PAN 2 vs Agora-2: Um simula consequências, o outro mantém um mundo funcionando

Vinte pessoas em um único mundo soa como mais de uma pessoa imaginando o que acontece em seguida. É exatamente essa a confusão entre PAN 2 e Agora-2, e vale a pena desembaraçá-la antes que alguém os submeta a benchmarks comparativos. O Agora-2 é a prévia de pesquisa jogável da Odyssey, publicada em 21 de setembro de 2026, que suporta vinte participantes em um ambiente simulado compartilhado — quatro deles controladores humanos, dezesseis deles políticas aprendidas — e mantém o mundo deles consistente mesmo quando um jogador olha para outro lado. O PAN 2 é o simulador de pesos abertos de 29 bilhões de parâmetros da IFM, lançado como um checkpoint Apache-2.0 de 86,17 gigabytes, que recebe um quadro e uma ação descrita e retorna até vinte segundos de vídeo prevendo a consequência. Um é um servidor para um mundo. O outro é uma pergunta que você faz a um mundo. A sobreposição de vocabulário é quase total, e a sobreposição de função é próxima de zero, e é exatamente por isso que a comparação continua sendo feita de maneira ruim.

O número que viaja não é o número que importa.

A cobertura do Agora-2 começa pelos vinte, e a própria publicação da Odyssey incentiva isso. A composição é mais interessante do que a contagem. Quatro controladores humanos simultâneos fornecem entrada de movimento e ação; dezesseis entidades autônomas são controladas por políticas de monstros e companheiros que a Odyssey treinou no mesmo corpus a partir do qual o mundo foi aprendido — capturas de Diablo II. Então a sessão não é vinte pessoas numa sala. É um problema de renderização com uma máquina de estados muito pequena no centro, disfarçado de servidor de jogo.

É essa arquitetura que faz do Agora-2 um tipo diferente de objeto em relação ao PAN 2. O Odyssey separa aquilo que decide o que acontece daquilo que decide com o que isso se parece, e a diferença de tamanho entre os dois é o número mais impressionante do relatório: o modelo de simulação tem 4.457.777 parâmetros — cerca de 4,5 milhões, quatro camadas de largura, catorze ramos de movimento, uma janela de histórico de quatro passos — enquanto o renderizador é um transformer de flow matching com cerca de um bilhão de parâmetros, executando cinco etapas do solver por atualização, condicionado a um prefixo de 342 tokens que descreve o mapa, as entidades, os efeitos transitórios, a câmera e o elenco.

O PAN 2 faz o oposto. Ele gasta quase toda a sua capacidade em percepção: um transformer de difusão multimodal de 29B prevê os quadros, e a parte que decide o que acontece não é de modo algum um simulador aprendido, mas sim um modelo de linguagem que escreve uma legenda estruturada e ancorada no tempo de eventos, ações e movimento de câmera. O Agora-2 coloca sua inteligência em uma pequena representação explícita de estado. O PAN 2 coloca sua inteligência no renderizador e delega o raciocínio ao texto.

• Decide o que acontece — Agora-2: um modelo de simulação aprendido com 4,46M de parâmetros e estado explícito de entidades; PAN 2: qualquer modelo de linguagem que segue instruções e escreve uma legenda do estado do mundo.

• Renderiza isso — Agora-2: um renderizador de flow matching de ~1B em cinco passos do solver por atualização; PAN 2: um transformador de difusão de 29B em cinquenta passos com guidance em cada passo.

• Horizonte temporal — Agora-2: uma sessão aberta e persistente; PAN 2: até 20 segundos por clipe, no máximo um quadro inicial, com deriva entre clipes.

• Entrada — Agora-2: comandos de movimento e ação provenientes de controladores, além de políticas aprendidas; PAN 2: um primeiro quadro opcional, além de uma descrição estruturada de ação em texto.

• Participantes — Agora-2: 4 humanos e 16 políticas em um único estado compartilhado; PAN 2: nenhum, é um gerador em lote.

• Acesso — Agora-2: sem pesos, sem repositório, sem licença e sem preço; PAN 2: pesos Apache-2.0, sem restrições de acesso, com código no GitHub e uma receita vLLM.

A persistência é o que o Agora-2 realmente resolveu

Deixando de lado o enquadramento multijogador, a verdadeira contribuição do Agora-2 é uma frase na publicação da Odyssey: como as propriedades das entidades são retidas independentemente de qualquer visão específica, elas permanecem disponíveis quando uma entidade está fora do quadro. Um gerador de vídeo que se condiciona apenas a quadros recentes perde o monstro no momento em que você se vira. Um modelo de mundo que mantém estado explícito não. Essa é a decisão de design que separa o Agora-2 de todo modelo de vídeo com ambições multijogador, e é por isso que vinte participantes é uma afirmação sobre gerenciamento de estado, e não sobre renderização.

O PAN 2 não faz tal afirmação, e sua ficha do modelo diz isso. Cada clipe é simulado a partir de no máximo um quadro inicial mais texto, então a aparência sofre deriva entre clipes em interações longas, e a ficha nomeia a memória perceptual mantida ao lado do estado baseado em texto como aquilo que seria necessário para corrigir isso. Em outras palavras: o PAN 2 sabe que tem o problema do Agora-2 e não o resolveu, e o Agora-2 resolveu uma versão dele mantendo o mundo pequeno o suficiente para caber em um tensor explícito.

Lidos em conjunto, os dois projetos delimitam o campo. Se seu mundo pode ser descrito em 4,5 milhões de parâmetros — uma grade de mapa, uma lista de entidades, um conjunto de ramificações de movimento —, a persistência é tratável e você obtém uma sessão. Se seu mundo é de consequência física de domínio aberto, você precisa de um renderizador que entenda materiais e contato, e a persistência se torna um problema de pesquisa em aberto no momento em que a câmera se move.

Quanto custa uma sessão e quanto custa uma simulação

Nenhum dos números é publicado como preço, porque nenhum dos modelos é vendido. Ambos são publicados como hardware, o que é mais útil.

O plano de serviço do Odyssey para uma sessão de quatro jogadores é de quatro placas NVIDIA RTX PRO 4500: um renderizador por GPU, com uma dessas GPUs também hospedando o modelo de simulação e as políticas dos agentes, com meta de quinze atualizações latentes por segundo contra trinta quadros exibidos por segundo. O relatório é franco ao afirmar que esses dois números são metas, não medições — a seção 8 lista a taxa de quadros sustentada e a latência de entrada para exibição durante interação ao vivo com múltiplos agentes como não avaliadas quantitativamente. A conta de treinamento também é detalhada: sessenta mil atualizações em 4.232.000 segmentos, depois mais sessenta mil em 4.332.800, executadas em 32 GPUs B200.

O equivalente do PAN 2 é a receita vLLM: treze segundos de vídeo 704×1248 em aproximadamente 119 segundos em quatro GPUs B300, com um padrão documentado de oito H200s em BF16. Cinquenta passos de amostragem com orientação livre de classificador em cada passo — cem passes diretos por um transformer de 29B por clipe — é o motivo pelo qual a orientação é paralelizada entre duas ranks e o paralelismo de sequência entre mais duas.

As duas configurações são de escala semelhante, e é aí que a semelhança termina. Quatro cartões compram uma sessão que continua em execução. Quatro cartões, no PAN 2, compram dois minutos por treze segundos de consequência renderizada, e o custo de um plano é o custo de cada candidato considerado pelo planejador. O número da Odyssey é um piso de throughput para uma experiência. O da IFM é um preço por pergunta.

Apenas uma destas pode ser construída hoje

Esta é a parte em que a comparação deixa de ser arquitetural.

Agora-2 é uma prévia de pesquisa com uma demo jogável no endereço próprio da Odyssey e um relatório técnico. Não há pesos, nem repositório, nem licença, nem API de inferência e nem preço. A Odyssey enquadra a trajetória rumo à interação multiagente dentro de modelos de mundo fundacionais como trabalho futuro, com o PROWL como linha de pesquisa e o Odyssey-3 como destino eventual. Na prática: você pode jogá-lo, não pode construir sobre ele, e nenhum terceiro pode fornecê-lo a você também.

O PAN 2 é o arranjo oposto. Pesos no Hugging Face desde 7 de outubro de 2026, sem restrições de acesso, Apache-2.0 em seu próprio código e pesos; repositório no GitHub com scripts de inferência e treinamento desde 5 de novembro; suporte Day-0 ao vLLM-Omni mesclado em 10 de novembro; um guardrail distribuído como repositório separado, com seus próprios números de falsos positivos. O anúncio do IFM foi um único post em sua própria conta no X — "Apresentando o PAN 2: um modelo de mundo de base aberto para inteligência física" — sem entrada de blog, link para artigo, endpoint hospedado ou página de preços. Trata-se de um anúncio fino embrulhado em torno de um artefato espesso, o que é o inverso do post refinado do Agora-2 em torno de uma demo fechada.

Se a sua pergunta é "o que posso colocar em produção neste trimestre", a resposta é nenhum dos dois, mas por motivos diferentes. O Agora-2 não tem um caminho da demonstração à implantação que a Odyssey tenha descrito. O PAN 2 tem um caminho — os pesos e a receita — e uma limitação que decide se você deve percorrê-lo: cerca de dois em cada três planos simulados contêm pelo menos uma etapa que não é executada, segundo a própria seção de limitações do model card.

O híbrido que nenhum dos dois laboratórios construiu

A questão interessante de engenharia não é qual modelo vence. É como é um sistema que usa cada um para aquilo em que é bom, e nenhum dos fornecedores o disponibiliza.

Imagine um agente que precisa planejar dentro de um mundo persistente. O design do Agora-2 mostra como manter o mundo estável: estado explícito, um prefixo de condicionamento estruturado, políticas pequenas o suficiente para rodar junto a um renderizador. O design do PAN 2 mostra como responder a "o que acontece se" sobre uma interação física: entregue a pergunta a um modelo de linguagem, obtenha uma legenda estruturada, renderize a consequência, observe-a. Uma pilha que mantivesse o estado do Agora-2 e pedisse ao PAN 2 a física refinada dentro de uma célula dele seria estritamente melhor que qualquer um dos dois, e exigiria que ambos os laboratórios abrissem algo que não abriram.

O que você pode fazer hoje é a metade que não precisa de nenhum dos dois modelos. O planejador do PAN 2 é definido como qualquer modelo de linguagem que siga instruções, e o IFM classificou quatro deles pela conclusão do plano completo: Claude Opus 5.5, GPT-6 Astra em esforço médio, Kimi K3, Qwen3.8-Flash. Todos os quatro estão no OrcaRouter, então a etapa de legendagem de um pipeline PAN 2 pode rodar por um único endpoint com failover automático e o preço de tabela de cada provedor repassado com 0% de margem, trocado a cada experimento em vez de a cada contrato. O OrcaRouter não hospeda o PAN 2 e não consegue roteá-lo — o renderizador de 29B fica nas suas GPUs — e certamente não consegue hospedar o Agora-2, o que ninguém consegue. O que um roteador pode fazer é manter a metade de raciocínio elástica enquanto a metade de simulação fica fixada ao hardware que você já possui.

Como decidir

Se você está construindo um jogo, um ambiente de treinamento para agentes que precisam operar em um espaço compartilhado, ou qualquer coisa em que o mundo tenha de permanecer consistente enquanto vários atores se movem por ele, o Agora-2 é a peça de pesquisa mais relevante e a menos disponível. Leia o relatório, experimente a prévia e trate os vinte participantes como uma declaração sobre design de estado, e não como uma capacidade que você pode alugar.

Se você precisa avaliar resultados físicos — esta preensão vai segurar, este despejo vai derramar, este plano sobrevive ao contato com a cena —, o Agora-2 não tem nada para você, e o PAN 2 é baixável, documentado e honesto sobre pular uma etapa na maioria dos planos. Orçe as GPUs antes de orçar a engenharia: quatro B300s por dois minutos a cada treze segundos definem o custo de cada candidato que seu planejador considera.

Os dois serão comparados por um tempo, porque "modelo de mundo" é atualmente um rótulo aplicado a qualquer coisa que preveja algo visual. O rótulo não está desempenhando nenhum papel aqui. Um desses sistemas é um lugar que permanece fixo enquanto as pessoas se movem por ele. O outro é uma pergunta sobre o que acontece a seguir, respondida sob demanda, com a resposta limitada a vinte segundos. Confundi-los custa um quarto do tempo de engenharia; distingui-los custa uma tarde.