PAN 2 vs ABot-Earth 0.7: Dois modelos de mundo, separados por um eixo

Ambos são chamados de modelos de mundo. Ambos foram lançados nos últimos dois meses de 2026. Ambos mostrarão a você um lugar onde você nunca esteve. E eles não são substitutos um do outro em nenhum sentido que importe para um comprador, porque o PAN 2 prevê o que acontece a seguir em uma cena ao longo dos vinte segundos seguintes, enquanto o ABot-Earth 0.7 gera uma cidade em escala quilométrica pela qual você pode caminhar pelo tempo que quiser. Um é um modelo de consequências. O outro é um modelo de lugares. Se você está escolhendo entre eles para um projeto, o primeiro passo honesto é perceber que a pergunta "qual é melhor" não tem resposta, e a pergunta útil — de qual deles seu pipeline realmente precisa, e se você consegue obtê-lo — tem.

A segunda questão é onde os dois divergem fortemente, e não é uma questão de gosto. O PAN 2 é distribuído como 86,17 gigabytes de pesos Apache-2.0 com suporte de serving integrado ao vLLM-Omni; você pode baixá-lo esta tarde e executá-lo nas suas próprias GPUs. O ABot-Earth 0.7 é um sistema de produção dentro do aplicativo de consumidor do Amap, sem API pública, sem pesos e com uma lista de permissões para seu recurso de geração. Um deles é um artefato que você pode segurar. O outro é uma demonstração que você pode assistir.

O que cada um emite, precisamente

PAN 2 recebe uma observação — um primeiro quadro opcional mais uma descrição textual — e um conjunto de ações descritas em texto, e retorna um MP4. Internamente, é uma máquina de dois estágios: um modelo de linguagem escreve uma legenda estruturada de estado do mundo ancorada no tempo, um codificador de texto congelado a mapeia para características de condicionamento, e um transformer de difusão multimodal de 29B renderiza até vinte segundos de vídeo 704×1248 a 24 quadros por segundo. A saída é curta, cara e específica: ela responde "o que esta ação faz com esta cena", e a resposta é limitada a vinte segundos porque cada clipe é simulado a partir de no máximo um quadro inicial.

O ABot-Earth 0.7 recebe uma imagem de satélite georreferenciada, ou um prompt de texto, e retorna uma cena de Gaussian Splatting 3D com estruturas hierárquicas de nível de detalhe, exportável para Unreal Engine e Unity. A Amap — braço de mapas da Alibaba — apresentou-o na sua gala Street Stars em Hangzhou, a 10 de setembro de 2026, promovendo-o como o primeiro modelo nativo de mundo urbano 3D e alegando cerca de dez minutos para gerar um ambiente à escala de um quilómetro numa única GPU de consumo. O resultado é um lugar, não um instante: você explora-o, não espera que ele se resolva.

Colocadas lado a lado, a forma da discrepância é óbvia.

• Saída — O PAN 2 retorna um MP4 de 20 segundos em 704×1248 e 24 fps; o ABot-Earth 0.7 retorna uma cena 3DGS com estruturas LOD, exportável para Unreal e Unity.

• Entrada — o PAN 2 recebe um primeiro quadro mais uma legenda de ação estruturada; o ABot-Earth 0.7 recebe uma imagem de satélite ou um prompt de texto.

• Horizonte temporal — o PAN 2 simula segundos à frente e, além disso, deriva entre clipes; o ABot-Earth 0.7 é estático no tempo, um instantâneo de um lugar que não evolui.

• Dispositivo — a configuração padrão de serviço documentada do PAN 2 é de oito H200s em BF16, com uma receita de quatro B300 para treze segundos em 119 segundos; alega-se que o ABot-Earth 0.7 roda em uma GPU de nível consumidor por um quilômetro em dez minutos.

• Acesso — o PAN 2 é Apache-2.0 no Hugging Face, sem restrições, com código no GitHub; o ABot-Earth 0.7 não tem pesos, nem API pública, e conta com um recurso de geração apenas por convite.

• Avaliação independente — nenhum dos dois tem. Ambos os conjuntos de números vêm dos laboratórios que criaram os modelos.

Tempo e espaço não são o mesmo eixo

A distinção por trás de tudo isso vale a pena ser dita porque muda aquilo para que cada modelo serve. A ABot-Earth estende uma cena pelo espaço: a partir de um único recorte de satélite, sintetiza os edifícios, as ruas e os interiores que você veria se voasse até lá, e mantém tudo consistente à medida que você passa da visão geral da cidade para o nível da rua. Sua promessa é cobertura e fidelidade em escala.

PAN 2 estende uma cena ao longo do tempo: a partir de um quadro e de uma ação descrita, prevê os quadros que se seguem, e o que ele tenta acertar é a cadeia causal — o respingo muda quando o objeto muda, porque a massa e a área de superfície mudaram, e o modelo aprendeu essa relação em vez de memorizar um respingo. O enquadramento da IFM é que um modelo de linguagem prevê a próxima palavra e o PAN 2 prevê o próximo mundo, e a demonstração que circulou em 11 de novembro de 2026 torna isso concreto: deixe cair um morango numa tigela, depois transforme-o num patinho de borracha, depois mude o líquido, e as três simulações diferem de formas que decorrem da física.

Uma aplicação que precisa de um raramente precisa do outro. Uma equipe de robótica que avalia preensões candidatas precisa do eixo do PAN 2. Um produto de mapeamento, uma implantação de gêmeo digital ou um estúdio de jogos construindo um ambiente precisa do eixo do ABot-Earth. A sobreposição é uma faixa estreita em que alguém quer colocar uma cidade gerada dentro de uma simulação e então animar o que acontece dentro dela — e, aí, os dois se comporiam em vez de competir, se a segunda metade estivesse disponível.

A comparação que realmente dói: você consegue executá-lo?

Em termos de capacidade, os dois são incomparáveis e ninguém tentou compará-los. Em termos de aquisição, são como o dia e a noite.

A história de acesso do PAN 2 é extraordinariamente completa para um lançamento de pesquisa. Os pesos foram disponibilizados em 7 de outubro de 2026 com um cartão de modelo, configurações e uma skill de reescrita de prompts; o repositório GitHub com scripts de inferência e treinamento veio em seguida, em 5 de novembro; o vLLM-Omni integrou suporte Day-0 a texto para vídeo e imagem para vídeo em 10 de novembro, e uma página de receita surgiu na mesma noite, documentando a configuração com quatro B300 e o padrão com oito H200. A IFM publicou seu anúncio no X às 17:00 UTC de 10 de novembro — cinquenta e seis minutos após a integração ao framework — com o texto "Apresentamos o PAN 2: um modelo de mundo fundacional aberto para inteligência física." Sem post de blog, sem link para paper, sem endpoint hospedado, sem preço. Mas o próprio modelo pode ser baixado, e a licença permite uso comercial.

A história de acesso do ABot-Earth 0.7 é o oposto. O site de experiência está no ar, mas a geração é somente por convite — a interface descreve a criação como em beta e oferece uma solicitação para lista de permissões. Não há preços publicados, nem tabela de tarifas, nem documentação para desenvolvedores descrevendo como um sistema externo o chamaria. O lançamento 0.5 em junho colocou um relatório técnico no arXiv e um repositório no GitHub, e esse repositório era um local para o relatório, não uma implementação; nada anunciado com o 0.7 sugere que os pesos foram abertos. O site também está inteiramente em chinês simplificado, sem seletor de idioma, então avaliá-lo em inglês significa trabalhar com os materiais de imprensa da Amap.

Para a maioria das equipes, isso encerra a comparação antes mesmo que a capacidade seja discutida. Um modelo que você não consegue chamar não é um candidato; é uma referência do que a categoria será quando se tornar acessível.

O que o Amap tem que o IFM não tem, e por que isso não se transfere

O motivo pelo qual o ABot-Earth 0.7 merece ser levado a sério, apesar do problema de acesso, é que ele não é uma demonstração de laboratório. Ele alimenta o Flying Street View 2.0, o recurso para consumidores que substituiu sobrevoos de rota fixa por espaço 3D livremente explorável, e a Amap diz que mais de 880 milhões de pessoas já usaram a superfície Street Stars na qual ele se baseia. Os testes estão em andamento para locais selecionados em cidades como Pequim e Hangzhou, com casos de uso que a empresa nomeia concretamente: verificar a linha de visão a partir de um assento específico de teatro, navegar pelo interior de um shopping center e avaliar o terreno antes de uma viagem.

Por trás disso está uma posição em dados que nenhum laboratório de modelos consegue copiar rapidamente — o Amap cita quase um bilhão de usuários ativos mensais, o Beidou tem picos diários de chamadas de posicionamento se aproximando de um trilhão, e décadas de dados espaçotemporais acumulados cobrindo redes viárias, pontos de interesse e tráfego ao vivo. A arquitetura 3DGS é um trabalho publicado. O corpus por trás dela não é.

Nada disso ajuda um desenvolvedor externo, e é justamente essa a parte que a cobertura de lançamento costuma contornar. Os números de destaque da Amap — dez minutos por quilômetro quadrado, até 1.000x mais rápido que a reconstrução tradicional a cerca de 1/100 do custo, mais de 196 países e regiões, uma saída 3DGS pronta para Unreal e Unity — são todos informados pelo fornecedor, nenhum reproduzido de forma independente, e entregues junto com uma lista de permissões em vez de um endpoint. A implementação para o consumidor é, em si, uma forma de prova de que o sistema funciona em escala. Não é prova de que você consegue executá-lo.

Onde cada um conquista seu lugar em uma build

Suponha por um momento que você pode obter ambos, já que é para essa situação que a categoria está caminhando. A divisão é clara.

PAN 2 é um filtro para ações candidatas. Seu design pressupõe um agente já no loop: o raciocinador conceitual é qualquer modelo de linguagem que segue instruções, e o IFM classificou quatro deles pela conclusão do plano completo — Claude Opus 5.5, GPT-6 Astra com esforço médio, Kimi K3, Qwen3.8-Flash — o que indica que a forma pretendida é um raciocinador propondo planos e um simulador renderizando suas consequências para que o raciocinador possa escolher um. O custo desse loop é aquilo em torno do qual se deve planejar, não a qualidade do vídeo: cinquenta etapas de sampler com guidance em cada etapa são cem forward passes por um transformer de 29B por clipe, e um plano de cinco candidatos e dez etapas são cinquenta clipes.

Esse slot de raciocinador é a única peça da pilha que não precisa de cluster de GPU, e todos os quatro modelos classificados da IFM estão no catálogo do OrcaRouter. Conduzir o reescritor de prompts por meio de uma única chave de API permite trocar planejadores por experimento em vez de por contrato, com failover automático absorvendo a degradação do provedor e preços de tabela do provedor repassados com 0% de margem, de modo que uma mudança de preço do fornecedor fica ativa no endpoint no dia em que acontece, e não após um ciclo de compras. O OrcaRouter não hospeda o PAN 2 e não pode roteá-lo — a metade de difusão fica no seu hardware —, mas a metade que decide o que simular é trabalho de texto comum tarifado, e é onde a variância entre execuções realmente reside.

A ABot-Earth é uma fábrica de ambientes. Sua produção natural é um lugar onde colocar coisas: um campo de treinamento para agentes incorporados, um gêmeo digital, dados sintéticos de direção, um palco para uma simulação. Se algum dia lançar uma API, o fluxo de trabalho que ela viabiliza é complementar ao do PAN 2, e não redundante — gerar o mundo uma vez e depois simular ações dentro dele —, e os formatos de exportação que a Amap já anuncia são o ponto de junção.

O que mudaria esta página

Para o ABot-Earth 0.7, uma coisa acima de tudo: uma API publicada com um preço. Esse único passo transforma uma lista de permissões num candidato e torna significativa a comparação de custos com a conta de GPU do PAN 2. Por trás disso há três incógnitas menores — se chega a aparecer um relatório técnico do 0.7, já que o 0.5 teve um em poucos dias; se os pesos são abertos, o que faria dele uma proposta genuinamente diferente para as equipas de simulação que a Amap diz estar a cortejar; e se alguém fora da Amap reproduz a alegação de dez minutos por quilómetro quadrado em hardware próprio.

Para o PAN 2, a peça que falta é um estudo de falhas. O cartão de modelo dele admite que cerca de dois em cada três planos simulados contêm pelo menos uma etapa que não é executada, e que ainda não foi medido quão fielmente ele simula planos que deveriam falhar. Um simulador que não consegue mostrar um resultado ruim é metade de um filtro. Uma avaliação independente dos números de capacidade também ajudaria; cada número no relatório da IFM vem do harness da IFM, com um painel de treze revisores para o estudo humano.

Qual escolher

Se você precisar de um lugar — uma cidade, o interior de um edifício, terreno, qualquer coisa que você reconstruiria de outro modo com dados de levantamento — o {{1}}PAN 2{{/1}} não pode ajudar você, e o {{2}}ABot-Earth 0.7{{/2}} é o sistema mais impressionante, mas você ainda não pode tê-lo, então a resposta prática é permanecer no seu pipeline de reconstrução atual e ficar atento a uma {{3}}API{{/3}}. Se você precisar saber o que uma ação faz antes de executá-la, o {{4}}ABot-Earth{{/4}} não pode ajudar você de jeito nenhum — uma cena estática não tem consequências — e o {{5}}PAN 2{{/5}} é um dos poucos modelos de pesos abertos que tenta, com os pesos, o código, a receita de serving e a taxa de falha todos publicados.

A comparação que as pessoas procuram, como se fossem produtos rivais numa prateleira, não existe. O que existe é uma categoria — modelos de mundo — que se divide ao longo de um eixo que a maioria da cobertura não se deu ao trabalho de nomear. Um lado modela onde as coisas estão. O outro modela o que acontece a seguir. No final de 2026, apenas um deles vem com um link de download.