PAN 2 vs Genie 4: Oba umieszczają model językowy w pętli, a tylko jeden go nazywa

Dwa najciekawsze modele świata z końca 2026 roku są zbudowane w ten sam sposób i żadna z tych firm nie wysuwa tego na pierwszy plan. PAN 2 to mający 29 miliardów parametrów model świata z otwartymi wagami od Institute of Foundation Models, opublikowany jako checkpoint na licencji Apache-2.0 7 października 2026 r., a kod inferencji i treningu ukazał się 5 listopada, wraz ze wsparciem serwowania Day-0 w vLLM-Omni 10 listopada. Genie 4 to interaktywny model świata czasu rzeczywistego od Google DeepMind, ogłoszony 27 października 2026 r., który generuje możliwą do eksploracji scenę na podstawie opisu tekstowego i pozwala sterować nią za pomocą klawiatury, podczas gdy równolegle odtwarzane jest natywne audio. Postaw je obok siebie, a oczekiwany kontrast — otwarte wagi kontra podgląd badawczy, dwadzieścia sekund wideo kontra sesja na żywo — jest prawdziwy, ale nudny. Ciekawe jest to, że oba delegują myślenie do modelu językowego, a tylko PAN 2 mówi, który to model językowy, i pozwala go zmienić.

Ta pojedyncza różnica w ujawnieniu informacji jest warta więcej niż tabela wyników benchmarków, ponieważ decyduje o tym, czy w ogóle możesz rozumować o systemie. Model świata z nienazwaną częścią rozumującą jest produktem. Model świata z nazwaną, wymienną częścią rozumującą jest architekturą.

Wspólna forma: silnik wnioskujący pisze przyszłość, renderer ją rysuje

PAN 2 implementuje Generatywną predykcję latentną, wzorzec sformalizowany w Krytyce modeli świata (arXiv 2507.05169). Rozumujący pojęciowo — dowolny model językowy wykonujący instrukcje — odczytuje bieżącą obserwację i żądane działania, a następnie zapisuje następny stan świata jako ustrukturyzowany, osadzony w czasie opis: zdarzenia w kolejności, każda akcja przypisana do wykonującego ją aktora, plus ruch kamery. Zamrożony enkoder tekstowy Qwen3.5-9B przekształca ten opis w cechy warunkujące. Multimodalny transformator dyfuzyjny 29B, wytrenowany od zera na setkach milionów filmów z adnotacjami, uzupełnia szczegóły percepcyjne, których opis nie określa, a VAE Wan 2.2 dekoduje wynik do klatek.

Opublikowany przez Google opis Genie 4 przedstawia ten sam podział pracy pod innymi nazwami produktów. Gemini Omni osadza symulację w realistycznym wyglądzie i zachowaniu; inne modele Gemini dostarczają rozumowania na rzecz spójności i ciągłości; a Gemini 3.8 Flash działa jako agent prowadzący, który obserwuje scenę, planuje kroki i sprawdza postępy. Ta ostatnia rola to weryfikator w pętli — model językowy obserwujący model świata i utrzymujący go na właściwym zadaniu. Google połączył także Genie 4 z Gemini 4 Argon do wieloetapowej symulacji robotyki, w tym demonstracji humanoida Apptronik Apollo grającego w warcaby.

Zatem w obu stosach piksele są tanią, szybką połową, a model językowy — połową, która decyduje, co powinno się wydarzyć. Taki kształt przybrała ta dziedzina w 2026 roku, nie ogłaszając tego: model świata nie jest generatorem wideo z priorem fizycznym, lecz planistą plus rendererem, a planista to zwykły model tekstowy, który można by rozliczać.

Ta zbieżność jest powodem, dla którego luka w ujawnianiu informacji ma znaczenie. IFM uszeregował cztery planery według tego, jak często symulowany plan jest realizowany od początku do końca — Claude Opus 5.5 na pierwszym miejscu, GPT-6 Astra przy średnim wysiłku na drugim, Kimi K3 na trzecim, Qwen3.8-Flash na czwartym — i opublikował ten ranking wraz z narzędziem testowym, które go wygenerowało, stwierdzając jednocześnie, że moduł rozumowania koncepcyjnego jest z definicji wymienny. Google wymienił Gemini 3.8 Flash w pętli, co jest więcej, niż mówi większość laboratoriów, i nie opublikował nic na temat tego, jak go zastąpić, jak wycenić go osobno ani jak zmierzyć, czy inny model planowałby lepiej.

Dwadzieścia sekund w partii lub sesja, którą sterujesz

Modele interakcji są przeciwne i tu właśnie oba przestają być porównywalne, a zaczynają być różnymi narzędziami.

• Dane wyjściowe — PAN 2 zwraca do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę na każde wywołanie; Genie 4 zwraca trwałą scenę na żywo, której rozdzielczości, liczby klatek na sekundę ani czasu trwania Google nie opublikował.

• Sterowanie — PAN 2 przyjmuje jedną klatkę początkową oraz ustrukturyzowany opis akcji dopracowany przez umiejętność przepisywania promptów; Genie 4 przyjmuje prompt tekstowy, a następnie ciągły sygnał z klawiatury sterujący ruchem i kamerą.

• Dźwięk — PAN 2 nie oferuje żadnego; Genie 4 generuje dźwięki otoczenia, muzykopodobne audio oraz interaktywny dialog postaci równolegle z obrazem, co Google określa jako pierwsze takie rozwiązanie w modelu świata działającym w czasie rzeczywistym.

• Zachowanie wsadowe — PAN 2 to wyrocznia wsadowa: jedno wywołanie, jeden klip, brak sprzężenia zwrotnego w obrębie wywołania; Genie 4 to zamknięta pętla, w której twoje dane wejściowe w trzeciej sekundzie zmieniają czwartą sekundę.

• Koszt — udokumentowana domyślna konfiguracja PAN 2 to osiem H200 w BF16, a według receptury vLLM trzynaście sekund wideo 704×1248 zajmuje około 119 sekund na czterech B300; Genie 4 nie ma ceny, ponieważ nie ma dostępu samoobsługowego.

• Dostęp — wagi PAN 2 to 86,17 gigabajta w sześćdziesięciu plikach na licencji Apache-2.0, bez ograniczeń dostępu; Genie 4 to badawcza wersja zapoznawcza dla zaufanych testerów, z deklarowaną ścieżką dla subskrybentów AI Ultra przez listę oczekujących oraz dla partnerów z wczesnym dostępem przez Gemini API i Google AI Studio.

Przeczytaj tę listę, a praktyczna odpowiedź rozdziela się klarownie. Jeśli chcesz tysiące razy zapytać „co się stanie, jeśli” i ocenić odpowiedzi, PAN 2 jest jedynym z tych dwóch, który można wywołać w pętli, którą kontrolujesz. Jeśli chcesz eksplorować, sterować i słuchać, Genie 4 jest jedynym z tych dwóch, który w ogóle oferuje jakieś miejsce — i prawdopodobnie nie możesz jeszcze wejść.

Karta specyfikacji, której Google nie opublikował

Najbardziej uderzające w zapowiedzi Genie 4 jest to, jak długa jest lista rzeczy, których w niej brakuje: brak rozdzielczości, brak liczby klatek na sekundę, brak liczby parametrów, brak ceny, brak zmierzonego czasu utrzymywania spójności sceny, brak testu porównawczego z nazwanymi punktami odniesienia. To, co Google faktycznie opublikowało, to zestaw przyznań — spójność utrzymuje się przez krótkie sesje, a szczegóły wizualne i trwałość obiektów mogą się zmieniać podczas dłuższych przebiegów, po złożonych edycjach lub podczas nawigacji. Złożone interakcje fizyczne, dokładność dźwięku, czytelny tekst w świecie, dokładność przestrzenna i długoterminowa spójność są wymienione jako otwarte problemy badawcze. Każde wyjście nosi znak wodny SynthID.

Nic z tego nie jest wymijające. To uczciwy kształt podglądu badawczego, a wymienienie dryfu jako otwartego problemu to więcej, niż robi większość tekstów premierowych. Ale oznacza to, że czytelnik nie może niczego obliczyć na podstawie Genie 4: ani klipów na dolara, ani sekund na GPU, ani czasu, po którym scena przestaje być użyteczna. Jedyna liczba, której nabywca chciałby najbardziej — jak długo sesja pozostaje spójna — to ta, którą ogłoszenie opisuje jakościowo, ale jej nie kwantyfikuje.

PAN 2 odpowiada na to samo pytanie liczbą, która jest gorsza, a przez to bardziej użyteczna. W jego karcie modelu stwierdza się, że około dwa na trzy symulowane plany zawierają co najmniej jeden krok, który nie jest wykonywany. Mówi się w niej, że w długich interakcjach wygląd zmienia się między klipami, ponieważ każdy klip jest symulowany na podstawie co najwyżej jednej klatki początkowej plus tekstu, i wskazuje się pamięć percepcyjną jako brakujący element, zamiast twierdzić, że problem został rozwiązany. Przyznaje się, że tekst dobrze wyraża „otwórz szufladę”, a słabo „umieść każdy palec tutaj”, co ogranicza manipulację zręczną. Podaje się konkretny przykład skrótu — makaron pojawiający się w durszlaku przed odcedzeniem — i przyznaje się, że symulowanie planów, które powinny się nie udać, według słów karty nie zostało jeszcze zmierzone.

To ostatnie przyznanie powinno trafić razem z każdym modelem świata do specyfikacji produktu. Symulator, który potrafi przedstawiać wyłącznie sukcesy, jest generatorem prawdopodobnych wyników, a nie filtrem tych złych, a cała przesłanka rozumowania symulacyjnego — symuluj kilka kandydujących planów, porównuj je, działaj na podstawie najlepszego — zależy od tego, czy model potrafi pokazać ci plan, który zawodzi. PAN 2 mówi wprost, że nie został pod tym kątem przetestowany. Genie 4 nie mówi nic w żadną stronę.

Failover nie jest funkcją żadnego z tych dwóch modeli, a to jest funkcja, której potrzebujesz.

Oba te systemy to artefakty badawcze skierowane na problem, który rozwiążą zespoły z produkcyjnymi terminami, a właśnie w luce między tymi dwiema rzeczami warstwa routingu znajduje swoje uzasadnienie. Połowa stosu PAN 2 odpowiedzialna za renderer to Twój sprzęt i zawsze nią będzie — OrcaRouter nie hostuje PAN 2 i nie może jej routować, a żaden katalog nie potrafi routować transformera dyfuzyjnego o 29 miliardach parametrów, który uruchamiasz na własnym węźle. Routowalna jest ta połowa, która decyduje, co symulować, ponieważ ta połowa to zwykła rozliczana praca tekstowa.

Wszyscy czterej planiści, których sklasyfikował IFM, znajdują się w katalogu OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3 i Qwen3.8-Flash. Dzięki temu slot rozumowania jest tą częścią pipeline'u PAN 2, którą można przetestować jeszcze dziś po południu, bez wynajmowania węzła GPU — wystarczy skierować prompt-rewriter do każdego z nich przez jeden klucz, utrzymać stałą połowę dyfuzyjną i policzyć, jak często Twoje plany przetrwają. Cennik dostawców jest przekazywany bez marży (0%), więc porównanie kosztów opiera się na stawkach samych dostawców, a nie na naszych, a automatyczne przełączanie awaryjne pochłania chwilowe problemy dostawcy w trakcie sweepu, zamiast przerywać cały przebieg.

Ta sama ścieżka obejmuje stronę Genie 4, choć w wąskim zakresie. Gemini 3.8 Flash to model, który Google opisuje jako agenta prowadzącego w pętli Genie 4, i jest wywoływalny przez ten sam katalog. Nie możesz dostać Genie 4. Możesz zbudować tę część architektury, którą Google faktycznie opisał — model zdolny do analizy obrazu, obserwujący generowane klatki, planujący kolejne kroki i sprawdzający postępy — i skierować go na model świata, który posiadasz. To nie jest ten sam produkt. To ta sama warstwa sterowania i to w niej faktycznie mieści się większość pracy inżynierskiej.

Miej świadomość, ile warte jest powyższe zestawienie: kolejność IFM została zmierzona na zadaniach IFM, w środowisku testowym IFM, względem własnych punktów odniesienia IFM i nikt jej nie odtworzył. To lista skrócona, a nie tabela liderów. Przepuszczenie własnych promptów przez czterech kandydatów to kilka godzin pracy i jedyny dowód, który odnosi się do Twojego problemu.

Inną liczbą, którą warto uwzględnić w każdym budżecie, jest liczba dotycząca serwowania. Pięćdziesiąt kroków sampler-a przy flow shift równym 9 i guidance wynoszącym 2,5 na każdym kroku oznacza sto przebiegów forward przez transformer 29B na klip, dlatego guidance musi być zrównoleglone między rangami, zamiast być wykonywane sekwencyjnie. Planer, który ocenia pięć działań kandydujących na krok w zadaniu dziesięciokrokowym, wymaga pięćdziesięciu klipów, co przy opublikowanej konfiguracji four-B300 oznacza węzeł zajęty przez większą część dwóch godzin, zanim z wyniku uda się cokolwiek wywnioskować. Rozumowanie symulacyjne nie jest kosztowne dlatego, że model jest duży. Jest kosztowne dlatego, że idea jest pętlą.

Wyjście, kontrola i to, czego każde z nich odmawia powiedzieć o czasie trwania

Porównanie opiera się na sześciu wymiarach, a cztery z nich wcale nie dotyczą jakości.

• Dane wyjściowe — PAN 2 zwraca do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę na każde wywołanie; Genie 4 zwraca trwałą scenę na żywo, której rozdzielczości, liczby klatek na sekundę ani czasu trwania Google nie opublikował.

• Sterowanie — PAN 2 przyjmuje jedną klatkę początkową oraz ustrukturyzowany opis akcji dopracowany przez umiejętność przepisywania promptów; Genie 4 przyjmuje prompt tekstowy, a następnie ciągły sygnał z klawiatury sterujący ruchem i kamerą.

• Dźwięk — PAN 2 nie oferuje żadnego; Genie 4 generuje dźwięki otoczenia, muzykopodobne audio oraz interaktywny dialog postaci równolegle z obrazem, co Google określa jako pierwsze takie rozwiązanie w modelu świata działającym w czasie rzeczywistym.

• Zachowanie pętli — PAN 2 to wsadowa wyrocznia bez sprzężenia zwrotnego w obrębie wywołania; Genie 4 to zamknięta pętla, w której dane wejściowe podane w trzeciej sekundzie zmieniają czwartą sekundę.

• Podstawa kosztowa — udokumentowane ustawienie domyślne PAN 2 to osiem H200 w BF16, a według przepisu trzynaście sekund wideo 704×1248 zajmuje około 119 sekund na czterech B300; Genie 4 nie ma ceny, ponieważ nie ma dostępu samoobsługowego.

• Dostęp — wagi PAN 2 to 86,17 gigabajta w sześćdziesięciu plikach na licencji Apache-2.0, bez ograniczeń dostępu; Genie 4 to badawcza wersja zapoznawcza dla zaufanych testerów, z deklarowaną ścieżką dla subskrybentów AI Ultra przez listę oczekujących oraz dla partnerów z wczesnym dostępem przez Gemini API i Google AI Studio.

Wiersz czasu trwania jest tym, który decyduje o większości realnych decyzji, i zarazem tym, w którym te dwa rozwiązania są najmniej porównywalne. PAN 2 daje dokładnie dwadzieścia sekund i mówi, że dryfuje między klipami, ponieważ każdy z nich jest symulowany z co najwyżej jednej klatki początkowej plus tekstu. Genie 4 daje sesję o nieokreślonej długości, przyznaje, że spójność utrzymuje się tylko w krótkich sesjach, i nazywa długoterminową spójność otwartym problemem badawczym. Żaden z nich nie poda czasu trwania, przy którym wynik przestaje być wiarygodny, a ta liczba — nie wynik benchmarku — jest tym, czego pipeline naprawdę potrzebuje.

Co sprawiłoby, że byłoby to prawdziwym porównaniem?

{{1}}Jedna rzecz: wspólne zadanie.{{/1}} Nikt nie uruchomił PAN 2 i Genie 4 na tym samym pytaniu i nie jest oczywiste, że mogłyby — jeden tworzy klipy o stałej długości na podstawie opisu, drugi tworzy interaktywną sesję na podstawie polecenia i klawiatury. Najbliższym odpowiednikiem wspólnej miary byłoby przestrzeganie działań w ramach opisanego planu, a tylko PAN 2 opublikował do tego środowisko testowe: 300 przypadków jednodziałaniowych w sześciu kategoriach możliwości, 100 zadań wieloetapowych sformułowanych jako 200 poleceń i 456 kroków, ocenianych pod kątem ukończenia kroków i ukończenia całego planu na trzech ziarnach losowych. Trzynaścioro recenzentów uzyskało wskaźniki preferencji ludzi dla 140 poleceń w zaślepionym badaniu porównań parami, oceniając model autorów względem modeli bazowych autorów. To nie jest niezależne. Jest przejrzyste, co w tej sytuacji jest drugą najlepszą opcją, i to więcej, niż oferuje druga strona.

Zatem wybór, ujęty tak jasno, jak tylko pozwalają na to dowody. Jeśli potrzebujesz modelu świata, który możesz pobrać, zaudytować, dostroić i odpytywać wsadowo — a przy tym posiadasz lub możesz wynająć węzeł z wieloma GPU — PAN 2 jest najpełniejszym otwartym wydaniem w tej kategorii, a jego własna sekcja ograniczeń to najcenniejsza strona w całym wydaniu. Jeśli potrzebujesz świata, po którym człowiek może się poruszać, z dźwiękiem, i jesteś gotów czekać na listę oczekujących oraz budować w oparciu o API, które nie ma daty ani ceny, Genie 4 jest bardziej imponującym systemem i tym, za którym stoi ścieżka dystrybucji.

Błędem, którego należy unikać, jest traktowanie jednego z nich jako zamiennika drugiego. Wszechstronność Genie 4 nie jest dowodem, że potrafi on ocenić jakość planu; możliwe do pobrania wagi PAN 2 nie są dowodem, że potrafi utrzymać spójność sceny podczas sterowania. To, co je naprawdę łączy, to architektura, do której obie firmy doszły niezależnie — model językowy decyduje, model dyfuzyjny rysuje — oraz fakt, że w 2026 roku wciąż można zobaczyć wnętrze tylko jednego z nich.