędzi 77,5%, LiveCodeBench v6 72,0% oraz rating Codeforces 1659 stawiają go wyraźnie ponad poprzednią generacją — G​emma 3 27B uzyskuje 67,6%, 42,4%, 20,8%, 29,1% i 110 w tych samych wierszach. W zakresie wizji osiąga MMMU Pro 69,1% i MATH-Vision 79,7%. W długim kontekście MRCR v2 z ośmioma igłami przy 128K osiąga 43,4%. Są to własne oceny G​oogle dotyczące własnego modelu G​oogle i karta modelu tak podaje; traktuj je jako dobrze udokumentowane twierdzenie producenta, a nie niezależny werdykt.

PAN 2 nie ma nic porównywalnego i nie udaje, że ma. Jego twierdzenie jest węższe i dziwniejsze: że model dyfuzyjny warunkowany ustrukturyzowanym, osadzonym w czasie opisem będzie symulował fizyczne i przyczynowe konsekwencje działania wystarczająco dobrze, by agent mógł porównać kandydackie plany przed zdecydowaniem się na jeden. Wsparciem dla tego twierdzenia jest badanie 300 przypadków pojedynczych działań w sześciu kategoriach zdolności, badanie wieloetapowe z 200 promptami i 456 krokami oraz ślepy test preferencji ludzi obejmujący 1400 porównań. Wszystkie trzy są autorstwa samego zespołu. Żadne z nich nie przekłada się na cokolwiek, na czym mierzy się G​emma 4 12B.

Pytanie o wdrożenie to punkt, w którym porównanie daje się we znaki.

Tutaj oba modele przestają być nieporównywalne, ponieważ oba muszą działać na sprzęcie, za który płacisz.

Gemma 4 12B działa w BF16 na pojedynczym GPU klasy konsumenckiej lub przeznaczonym do stacji roboczych, a po kwantyzacji na znacznie skromniejszym sprzęcie. Jest obsługiwana od pierwszego dnia w standardowych stosach inferencyjnych, ma słownictwo liczące 262 tys. tokenów oraz udokumentowany zestaw domyślnych ustawień próbkowania i trybu myślenia. Jeśli Twoje obciążenie obejmuje rozumienie dokumentów, wywoływanie narzędzi lub rozumowanie w długim kontekście, jest to nudne, dobrze utarte wdrożenie, a ciekawe decyzje dotyczą wyłącznie promptowania.

PAN 2 nie ma nudnego wdrożenia. Nagłówek samej receptury vLLM mówi, że trzynaście sekund wideo 704×1248 zajmuje około 119 sekund na czterech GPU B300, z classifier-free guidance zrównoleglonym na dwóch rankach i równoległością sekwencji Ulysses na dwóch. Domyślnie jest to osiem H200 w BF16. Sampler wykonuje pięćdziesiąt kroków z guidance na każdym kroku — sto przejść w przód przez transformer 29B na klip — dlatego równoległość nie jest opcjonalna. A format warunku nie jest dowolnym tekstem: model oczekuje ustrukturyzowanego opisu stanu świata, a repozytorium dostarcza skill prompt-rewritera z walidatorem, który egzekwuje miękki limit 1480 tokenów i twardą pojemność 1536 względem budżetu enkodera tekstu.

Ten ostatni szczegół decyduje o większości ocen. Nie można wpisać życzenia do PAN 2 i dostać wideo. Trzeba opisać zdarzenia po kolei, przypisać działania do aktorów i określić ruch kamery, a karta modelu wyraźnie mówi, że studia przypadków agentów opierały się na ręcznie dopracowanych promptach. G​emma 4 12B chętnie przyjmie akapit prozy i za pierwszym razem zwróci coś użytecznego. Jeśli chcesz wiedzieć, jak PAN 2 sprawdza się w praktyce, uczciwa odpowiedź brzmi: sprawia wrażenie modelu z kontraktem interfejsu, a nie okna czatu.

Gdzie oba należą do tego samego systemu

Powód, dla którego to porównanie wciąż powraca, jest taki, że praca agentów wymaga teraz obu połówek. Agent, który planuje w tekście i działa w rzeczywistym środowisku, potrzebuje modelu rozumującego, by zdecydować, co zrobić, a coraz częściej także symulatora, by podejrzeć, jak wyglądałoby wykonanie tego. G​emma 4 12B może być modelem rozumującym — jest wystarczająco mała, by można ją było umieścić razem z resztą stosu, obsługuje obrazy i dźwięk jako dane wejściowe, a jej wyniki w zakresie podążania za instrukcjami i korzystania z narzędzi są sednem tego modelu. PAN 2 może być symulatorem, a jego własna architektura zakłada, że coś takiego jak G​emma już znajduje się w pętli: pojęciowy model rozumujący jest definiowany jako dowolny językowy model podążający za instrukcjami, a raport szereguje cztery z nich według tego, jak często symulowany plan jest realizowany od początku do końca — Claude Opus 5.5 pierwszy, potem GPT-6 Astra przy średnim wysiłku, następnie Kimi K3, a potem Qwen3.8-Flash.

Jeśli taki jest kształt Twojego systemu, to wcale nie chodzi o zestawienie PAN 2 kontra G​emma 4 12B. To PAN 2 plus moduł rozumujący, a wybór modułu rozumującego jest tym, od czego tak naprawdę zależą koszty i zmienność jakości.

To miejsce, w którym router wykonuje prawdziwą pracę, a nie pracę marketingową. Połowa symulacyjna musi działać na Twoich własnych GPU — nikt nie hostuje PAN 2, w tym MBZUAI — ale połowa odpowiedzialna za rozumowanie może być rozliczanym wywołaniem API, a przełączanie się między Claude Opus 5.5, GPT-6 Astra i Qwen3.8-Flash, aby znaleźć ten, który najczęściej realizuje Twoje plany, to kwestia routingu, a nie zakupów. Qwen3.8-Flash jest dostępny w OrcaRouter, więc możesz porównać trzy planery z własnym wdrożeniem PAN 2 za pomocą jednego klucza API z automatycznym przełączaniem awaryjnym, w cenie katalogowej dostawcy z 0% marży przekazywanej dalej. OrcaRouter nie hostuje PAN 2 i nie może go routować. Może utrzymać tanią połowę potoku elastyczną, podczas gdy droga połowa pozostaje przypięta do sprzętu.

Co zmieniłoby to porównanie

Dwie rzeczy, z których żadna nie istnieje 11 listopada 2026 r. Po pierwsze, niezależna ocena PAN 2 dokonana przez kogoś, kto nie jest jego autorem — do tego czasu jej twierdzenia dotyczące możliwości są danymi zgłaszanymi przez dostawcę i tak należy je odczytywać. Po drugie, hostowany punkt końcowy lub prawdziwa nota wydania dla PAN 2 — jedyny post na koncie laboratorium na X nie jest czymś takim — co zamieniłoby decyzję o samodzielnym hostowaniu w porównanie cen i sprawiło, że sekcja wdrożeniowa tej strony stałaby się przestarzała z dnia na dzień.

Gemma 4 12B nie potrzebuje ani jednego, ani drugiego. To wydany, udokumentowany i szeroko wdrożony model z ponad 1,8 mln miesięcznych pobrań na Hugging Face, a jego tabela ewaluacji była przez miesiące używana przez społeczność do znajdowania słabych punktów. Ryzyko związane z jego przyjęciem jest bliskie zeru. Ryzyko przyjęcia PAN 2 polega na tym, że spędzasz tydzień na infrastrukturze dla modelu, którego sekcja ograniczeń mówi, że około dwa z trzech symulowanych planów zawierają co najmniej jeden krok, który nie jest wykonywany. To zdanie nie jest powodem, by go pomijać. To powód, by wiedzieć, co kupujesz, zanim wynajmiesz GPU.

Jak wybrać

Jeśli potrzebujesz zrozumienia i odpowiedzi na tekst, obrazy lub dźwięk, PAN 2 nie jest kandydatem i żadna ilość budżetu GPU tego nie zmieni. Wybierz G​emma 4 12B lub jeden z większych wariantów G​emma 4, jeśli liczby 12B nie wystarczą. Jeśli potrzebujesz zobaczyć, jak będzie wyglądać działanie, zanim je podejmiesz — manipulacja robotyczna, symulacja zadań egocentrycznych, ocena rozumowania fizycznego — G​emma 4 12B również tego nie potrafi, a PAN 2 jest jednym z niewielu modeli o otwartych wagach, które próbują. Jeśli potrzebujesz agenta, który robi jedno i drugie, odpowiedzią jest stos, a nie model, a ciekawa inżynieria tkwi w interfejsie między nimi: ustrukturyzowany format opisu, którego wymaga PAN 2, to dokładnie ten artefakt, którego rozumujący model taki jak G​emma 4 12B musiałby się nauczyć tworzyć.