PAN 2 vs Gemma 4 12B: Um Simulador e um Raciocinador Não São Rivais

Toda página de comparação na internet quer um vencedor, e esta não pode honestamente ter um, porque PAN 2 e Gemma 4 12B não executam a mesma tarefa. PAN 2 é um transformer de difusão de vídeo de 29 bilhões de parâmetros do Institute of Foundation Models da MBZUAI que recebe uma imagem e uma descrição de ações e retorna até vinte segundos de vídeo em 704×1248 mostrando o que acontece a seguir. Gemma 4 12B Unified é um modelo de linguagem multimodal sem encoder, de 11,95 bilhões de parâmetros, do Google DeepMind, que recebe texto, imagens e áudio e retorna texto. Um renderiza consequências; o outro fala sobre elas. Se você chegou procurando uma tabela de benchmark que os ranqueie entre si, não existe nenhuma e nenhuma poderia existir — eles não compartilham nenhuma avaliação. O que existe é uma decisão real, porque os dois são cada vez mais implantados no mesmo pipeline: o raciocinador escreve o plano, o simulador mostra o que o plano faz. Portanto, a pergunta útil não é qual é melhor, mas qual deles o seu problema realmente precisa, e quanto custa manter cada um.

A incompatibilidade, dita de forma simples

Gemma 4 12B tem uma tabela de avaliação pública e o PAN 2 não tem, e essa assimetria não é um sinal de qualidade — é um sinal de categoria. O Google publica MMLU Pro, GPQA Diamond, AIME, LiveCodeBench e uma dúzia de outros benchmarks de texto e visão porque os modelos de linguagem são medidos numa régua compartilhada que existe há anos. O card do PAN 2 publica Physics-IQ Verified, PhyGround, RBench e um estudo de preferência humana porque os modelos de mundo para vídeo são medidos com instrumentos inventados recentemente, em sua maioria pelos laboratórios que constroem os modelos.

• Parâmetros — PAN 2: 29B em um único transformer de difusão multimodal, com um codificador de texto Qwen3.5-9B congelado e um VAE Wan 2.2 carregado em conjunto. G​emma 4 12B: 11,95B, 48 camadas, sem codificador, com patches de imagem brutos e formas de onda de áudio projetados diretamente no espaço de embeddings do decodificador.

• Entradas e saídas — PAN 2: um quadro inicial opcional mais uma legenda estruturada do estado do mundo; a saída é um MP4. G​emma 4 12B: texto, imagem, áudio e vídeo como entrada, texto como saída, com contexto de 256K tokens e suporte nativo a prompt de sistema.

• Licença — PAN 2: Apache-2.0 no seu próprio código e pesos, com componentes de terceiros sob os seus próprios termos. Gemma 4 12B: Apache-2.0 sob os termos da licença Gemma 4.

• Pesos em disco — PAN 2: 86,17 GB em sessenta arquivos no repositório IFM/PAN2, dos quais 67,37 GB são o próprio transformer e 15,87 GB o codificador de texto. G​emma 4 12B: cerca de 12 bilhões de parâmetros em BF16, aproximadamente um quarto apenas do transformer.

No que cada um é realmente bom, com base nas suas próprias evidências

Os números do Gemma 4 12B são os mais legíveis dos dois e são respeitáveis para o tamanho. O MMLU Pro de 77,2%, o GPQA Diamond de 78,8%, o AIME 2026 sem ferramentas em 77,5%, o LiveCodeBench v6 em 72,0% e uma classificação no Codeforces de 1659, todos relatados pelo fornecedor, colocam-no bem à frente da geração anterior — o Gemma 3 27B obtém 67,6%, 42,4%, 20,8%, 29,1% e 110 nas mesmas linhas. Em visão, ele apresenta MMMU Pro de 69,1% e MATH-Vision de 79,7%. Em contexto longo, o MRCR v2 com oito agulhas a 128K fica em 43,4%. Essas são as próprias avaliações do Google sobre o próprio modelo do Google, e a ficha diz isso; trate-as como uma alegação bem documentada do fornecedor, e não como um veredito independente.

O PAN 2 não tem nada comparável e não pretende ter. A sua alegação é mais estreita e mais estranha: que um modelo de difusão condicionado a uma descrição estruturada e ancorada no tempo simulará as consequências físicas e causais de uma ação suficientemente bem para que um agente compare planos candidatos antes de se comprometer com um. O suporte para essa alegação é um estudo de ação única com 300 casos em seis categorias de capacidade, um estudo de várias etapas com 200 prompts e 456 etapas, e um teste cego de preferência humana com 1.400 comparações. Todos os três são da própria equipe. Nenhum deles se transfere para nada em que o Gemma 4 12B seja medido.

É na questão da implantação que a comparação morde.

Aqui, os dois modelos deixam de ser incomparáveis, porque ambos precisam rodar em hardware que você paga.

G​emma 4 12B roda em uma única GPU de consumidor ou de workstation em BF16 e com bem menos com quantização. Ele tem suporte desde o primeiro dia nas stacks de inferência padrão, um vocabulário de 262K e um conjunto documentado de padrões de amostragem e de modo de pensamento. Se sua carga de trabalho for compreensão de documentos, chamada de ferramentas ou raciocínio sobre um contexto longo, esta é uma implantação sem surpresas e já bem consolidada, e as decisões interessantes giram todas em torno de prompting.

O PAN 2 não tem uma implantação entediante. A própria manchete da receita do vLLM é que treze segundos de vídeo 704×1248 levam cerca de 119 segundos em quatro GPUs B300, com classifier-free guidance paralelizado em duas ranks e paralelismo de sequência Ulysses em duas. O padrão é oito H200s em BF16. O sampler executa cinquenta etapas com guidance em cada etapa — cem passagens forward por um transformer de 29B por clipe — e é por isso que o paralelismo não é opcional. E o formato da condição não é texto livre: o modelo espera uma legenda estruturada de estado do mundo, e o repositório inclui uma skill de reescrita de prompt com um validador que impõe um limite flexível de 1.480 tokens e uma capacidade rígida de 1.536 diante do orçamento do codificador de texto.

Esse último detalhe é o que decide a maioria das avaliações. Você não pode digitar um desejo no PAN 2 e receber um vídeo. É preciso descrever eventos em ordem, vincular ações a atores e especificar o movimento da câmera, e o model card deixa explícito que os estudos de caso com agentes dependiam de prompts refinados manualmente. O G​emma 4 12B aceita tranquilamente um parágrafo de prosa e devolve algo útil na primeira tentativa. Se você quer saber como o PAN 2 é na prática, a resposta honesta é que ele parece um modelo com um contrato de interface, não uma caixa de chat.

Onde os dois pertencem ao mesmo sistema

O motivo pelo qual essa comparação continua surgindo é que o trabalho com agentes agora precisa das duas metades. Um agente que planeja em texto e age em um ambiente real precisa de um raciocinador para decidir o que fazer e, cada vez mais, de um simulador para pré-visualizar como seria fazer isso. O G​emma 4 12B pode ser o raciocinador — é pequeno o suficiente para ser colocado junto com o restante de uma stack, lida com imagens e áudio como entradas, e suas pontuações de seguimento de instruções e uso de ferramentas são o ponto central do modelo. O PAN 2 pode ser o simulador, e sua própria arquitetura assume que algo como o G​emma já está no circuito: o raciocinador conceitual é definido como qualquer modelo de linguagem que segue instruções, e o relatório classifica quatro deles pela frequência com que um plano simulado é concluído de ponta a ponta — Claude Opus 5.5 em primeiro, depois GPT-6 Astra com esforço médio, depois Kimi K3, depois Qwen3.8-Flash.

Se essa é a forma do seu sistema, o pareamento não é PAN 2 versus G​emma 4 12B de jeito nenhum. É PAN 2 mais um raciocinador, e a escolha do raciocinador é onde o custo e a variação de qualidade realmente residem.

Esse é um lugar onde um roteador faz trabalho de verdade, não trabalho de marketing. A metade de simulação precisa rodar nas suas próprias GPUs — ninguém hospeda o PAN 2, nem a MBZUAI —, mas a metade de raciocínio pode ser uma chamada de API cobrada por uso, e alternar entre Claude Opus 5.5, GPT-6 Astra e Qwen3.8-Flash para descobrir qual deles conclui seus planos com mais frequência é uma questão de roteamento, não de compras. O Qwen3.8-Flash está no OrcaRouter, então você pode comparar três planejadores com sua própria implantação do PAN 2 por meio de uma única chave de API com failover automático, pelo preço de tabela do provedor com 0% de markup repassado. O OrcaRouter não hospeda o PAN 2 e não pode roteá-lo. Ele pode manter a metade barata do pipeline elástica enquanto a metade cara fica fixa no hardware.

O que mudaria esta comparação

Duas coisas, nenhuma das quais existe em 11 de novembro de 2026. Primeiro, uma avaliação independente do PAN 2 feita por alguém que não seja seu autor — até lá, suas alegações de capacidade são informadas pelo fornecedor e devem ser lidas assim. Segundo, um endpoint hospedado ou uma nota de versão real para o PAN 2 — a única postagem na conta X do laboratório não é isso — o que transformaria uma decisão de hospedagem própria em uma comparação de preços e tornaria a seção de implantação desta página obsoleta da noite para o dia.

G​emma 4 12B não precisa de nenhum dos dois. É um modelo já lançado, documentado e amplamente implantado, com mais de 1,8 milhão de downloads mensais no Hugging Face, e sua tabela de avaliação já passou meses em uso pela comunidade para encontrar os pontos fracos. O perfil de risco de adotá-lo é próximo de zero. O perfil de risco de adotar o PAN 2 é que você passa uma semana em infraestrutura para um modelo cuja seção de limitações diz que cerca de dois em cada três planos simulados contêm pelo menos uma etapa que não é executada. Essa frase não é um motivo para pulá-lo. É um motivo para saber o que você está comprando antes de alugar as GPUs.

Como escolher

Se você precisa que texto, imagens ou áudio sejam compreendidos e respondidos, o PAN 2 não é um candidato e nenhum orçamento de GPU o torna um. Pegue o G​emma 4 12B, ou uma das variantes maiores do G​emma 4 se os números do 12B não forem suficientes. Se você precisa ver como uma ação seria antes de executá-la — manipulação robótica, simulação de tarefas egocêntricas, avaliação de raciocínio físico — o G​emma 4 12B também não consegue fazer isso, e o PAN 2 é um dos poucos modelos de pesos abertos que tentam. Se você precisa de um agente que faça as duas coisas, a resposta é uma stack, não um modelo, e a engenharia interessante está na interface entre eles: o formato de legenda estruturada que o PAN 2 exige é exatamente o artefato que um modelo de raciocínio como o G​emma 4 12B teria que ser ensinado a produzir.