PAN 2 vs Genie 4: Ambos colocam um modelo de linguagem no loop, e apenas um o nomeia

Os dois modelos de mundo mais interessantes do final de 2026 são construídos da mesma forma, e nenhuma das empresas coloca isso em primeiro plano. O PAN 2 é o modelo de mundo de pesos abertos de 29 bilhões de parâmetros do Institute of Foundation Models, publicado como um checkpoint Apache-2.0 em 7 de outubro de 2026, com código de inferência e treinamento lançado em 5 de novembro e suporte de serviço desde o primeiro dia no vLLM-Omni em 10 de novembro. O Genie 4 é o modelo de mundo interativo em tempo real do Google DeepMind, anunciado em 27 de outubro de 2026, que gera uma cena explorável a partir de uma descrição textual e permite controlá-la com um teclado enquanto um áudio nativo é reproduzido junto. Coloque-os lado a lado e o contraste esperado — pesos abertos contra uma prévia de pesquisa, vinte segundos de vídeo contra uma sessão ao vivo — é real, mas entediante. O ponto interessante é que ambos delegam o raciocínio a um modelo de linguagem, e apenas o PAN 2 informa qual modelo de linguagem é esse e permite alterá-lo.

Essa única diferença na divulgação vale mais do que uma tabela de benchmarks, porque decide se você consegue raciocinar sobre o sistema. Um modelo de mundo com uma metade de raciocínio sem nome é um produto. Um modelo de mundo com uma metade de raciocínio nomeada e substituível é uma arquitetura.

A forma compartilhada: um raciocinador escreve o futuro, um renderizador o desenha

O PAN 2 implementa a Predição Latente Generativa, o padrão formalizado em Crítica dos Modelos de Mundo (arXiv 2507.05169). Um raciocinador conceitual — qualquer modelo de linguagem que siga instruções — lê a observação atual e as ações solicitadas e escreve o próximo estado do mundo como uma descrição estruturada e ancorada no tempo: eventos em ordem, cada ação vinculada ao ator que a executa, além do movimento da câmera. Um codificador de texto Qwen3.5-9B congelado transforma essa descrição em características de condicionamento. Um transformer de difusão multimodal de 29B treinado do zero em centenas de milhões de vídeos anotados preenche o detalhe perceptual que a descrição deixa em aberto, e um VAE Wan 2.2 decodifica o resultado em quadros.

A descrição publicada pelo Google do Genie 4 apresenta a mesma divisão de trabalho sob nomes de produtos diferentes. O Gemini Omni fundamenta a simulação em aparência e comportamento realistas; outros modelos Gemini fornecem raciocínio para coerência e continuidade; e o Gemini 3.8 Flash atua como um agente orientador que observa a cena, planeja etapas e verifica o progresso. Esse último papel é um verificador em loop — um modelo de linguagem que observa o modelo de mundo e o mantém focado na tarefa. O Google também combinou o Genie 4 com o Gemini 4 Argon para simulação robótica de múltiplas etapas, incluindo uma demonstração de um humanoide Apptronik Apollo jogando damas.

Então, em ambas as arquiteturas, os pixels são a metade barata e rápida, e o modelo de linguagem é a metade que decide o que deve acontecer. Esta é a forma com que o campo convergiu em 2026 sem anunciá-la: um modelo de mundo não é um gerador de vídeo com um prior de física, é um planejador mais um renderizador, e o planejador é um modelo de texto comum que você poderia medir.

Essa convergência é o motivo pelo qual a lacuna de divulgação importa. A IFM classificou quatro planejadores pela frequência com que um plano simulado é concluído de ponta a ponta — Claude Opus 5.5 em primeiro, GPT-6 Astra em esforço médio em segundo, Kimi K3 em terceiro, Qwen3.8-Flash em quarto — e publicou a classificação junto com o ambiente de teste que a produziu, ao mesmo tempo que declarou que o raciocinador conceitual é, por definição, intercambiável. O Google nomeou o Gemini 3.8 Flash no loop, o que é mais do que a maioria dos laboratórios declara, e não publicou nada sobre como substituí-lo, precificá-lo separadamente ou medir se um modelo diferente planejaria melhor.

Vinte segundos em um lote, ou uma sessão que você conduz

Os modelos de interação são opostos, e é aqui que os dois deixam de ser comparáveis e passam a ser ferramentas diferentes.

• Saída — o PAN 2 retorna até vinte segundos de vídeo 704×1248 a 24 quadros por segundo por chamada; o Genie 4 retorna uma cena ao vivo e persistente cuja resolução, taxa de quadros e duração o Google não divulgou.

Controle — o PAN 2 recebe um frame inicial mais uma legenda de ação estruturada refinada por uma skill de reescrita de prompt; o Genie 4 recebe um prompt de texto e então entrada contínua de teclado para movimento e câmera.

• Áudio — O PAN 2 não tem nenhum; o Genie 4 gera som ambiente, áudio semelhante a música e diálogo interativo dos personagens junto com os visuais, o que o Google descreve como algo inédito para um modelo de mundo em tempo real.

• Comportamento em lote — PAN 2 é um oráculo de lote: uma chamada, um clipe, sem feedback dentro da chamada; Genie 4 é um ciclo fechado em que sua entrada no segundo três altera o segundo quatro.

• Custo — O padrão documentado do PAN 2 é oito H200s em BF16, com uma receita vLLM que processa treze segundos de vídeo 704×1248 em aproximadamente 119 segundos em quatro B300s; o Genie 4 não tem preço porque não há acesso por autoatendimento.

• Acesso — os pesos do PAN 2 têm 86,17 gigabytes distribuídos em sessenta arquivos sob Apache-2.0, sem restrições; o Genie 4 é uma prévia de pesquisa para testadores confiáveis, com um caminho declarado para assinantes do AI Ultra por meio de uma lista de espera e para parceiros de acesso antecipado por meio da Gemini API e do Google AI Studio.

Leia essa lista e a resposta prática se divide de forma clara. Se você quiser perguntar "o que acontece se" algumas milhares de vezes e pontuar as respostas, o PAN 2 é o único dos dois que pode ser chamado em um loop que você controla. Se você quiser explorar, direcionar e ouvir, o Genie 4 é o único dos dois que oferece um lugar — e provavelmente você ainda não consegue entrar.

A ficha de especificações que o Google não publicou

O mais impressionante no anúncio do Genie 4 é o tamanho da lista que ele deixa de fora: sem resolução, sem taxa de quadros, sem contagem de parâmetros, sem preço, sem duração medida de consistência de cena, sem benchmark com linhas de base nomeadas. O que o Google publicou foi um conjunto de admissões — a coerência se mantém em sessões breves, e detalhes visuais e a permanência de objetos podem sofrer desvios durante execuções mais longas, após edições complexas ou durante a navegação. Interações físicas complexas, precisão de áudio, texto legível no ambiente, precisão espacial e consistência de longo prazo são listados como problemas de pesquisa em aberto. Cada saída carrega uma marca d'água SynthID.

Nada disso é evasivo. É a forma honesta de uma prévia de pesquisa, e listar a deriva como um problema em aberto é mais do que a maioria dos posts de lançamento faz. Mas isso significa que um leitor não consegue calcular nada a partir do Genie 4: nem clipes por dólar, nem segundos por GPU, nem a duração em que uma cena deixa de ser utilizável. O único número que um comprador mais desejaria — por quanto tempo uma sessão permanece coerente — é o que o anúncio descreve qualitativamente e não quantifica.

O PAN 2 responde à mesma pergunta com um número pior e, portanto, mais útil. Seu cartão de modelo afirma que cerca de dois em cada três planos simulados contêm pelo menos uma etapa que não é executada. Diz que a aparência deriva entre clipes em interações longas porque cada clipe é simulado a partir de no máximo um quadro inicial mais texto, e nomeia a memória perceptual como a peça que falta, em vez de alegar que ela está resolvida. Admite que o texto expressa bem "abrir uma gaveta" e mal "colocar cada dedo aqui", o que limita a manipulação hábil. Dá um exemplo concreto de atalho — macarrão aparecendo no escorredor antes de ser escorrido — e admite que simular planos que deveriam falhar ainda não foi medido, nas palavras do cartão.

Essa última confissão é a que deveria acompanhar qualquer modelo de mundo até uma especificação de produto. Um simulador que só consegue retratar sucesso é um gerador de resultados plausíveis, não um filtro para resultados ruins, e toda a premissa do raciocínio simulativo — simular vários planos candidatos, comparar, agir sobre o melhor — depende de o modelo ser capaz de mostrar um plano falhando. O PAN 2 diz em voz alta que não foi testado nisso. O Genie 4 não diz nem uma coisa nem outra.

Failover não é uma funcionalidade de nenhum dos dois modelos, e é a funcionalidade de que você precisa.

Ambos esses sistemas são artefatos de pesquisa apontados para um problema que será resolvido por equipes com prazos de produção, e a lacuna entre essas duas coisas é onde uma camada de roteamento ganha seu lugar. A metade renderizadora de uma pilha PAN 2 é o seu hardware e sempre será — o OrcaRouter não hospeda o PAN 2 e não pode roteá-lo, e nenhum catálogo pode rotear um transformer de difusão de 29 bilhões de parâmetros que você está executando no seu próprio nó. O que é roteável é a metade que decide o que simular, porque essa metade é trabalho de texto comum medido.

Os quatro planeadores que a IFM classificou estão no catálogo do OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3 e Qwen3.8-Flash. Isso faz do slot do raciocinador a única parte de um pipeline PAN 2 que pode avaliar esta tarde sem alugar um nó de GPU — aponte o reescritor de prompts a cada um deles através de uma única chave, mantenha a metade de difusão fixa e conte quantas vezes os seus planos sobrevivem. Os preços de tabela dos fornecedores são repassados com 0% de margem, pelo que a comparação de custos usa as tarifas dos próprios fornecedores e não as nossas, e o failover automático absorve uma instabilidade de um fornecedor a meio da varredura em vez de abortar a execução.

A mesma rota cobre o lado do Genie 4, de forma limitada. O Gemini 3.8 Flash é o modelo que o Google descreve como o agente orientador em loop do Genie 4, e ele pode ser chamado pelo mesmo catálogo. Não é possível obter o Genie 4. Você pode construir a parte da arquitetura que o Google descreveu — um modelo com capacidade de visão que observa quadros gerados, planeja os próximos passos e verifica o progresso — e apontá-lo para um modelo de mundo que você tem. Esse não é o mesmo produto. É a mesma camada de controle, e é a camada onde a maior parte da engenharia de fato reside.

Seja claro sobre o valor do ranking acima: a ordenação da IFM foi medida nas tarefas da IFM com o harness da IFM, em comparação com as próprias baselines da IFM, e ninguém a reproduziu. É uma pré-seleção, não um leaderboard. Rodar seus próprios prompts em quatro candidatos leva algumas horas e é a única evidência que se aplica ao seu problema.

O outro número que vale carregar para qualquer orçamento é o de serving. Cinquenta etapas do amostrador com um deslocamento de fluxo de 9 e guidance de 2,5 em cada etapa significam cem passagens diretas por um transformer de 29B por clipe, e é por isso que o guidance precisa ser paralelizado entre ranks em vez de executado sequencialmente. Um planejador que avalia cinco ações candidatas por etapa ao longo de uma tarefa de dez etapas está pedindo cinquenta clipes, o que, na configuração publicada de quatro B300, deixa um nó ocupado por quase duas horas antes que se aprenda algo com a saída. O raciocínio simulativo não é caro porque o modelo é grande. É caro porque a ideia é um laço.

Saída, controle e o que cada um se recusa a dizer sobre duração

Seis dimensões sustentam a comparação, e quatro delas não têm nada a ver com qualidade.

• Saída — o PAN 2 retorna até vinte segundos de vídeo 704×1248 a 24 quadros por segundo por chamada; o Genie 4 retorna uma cena ao vivo e persistente cuja resolução, taxa de quadros e duração o Google não divulgou.

Controle — o PAN 2 recebe um frame inicial mais uma legenda de ação estruturada refinada por uma skill de reescrita de prompt; o Genie 4 recebe um prompt de texto e então entrada contínua de teclado para movimento e câmera.

• Áudio — O PAN 2 não tem nenhum; o Genie 4 gera som ambiente, áudio semelhante a música e diálogo interativo dos personagens junto com os visuais, o que o Google descreve como algo inédito para um modelo de mundo em tempo real.

• Comportamento do loop — o PAN 2 é um oráculo em lote sem feedback dentro de uma chamada; o Genie 4 é um ciclo fechado em que a sua entrada no segundo três altera o segundo quatro.

• Base de custo — o padrão documentado do PAN 2 é de oito H200s em BF16, com uma receita que coloca treze segundos de vídeo 704×1248 em aproximadamente 119 segundos em quatro B300s; o Genie 4 não tem preço porque não há acesso autoatendido.

• Acesso — os pesos do PAN 2 têm 86,17 gigabytes distribuídos em sessenta arquivos sob Apache-2.0, sem restrições; o Genie 4 é uma prévia de pesquisa para testadores confiáveis, com um caminho declarado para assinantes do AI Ultra por meio de uma lista de espera e para parceiros de acesso antecipado por meio da Gemini API e do Google AI Studio.

A linha de duração é a que decide a maioria das decisões reais, e é justamente a linha em que os dois são menos comparáveis. O PAN 2 oferece exatamente vinte segundos e avisa que isso varia entre clipes, porque cada um é simulado a partir de no máximo um quadro inicial mais texto. O Genie 4 oferece uma sessão de duração não especificada, admite que a coerência se mantém apenas em sessões breves e classifica a consistência de longo prazo como um problema de pesquisa em aberto. Nenhum dos dois informa a duração a partir da qual a saída deixa de ser confiável, e esse número — não uma pontuação de benchmark — é o que um pipeline realmente precisa.

O que tornaria isto uma comparação de verdade?

Uma coisa: uma tarefa compartilhada. Ninguém executou o PAN 2 e o Genie 4 na mesma questão, e não é óbvio que conseguiriam — um produz clipes de duração fixa a partir de uma legenda, o outro produz uma sessão interativa a partir de um prompt e um teclado. O mais próximo de uma medida comum seria a adesão às ações sob um plano descrito, e apenas o PAN 2 publicou um harness para isso: 300 casos de ação única em seis categorias de capacidade, 100 tarefas de várias etapas apresentadas como 200 prompts e 456 etapas, pontuadas pela conclusão de etapas e pela conclusão do plano completo em três seeds. Treze avaliadores produziram os números de preferência humana em 140 prompts em um estudo pareado cego, julgando o modelo dos autores contra as baselines dos autores. Isso não é independente. É legível, o que é a melhor alternativa seguinte, e é mais do que o outro lado oferece.

Então, a escolha, dita o mais claramente que as evidências permitem. Se você precisa de um modelo de mundo que possa baixar, auditar, fazer ajuste fino e consultar em lote — e possui ou pode alugar um nó com várias GPUs —, o PAN 2 é o lançamento aberto mais completo da categoria, e sua própria seção de limitações é a página mais valiosa dele. Se você precisa de um mundo no qual uma pessoa possa caminhar por dentro, com som, e está disposto a esperar por uma lista de espera e desenvolver com base em uma API que não tem data nem preço, o Genie 4 é o sistema mais impressionante e o que tem um caminho de distribuição por trás.

A confusão a evitar é tratar um como substituto do outro. A amplitude do Genie 4 não é evidência de que ele consiga avaliar um plano; os pesos disponíveis para download do PAN 2 não são evidência de que ele consiga manter uma cena coerente enquanto você a conduz. O que eles realmente compartilham é a arquitetura à qual ambas as empresas chegaram independentemente — um modelo de linguagem decidindo, um modelo de difusão desenhando — e o fato de que em 2026 você ainda só consegue ver dentro de um dos dois.