O PAN 2 teve um caminho de serviço antes de receber um anúncio

Às 16:03 UTC de 10 de novembro de 2026, um pull request que adicionava suporte Day-0 para geração de texto para vídeo e de imagem para vídeo do PAN 2 terminou de ser mesclado no vLLM-Omni. Às 20:55 UTC do mesmo dia, um segundo pull request adicionou a página de receita que explica como servi-lo. O PAN 2 é um transformer de difusão de vídeo com 29 bilhões de parâmetros do Institute of Foundation Models da MBZUAI, e o motivo de esses dois merges serem a história é a ordem em que chegaram. O repositório no Hugging Face data de 7 de outubro de 2026, e o repositório no GitHub, de 5 de novembro, portanto, por cinco semanas, o único vestígio público do modelo foram os metadados do repositório. A primeira declaração oficial que consigo encontrar é uma única postagem na conta X do próprio laboratório, @IFM_AI, com carimbo de 17:00 UTC de 10 de novembro — cinquenta e seis minutos após o merge no vLLM-Omni e quase quatro horas antes da página de receita. Ela diz "Apresentando o PAN 2: um modelo de mundo de fundação aberto para inteligência física", traz um vídeo e não tem links além dela mesma. Nenhuma entrada de blog, nenhuma URL de artigo, nenhum endpoint hospedado, nenhuma página de preços, nenhum comunicado à imprensa. Portanto, o caminho de serving realmente precedeu o anúncio, e o anúncio, quando veio, foi menor do que o merge: algumas centenas de curtidas e um par de parágrafos. O que existe é 86,17 GB de checkpoint Apache-2.0, uma integração com framework e um tweet.

O que realmente foi entregue, e em que ordem

Quatro coisas distintas aconteceram, e confundi-las é o que faz uma publicação discreta ser tomada por um lançamento.

• Os pesos — IFM/PAN2 no Hugging Face, repositório criado em 7 de outubro de 2026 às 23:42 UTC, modificado pela última vez em 9 de novembro de 2026 às 21:52 UTC com um commit que adiciona suporte ao verificador de segurança como componente de pipeline modular do Diffusers. Sessenta ficheiros, 86,17 GB, sem restrições de acesso, Apache-2.0.

• O código — github.com/ifm-ai/PAN2, criado em 5 de novembro de 2026, com um único commit enviado às 20:13 UTC desse dia. Não é um despejo de pesquisa com um README morto: há scripts de inferência, versões fixadas de ambiente, configurações de treinamento, uma skill de reescrita de prompt e documentação para implantação, treinamento e inferência.

• O caminho de serving — PR #8602 do vLLM-Omni para suporte Day-0 a texto para vídeo e imagem para vídeo, mesclado em 10 de novembro às 16:03 UTC, e o PR #10126 da receita vLLM, mesclado na mesma noite às 20:55 UTC.

• A declaração — @IFM_AI no X, 10 de novembro às 17:00 UTC: "Apresentando o PAN 2: um modelo de mundo de base aberto para inteligência física." Dois parágrafos, um vídeo, nenhum link para uma publicação, um artigo ou uma página.

Essa sequência é incomum, e o anúncio é o elemento que a torna mais estranha em vez de mais normal. Normalmente, um laboratório anuncia, publica os pesos, e o suporte de frameworks chega aos poucos nas semanas seguintes enquanto os usuários abrem issues. Aqui, o merge do framework veio primeiro, o anúncio veio cinquenta e seis minutos depois, e a receita veio quatro horas depois disso. O artefato público mais substancial na curta vida do modelo ainda é um pull request, o que diz algo sobre como este lançamento foi conduzido: como uma disponibilização de artefato para pessoas que leem repositórios, com uma postagem em rede social acrescentada quase como uma reflexão tardia.

O que o repositório vai lhe dizer

Mais do que na maioria dos posts de lançamento. O PAN 2 é um modelo de mundo, não um gerador de vídeo com inclinação cinematográfica — a distinção é arquitetural, não retórica. Ele implementa o padrão Generative Latent Prediction descrito em Crítica dos Modelos de Mundo (arXiv 2507.05169) e divide o trabalho em dois. Um raciocinador conceitual, que é qualquer modelo de linguagem capaz de seguir instruções, lê a observação e as ações solicitadas e escreve o próximo estado do mundo como uma legenda estruturada e ancorada no tempo: eventos em ordem, ações vinculadas a atores, movimento de câmera. Um codificador de texto congelado mapeia essa legenda para recursos de condicionamento. Em seguida, um transformer de difusão multimodal de 29B, treinado do zero com centenas de milhões de vídeos anotados no mesmo formato, prevê o detalhe perceptual que a legenda deixa em aberto. Um VAE Wan 2.2 decodifica os latentes, e o que você obtém é um vídeo de até 20 segundos em 704×1248 e 24 quadros por segundo.

A configuração publicada é específica o suficiente para estimar custos. A configuração do transformer lista 44 camadas, 32 cabeças de atenção com 128 dimensões cada, um tamanho de patch de 1×2×2, 97 canais de entrada e 48 canais de saída. O sampler padrão é de 50 etapas com um deslocamento de fluxo de 9 e orientação livre de classificador de 2,5 em cada etapa. O comprimento padrão é de 241 quadros, cerca de dez segundos; o limite máximo é de 481 quadros. O codificador de texto é o Qwen3.5-9B, congelado e não modificado, e o VAE é o do Wan 2.2. Ambos são baixados de seus próprios repositórios — a MBZUAI não os redistribui, e a ficha do modelo faz questão de dizer isso.

Há também uma skill prompt-rewriter incluída no repositório, com um prompt de sistema, um prompt negativo fixo e um validador que verifica as legendas em relação ao orçamento de tokens do codificador de texto: um limite flexível de 1.480 tokens e uma capacidade máxima de 1.536. Esse é o artefato único mais útil do pacote. Ele mostra que o modelo não lida realmente bem com texto livre e que a equipe sabe disso.

O que não lhe dirá

Quase tudo o que um comprador perguntaria. Não há preço, porque não há API. Não há endpoint hospedado da MBZUAI. Não há benchmark independente: os números na ficha do modelo são da própria equipe, medidos no próprio harness, e a ficha é excepcionalmente franca sobre as condições — Physics-IQ Verified normalizado de modo que a variância entre duas tomadas reais seja igual a 100, PhyGround pontuado numa escala de cinco pontos pelo Qwen3.8-27B, RBench como uma média não ponderada de cinco categorias de tarefas e quatro de incorporação. São escolhas defensáveis, e nenhuma delas é verificação de terceiros.

A avaliação humana é a evidência mais forte do lançamento e também a mais limitada. Preferência pareada cega em 140 prompts — 90 de texto para vídeo, 50 de imagem para vídeo — julgada quanto à aderência à ação, à física e à consistência do mundo por 13 revisores em 1.400 comparações, com Elo ajustado por Bradley–Terry e centrado em 1500. Treze revisores é um painel pequeno, e eles estavam avaliando o próprio modelo da equipe contra baselines. É mais do que a maioria dos laboratórios publica. Não é um ranking.

E a seção de limitações é mais direta do que a norma do gênero: cerca de dois em cada três planos simulados contêm pelo menos uma etapa que não é executada. Essa única frase é o número mais importante do lançamento, e é justamente a que um post de lançamento teria enterrado.

A cifra de throughput na receita é o que realmente importa

O suporte a frameworks importa por causa do que a receita afirma, não porque um logo foi adicionado. A página da receita do vLLM declara que o PAN 2 gera 13 segundos de vídeo 704×1248 em aproximadamente 119 segundos em quatro GPUs B300, usando paralelismo de classifier-free-guidance entre dois ranks e paralelismo de sequência Ulysses entre dois. A configuração padrão é oito H200s em BF16, e o comando serve documentado adiciona paralelismo de patch VAE entre quatro ranks no modo tile — um detalhe que só importa porque decodificar um clipe de 20 segundos em 704×1248 é um problema de memória por si só.

Leia esses números em relação às configurações do amostrador. Cinquenta passos com guidance em cada passo significam cem passagens forward por um transformer de 29B a cada clipe. É por isso que o guia executa a guidance em paralelo, e não sequencialmente. É também por isso que a questão prática sobre o PAN 2 não é “quão bom ele é”, mas “quanto me custa um clipe”, e a resposta na própria receita do fornecedor é um nó de quatro GPUs por dois minutos a cada treze segundos de vídeo. Ninguém publicou uma configuração mais barata, e o padrão de oito H200 da receita sugere que a configuração de quatro B300 é um aperto, e não um piso confortável.

Se quiser experimentar, o planejador é a parte que você pode alugar.

O design de dois estágios do PAN 2 tem uma consequência prática estranha. A metade cara — o backbone de difusão de 29B — é a metade que você precisa hospedar por conta própria, porque ninguém a oferece como serviço e a MBZUAI não construiu uma. A metade barata, {{1}}o raciocinador conceitual que escreve a legenda estruturada do estado do mundo{{/1}}, é um modelo de texto comum e pode ser qualquer coisa que siga instruções.

É aí que um roteador conquista seu lugar. O relatório PAN 2 avalia quatro raciocinadores e os classifica pela conclusão do plano completo: Claude Opus 5.5 em primeiro, depois GPT-6 Astra com esforço médio, depois Kimi K3, depois Qwen3.8-Flash. O Qwen3.8-Flash está no OrcaRouter, então você pode operar o estágio de legendas do PAN 2 por meio de uma única chave de API com failover automático, em vez de subir um segundo modelo local ao lado da pilha de difusão, e pagar o preço de tabela do provedor com 0% de markup repassado. O renderizador permanece nas suas GPUs; o planejador não precisa.

Seja claro sobre o que isso é e o que não é. O OrcaRouter não hospeda o PAN 2 e não pode roteá-lo — não há nenhum PAN 2 hospedado em lugar algum para onde rotear. O que ele pode fazer é manter a metade de linguagem de um pipeline de modelo de mundo em uma API com cobrança por uso enquanto você dimensiona a metade de vídeo conforme o seu próprio hardware. Se você preferir executar ambos os estágios localmente, o repositório também oferece suporte a isso, e o script prompt-rewriter está incluído exatamente para esse caso.

O que contaria como um anúncio

Três coisas, em ordem crescente de importância. Uma postagem, um artigo ou uma página da IFM ou da MBZUAI que cite o PAN 2 e informe uma data de lançamento ou uma versão — o tweet de 10 de novembro cobriu a primeira metade disso, e não a segunda. Um endpoint de inferência hospedado, que tornaria possível comparar custos com modelos de vídeo fechados em vez de com aluguel de GPU. E um benchmark independente executado por alguém que não seja o autor do modelo — Physics-IQ, PhyGround ou RBench avaliados por um terceiro, com prompts que a equipe não escolheu.

Até que pelo menos o primeiro desses chegue por completo, a descrição honesta do PAN 2 é esta: um artefato de pesquisa Apache-2.0 com um caminho de serving funcional, um formato de prompt documentado, uma seção de limitações franca, uma publicação em rede social e nenhuma oferta comercial por trás. Isso é mais que um preprint e menos que um produto. A chegada do suporte do framework em 10 de novembro não o transformou em um lançamento. Tornou-o executável por pessoas que não querem aplicar um patch a um repositório para obter um primeiro frame.

Conclusão

O PAN 2 é o caso raro em que a engenharia está à frente da papelada. Se você está construindo simulação de agentes, avaliação de robótica ou pesquisa de raciocínio físico e tem um nó de quatro GPUs, os pesos estão lá, a receita está lá, e o design em dois estágios está documentado bem o suficiente para reproduzir. Se você precisa de um preço por clipe, um acordo de nível de serviço ou um fornecedor para contatar, nada disso existe ainda, e os merges de 10 de novembro não criaram isso. O modelo foi lançado discretamente, se é que "lançado" é mesmo a palavra para um repositório, um merge e um post de dois parágrafos. Se algum dia ele será anunciado no sentido que um comprador reconheceria é uma questão separada de se ele funciona, e apenas uma dessas tem resposta hoje.