PAN 2 sprawia, że „What If” da się oglądać — i mówi wprost, gdzie zawodzi.

Wrzuć truskawkę do miski, a już bez zastanowienia w przybliżeniu wiesz, jak podskoczy ciecz. PAN 2 to model świata od Institute of Foundation Models at MBZUAI, stworzony po to, by wiedzieć to samo i to pokazywać. Daj mu klatkę początkową, opisz akcję tekstem, a zwróci do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę, pokazującego, jaki wpływ ta akcja ma na scenę. Demonstracja, która obiegła internet 11 listopada 2026, jest najjaśniejszym wyjaśnieniem tego pomysłu, jakie ktokolwiek stworzył: zamień truskawkę na gumową kaczkę albo zmień ciecz, a rozbryzg zmieni się wraz z nimi, ponieważ model przewiduje fizyczną konsekwencję, a nie wyszukuje klip. Własne ogłoszenie IFM, opublikowane wieczorem dzień wcześniej, ujęło tę ideę w jednym zdaniu — „Model językowy przewiduje następne słowo. PAN 2 przewiduje następny świat: co dzieje się po każdej akcji, osadzone w czasie, fizyce i przestrzeni”.

To, co czyni z tego więcej niż slogan, to otoczka samego wydania. Wagi są objęte licencją Apache-2.0 i są dostępne na Hugging Face od 7 października 2026 r.: 86,17 gigabajta w sześćdziesięciu plikach, a kod wnioskowania pojawił się na GitHubie 5 listopada, zaś wsparcie serwowania Day-0 zostało dołączone do vLLM-Omni 10 listopada. Zatem pytanie, na które warto odpowiedzieć, nie brzmi już, czy PAN 2 istnieje ani kto może go dostać. Brzmi ono: co możliwy do pobrania symulator o 29 miliardach parametrów robi wystarczająco dobrze, by planować w oparciu o jego wyniki, a w jakich obszarach dokumentacja samego zespołu mówi, żeby na jego wynikach nie polegać.

Demo to dwuetapowy potok przetwarzania noszący nazwę jednego modelu.

Klip strawberry wygląda jak generowanie wideo z tekstu. Tak jednak nie jest, a ta różnica stanowi cały zamysł. PAN 2 implementuje wzorzec Generative Latent Prediction przedstawiony w Critique of World Models (arXiv 2507.05169), który dzieli predykcję na część rozumowania i część renderowania.

Połowa odpowiedzialna za rozumowanie to model językowy — dowolny model wykonujący instrukcje — który odczytuje obserwację wraz z żądanymi działaniami i zapisuje następny stan świata jako ustrukturyzowany, osadzony w czasie opis: zdarzenia w kolejności, każda akcja przypisana do wykonującego ją aktora, plus ruch kamery. Ten opis nie jest ozdobą. To rzeczywisty interfejs. Zamrożony enkoder tekstowy Qwen3.5-9B mapuje go na cechy warunkujące, a trenowany od podstaw na setkach milionów filmów oznaczonych w tym samym formacie 29B multimodalny transformator dyfuzyjny uzupełnia szczegóły percepcyjne, które opis pozostawia otwarte. VAE Wan 2.2 dekoduje latenty na klatki.

Co oznacza, że prawdziwa teza dema wcale nie dotyczy pikseli. Chodzi o to, że ustrukturyzowany opis działania jest wystarczającym sygnałem sterującym, aby symulator wytworzył fizycznie spójną konsekwencję — i że agent może dzięki temu zasymulować kilka kandydackich planów, porównać je i działać według najlepszego. To właśnie IFM nazywa rozumowaniem symulacyjnym i dlatego truskawka, kaczka i podmieniona ciecz to trzy przebiegi tego samego pytania, a nie trzy kawałki materiału wideo.

Praktyczna konsekwencja jest nieprzyjazna. Nie można wpisać życzenia do PAN 2 i otrzymać wideo. Repozytorium dostarcza umiejętność przepisywania promptów — prompt systemowy, stały prompt negatywny oraz walidator, który sprawdza opisy względem budżetu enkodera tekstu wynoszącego 1 480 tokenów w trybie miękkim i 1 536 w trybie twardym — a karta modelu mówi wprost, że studia przypadków agenta opierały się na ręcznie dopracowanych promptach. Tekst swobodny jest przepisywany, zanim zostanie użyty. To model z kontraktem interfejsu, a nie okno czatu.

Co raport mierzył i jakich słów używał

IFM opublikował więcej ewaluacji niż większość wydań modeli wideo i precyzyjniej oznaczył warunki niż większość. Wszystko to jest własną pracą zespołu na własnym harnessie zespołu, a karta modelu mówi o tym w sekcji, w której to ma znaczenie.

• Pojedyncze akcje — 300 przypadków testowych w sześciu kategoriach możliwości, 201 obraz-do-wideo i 99 tekst-do-wideo, dokładność podawana w procentach.

• Plany wieloetapowe — 100 egocentrycznych codziennych zadań sformułowanych na dwa sposoby, 200 poleceń i 456 kroków, ocenianych pod względem ukończenia kroków i ukończenia całego planu, uśrednionych po trzech ziarnach.

• Publiczne benchmarki — Physics-IQ Verified w ustawieniu image-to-video, znormalizowane tak, aby wariancja między dwoma rzeczywistymi ujęciami wynosiła 100; PhyGround w pięciopunktowej skali ocenianej przez Qwen3.8-27B; RBench jako średnia nieważona po pięciu kategoriach zadań i czterech kategoriach ucieleśnienia, pomnożona przez 100.

• Preferencje ludzkie — ślepe porównanie parami na 140 promptach, 90 text-to-video i 50 image-to-video, ocenianych pod kątem wierności akcji, fizyce i spójności świata przez 13 recenzentów w 1 400 porównaniach, z rankingiem Elo dopasowanym metodą Bradleya–Terry'ego i wyśrodkowanym na 1500.

Trzynastu recenzentów to niewielki panel, a oceniali model autorów na tle własnych punktów odniesienia autorów. To wciąż więcej dowodów, niż publikuje większość wydań w tej kategorii, a sposób przedstawienia jest wyjątkowo staranny: modele zamknięte w porównaniu wygenerowano jednorazowo przez zewnętrzne API inferencyjne, a karta wskazuje, które wiersze pochodzą z pojedynczego ziarna. To nie czyni liczb niezależnymi. Czyni je czytelnymi, co jest drugą najlepszą rzeczą.

Dwie minuty GPU na trzynaście sekund wideo

Liczba, która decyduje o tym, czy możesz używać PAN 2, nie jest wynikiem benchmarku. Jest nią ta z receptury vLLM, która mówi, że trzynaście sekund wideo 704×1248 zajmuje około 119 sekund na czterech GPU B300, przy czym classifier-free guidance jest rozdzielony między dwa ranki, a równoległość sekwencji Ulysses między dwa kolejne. Udokumentowany domyślny zestaw to osiem H200 w BF16, z dodatkową równoległością patchy VAE na cztery kafle, ponieważ dekodowanie dwudziestosekundowego klipu 704×1248 samo w sobie jest problemem pamięciowym.

Uruchom ustawienia samplera wobec tej liczby, a koszt staje się strukturalny, a nie uboczny. Pięćdziesiąt kroków przy flow shift równym 9, ze skalowaniem guidance 2,5 stosowanym na każdym kroku, oznacza sto przebiegów w przód przez transformer 29B dla każdego klipu. Dlatego guidance trzeba zrównoleglić, a nie uruchamiać sekwencyjnie, i dlatego uczciwe pytanie o PAN 2 nie brzmi „jak dobry jest?”, tylko „ile kosztuje mnie jedna symulacja i ilu symulacji wymaga plan”. Planer, który ocenia pięć kandydujących akcji na krok w dziesięciokrokowym zadaniu, prosi o pięćdziesiąt klipów. Przy własnej opublikowanej konfiguracji dostawcy oznacza to węzeł z czterema GPU zajęty przez większą część dwóch godzin, zanim z wyniku czegokolwiek się nauczono.

Planer jest tą tańszą połową, a IFM pozostawił go wymiennym.

Jedna część tego potoku nie wymaga klastra GPU, a raport wyraźnie stwierdza, że można ją podmienić. Konceptualny moduł wnioskowania zdefiniowano jako dowolny model językowy podążający za instrukcjami, a IFM uszeregował cztery z nich według tego, jak często symulowany plan przebiega od początku do końca: Claude Opus 5.5 zajął pierwsze miejsce, następnie GPT-6 Astra przy średnim wysiłku, potem Kimi K3, a na końcu Qwen3.8-Flash.

Wszystkie cztery te modele są w katalogu OrcaRouter, co sprawia, że slot reasonera jest jedynym elementem stosu PAN 2, dla którego można przeprowadzić benchmark bez wynajmowania czegokolwiek. Skieruj przepisywacz promptów na każdy z nich za pomocą jednego klucza API, a połowę odpowiedzialną za dyfuzję pozostaw przypiętą do własnego sprzętu i pozwól, by automatyczne przełączanie awaryjne pochłonęło chwilowe wahnięcie dostawcy w trakcie eksperymentu, zamiast przerywać przebieg; ceny to stawki cennikowe każdego dostawcy przekazywane z 0% marżą, więc zmiana ceny u dostawcy pojawia się w punkcie końcowym w dniu, w którym następuje, a nie po cyklu ponownego ustalania cen. OrcaRouter nie hostuje PAN 2 i nie może go routować — renderer pozostaje po Twojej stronie — ale ta połowa potoku, która decyduje, co symulować, to zwykła rozliczana praca tekstowa, i to właśnie ta połowa, w której jakość faktycznie zmienia się między uruchomieniami.

Warto powiedzieć wprost: powyższy ranking należy do IFM i został zmierzony na zadaniach IFM za pomocą środowiska testowego IFM. To rozsądny punkt wyjścia do stworzenia listy kandydatów. Nie zastępuje jednak przepuszczenia własnych promptów przez czterech kandydatów i policzenia, jak często Twoje plany przetrwają.

Sekcja ograniczeń jest najbardziej użyteczną stroną w wydaniu

Większość kart modeli swoje przyznania umieszcza w akapicie, którego nikt nie czyta. Karta PAN 2 podaje liczbę od razu: około dwa z trzech symulowanych planów zawierają co najmniej jeden krok, który nie zostaje wykonany. To jedno zdanie nadaje nowe znaczenie wszystkiemu powyżej. Symulator, który gubi krok w dwóch z trzech planów, to jeszcze nie coś, co wręczasz robotowi i odchodzisz — to coś, czego używasz do uszeregowania kandydatów na plany, których tryby awarii jesteś w stanie przetrwać, z kontrolerem w pętli.

Reszta listy jest równie konkretna i równie warta przyjęcia za dobrą monetę.

• Spójność w długim horyzoncie — każdy klip jest symulowany na podstawie co najwyżej jednej klatki początkowej i tekstu, więc wygląd dryfuje między klipami w długich interakcjach; karta wskazuje pamięć percepcyjną jako brakujący element, zamiast twierdzić, że problem został rozwiązany.

• Wrażliwość na prompt — sformułowanie obserwacji i akcji zmienia wynik, a przykłady spoza rozkładu treningowego wymagały ręcznie dopracowanych promptów.

• Zgrubne działania tekstowe — tekst dobrze wyraża „otwórz szufladę”, a słabo „umieść tutaj każdy palec”, co ogranicza zręczną manipulację.

• Skróty — symulacja może posuwać się naprzód, łamiąc prawa fizyki; przykładem podanym na samej karcie jest makaron pojawiający się w durszlaku, zanim zostanie odcedzony.

• Wierne odwzorowanie niepowodzeń pozostaje niezmierzone — badanie ilościowe obejmuje plany w otwartej pętli projektowane tak, aby się powiodły; to, jak dobrze PAN 2 symuluje plany, które powinny się nie udać, według słów z karty nie zostało jeszcze zmierzone. To luka o największym znaczeniu dla planowania, ponieważ symulator, który nie potrafi pokazać złego wyniku, nie jest jeszcze filtrem.

Guardrails są dostarczane jako osobne repozytorium, z dołączonymi numerami.

Inną rzeczą, którą zrobił IFM, a którą większość wydań wideo z otwartymi wagami pomija, jest opublikowanie zabezpieczenia razem z modelem, a nie akapitu zalecającego jego użycie. pan2-guardrail sprawdza żądanie za pomocą Qwen3Guard-Gen-4B przed generowaniem, a wygenerowane wideo — za pomocą klasyfikatora ramek Q16 po generowaniu; karta modelu raportuje zaś, jakie są tego koszty w obu kierunkach — szkodliwe żądania text-to-video dające niebezpieczne wyniki spadły z 33,9% do 1,5%, nie zaobserwowano niebezpiecznych wyników image-to-video, a 11,5% nieszkodliwych żądań text-to-video oraz 3,3% nieszkodliwych żądań image-to-video zostało zatrzymanych po drodze.

To wewnętrzne pomiary zespołu, a nie audyt, i odsetek fałszywych trafień to liczba, na którą trzeba patrzeć, jeśli zamierzasz uruchomić to na dużą skalę: bariera, która odrzuca jedną nieszkodliwą prośbę na dziewięć, jest ograniczeniem projektowym Twojego produktu, a nie przypisem. Uczciwie rzecz biorąc, to także taki rodzaj ujawnienia, który w ogóle pozwala podjąć tę decyzję.

Co sprawiłoby, że byłoby to czymś więcej niż imponującym demem?

Trzy rzeczy w rosnącej kolejności trudności. Badanie awarii: karta modelu przyznaje, że symulowanie planów, które powinny się nie powieść, nie jest mierzone, a dopóki ktoś tego nie opublikuje, PAN 2 jest generatorem prawdopodobnych sukcesów, a nie predyktorem konsekwencji. Niezależna ewaluacja: każda liczba dotycząca możliwości w tym artykule pochodzi z IFM, na stanowisku testowym IFM, przy czym w badaniu z udziałem ludzi wykorzystano trzynastoosobowy panel, i żadna strona trzecia nie odtworzyła żadnego z tych wyników. I tańsza ścieżka serwowania: opublikowana konfiguracja to węzeł z czterema GPU przez dwie minuty na każde trzynaście sekund, co jest w porządku w badaniach, ale brutalne dla pętli, którą faktycznie implikuje rozumowanie symulacyjne.

PAN 2 jest mimo to najpełniejszym w tym roku otwartym wydaniem modelu świata, a ta pełność jest tu sednem. Wagi, kod, przepis na uruchomienie, kontrakt promptu z budżetem tokenów, bariera ochronna z liczbami fałszywych alarmów oraz sekcja ograniczeń, która zaczyna się od wskaźnika awaryjności. Możesz nie zgadzać się co do jego gotowości dla robota, a mimo to użyć go w tym tygodniu, by zapytać, co się stanie, jeśli zmienisz ciecz — co jak na model, którego całą przesłanką jest to, że konsekwencje można zobaczyć wcześniej, jest uczciwym pierwszym testem.