PAN 2 получил путь обслуживания ещё до анонса.

10 ноября 2026 года в 16:03 UTC завершилось слияние пул-реквеста, добавлявшего поддержку Day-0 для генерации видео по тексту и по изображению в PAN 2, в vLLM-Omni. В 20:55 UTC того же дня второй пул-реквест добавил страницу-рецепт, где описано, как организовать его обслуживание. PAN 2 — это видео-диффузионный трансформер с 29 млрд параметров от Института фундаментальных моделей в MBZUAI, и причина, по которой эти два слияния и есть суть истории, — порядок, в котором они произошли. Репозиторий на Hugging Face датируется 7 октября 2026 года, а репозиторий на GitHub — 5 ноября, так что в течение пяти недель единственным публичным следом модели были метаданные репозитория. Первое заявление от самих разработчиков, которое мне удалось найти, — это один пост в собственном аккаунте лаборатории в X, @IFM_AI, с отметкой времени 17:00 UTC 10 ноября: через пятьдесят шесть минут после слияния в vLLM-Omni и почти за четыре часа до появления рецепта. В нём говорится: «Представляем PAN 2: открытая фундаментальная мировая модель для физического интеллекта», — прикреплено видео, и он не ссылается ни на что, кроме самого себя. Ни записи в блоге, ни URL статьи, ни размещённого эндпоинта, ни страницы с ценами, ни пресс-релиза. Так что путь обслуживания действительно предшествовал анонсу, а сам анонс, когда появился, был скромнее слияния: несколько сотен лайков и пара абзацев. Что существует: 86,17 ГБ чекпоинта под Apache-2.0, интеграция с фреймворком и один твит.

Что на самом деле вышло — и в каком порядке

Произошли четыре отдельные вещи, и именно из-за их смешения тихий релиз принимают за запуск.

• Веса — IFM/PAN2 на Hugging Face, репозиторий создан 7 октября 2026 г. в 23:42 UTC, последнее изменение — 9 ноября 2026 г. в 21:52 UTC, коммит добавляет поддержку safety-checker в качестве модульного компонента пайплайна Diffusers. Шестьдесят файлов, 86,17 ГБ, без ограничений доступа, Apache-2.0.

• Код — github.com/ifm-ai/PAN2, создан 5 ноября 2026 года, с единственным коммитом, отправленным в 20:13 UTC того же дня. Это не исследовательская свалка с мёртвым README: там есть скрипты инференса, зафиксированные версии окружения, конфигурации обучения, навык переписывания промптов и документация по развёртыванию, обучению и инференсу.

• Путь обслуживания — vLLM-Omni PR #8602 для поддержки преобразования текста в видео и изображения в видео с Day-0, объединённый 10 ноября в 16:03 UTC, и vLLM recipe PR #10126, объединённый тем же вечером в 20:55 UTC.

• Заявление — @IFM_AI в X, 10 ноября в 17:00 UTC: «Представляем PAN 2: открытая фундаментальная модель мира для физического интеллекта». Два абзаца, видео, без ссылки на пост, статью или страницу.

Такая последовательность необычна, и именно анонс делает её ещё страннее, а не нормальнее. Обычно лаборатория сначала объявляет о релизе, публикует веса, а поддержка во фреймворках появляется постепенно в течение следующих недель, пока пользователи открывают issues. Здесь сначала произошёл мёрдж во фреймворк, анонс вышел пятьдесят шесть минут спустя, а рецепт — ещё через четыре часа. Самый существенный публичный артефакт за недолгую жизнь модели — всё ещё pull request, и это кое-что говорит о том, как был организован этот релиз: как публикация артефактов для тех, кто читает репозитории, с постом в соцсети, добавленным почти как запоздалая мысль.

Что вам расскажет репозиторий

Это больше, чем большинство постов о релизе. PAN 2 — это модель мира, а не видеогенератор с кинематографическим уклоном; различие здесь архитектурное, а не риторическое. Она реализует паттерн Generative Latent Prediction, описанный в работе «Критика моделей мира» (arXiv 2507.05169) и разделяет задачу на две части. Концептуальный модуль рассуждения, которым является любая языковая модель, следующая инструкциям, читает наблюдение и запрошенные действия и записывает следующее состояние мира в виде структурированной подписи с привязкой ко времени: события по порядку, действия, привязанные к акторам, движение камеры. Замороженный текстовый энкодер преобразует эту подпись в conditioning-признаки. Затем мультимодальный диффузионный трансформер на 29B, обученный с нуля на сотнях миллионов видео, размеченных в том же формате, предсказывает перцептивные детали, которые подпись оставляет открытыми. VAE Wan 2.2 декодирует латентные представления, и в результате получается видео длительностью до 20 секунд с разрешением 704×1248 и частотой 24 кадра в секунду.

Опубликованная конфигурация достаточно конкретна, чтобы оценить её стоимость. В конфигурации трансформера указаны 44 слоя, 32 головы внимания по 128 измерений каждая, размер патча 1×2×2, 97 входных каналов и 48 выходных каналов. Сэмплер по умолчанию — 50 шагов при flow shift 9 с classifier-free guidance 2,5 на каждом шаге. Длина по умолчанию — 241 кадр, около десяти секунд; максимум — 481 кадр. Текстовый энкодер — Qwen3.5-9B, замороженный и неизменённый, а VAE — от Wan 2.2. Оба загружаются из собственных репозиториев — MBZUAI не распространяет их повторно, и в карточке модели это особо оговорено.

В репозитории также поставляется навык prompt-rewriter — с системным промптом, фиксированным негативным промптом и валидатором, который проверяет подписи на соответствие бюджету токенов текстового энкодера: мягкий лимит в 1 480 токенов и жёсткая ёмкость в 1 536. Это самый полезный отдельный артефакт в этой поставке. Он говорит о том, что модель на самом деле плохо воспринимает свободный текст и что команда это знает.

О чём оно вам не расскажет

Почти всё, что спросил бы покупатель. Цены нет, потому что нет API. Нет размещённого у MBZUAI эндпоинта. Нет независимого бенчмарка: цифры в карточке модели — собственные цифры команды, измеренные на их собственном стенде, и карточка на удивление откровенна насчёт условий — Physics-IQ Verified нормализован так, что разница между двумя реальными дублями равна 100, PhyGround оценён по пятибалльной шкале с помощью Qwen3.8-27B, RBench — как невзвешенное среднее по пяти категориям задач и четырём категориям воплощений. Это защитимые решения, и ни одно из них не является сторонней проверкой.

Человеческая оценка — самые сильные доказательства в этом релизе и одновременно самые ограниченные. Слепое попарное предпочтение по 140 промптам — 90 «текст-в-видео» и 50 «изображение-в-видео» — оценивалось по соблюдению действий, физике и согласованности мира 13 оценщиками в ходе 1400 сравнений, с рейтингом Elo, построенным по модели Bradley–Terry и отцентрированным на 1500. Тринадцать оценщиков — небольшая панель, и они оценивали собственную модель команды против базовых моделей. Это больше, чем публикует большинство лабораторий. Это не таблица лидеров.

А раздел ограничений прямолинейнее жанровой нормы: примерно два из трёх смоделированных планов содержат хотя бы один шаг, который не выполняется. Это единственное предложение — самое важное число в релизе, и именно его пост о запуске закопал бы.

Показатель пропускной способности в рецепте — вот что действительно важно.

Поддержка фреймворка важна из-за того, что заявляет рецепт, а не из-за добавленного логотипа. На странице рецепта vLLM указано, что PAN 2 генерирует 13 секунд видео 704×1248 примерно за 119 секунд на четырёх GPU B300, используя параллелизм classifier-free guidance по двум рангам и параллелизм последовательностей Ulysses по двум. Конфигурация по умолчанию — восемь H200 в BF16, а задокументированная команда serve добавляет параллелизм по патчам VAE по четырём рангам в тайловом режиме — деталь, которая важна только потому, что декодирование 20-секундного клипа 704×1248 само по себе является проблемой памяти.

Сопоставьте эти числа с настройками сэмплера. Пятьдесят шагов с guidance на каждом шаге означают сто прямых проходов через трансформер на 29B параметров на клип. Именно поэтому гайд выполняет guidance параллельно, а не последовательно. Именно поэтому практический вопрос о PAN 2 звучит не как «насколько это хорошо», а как «во сколько мне обходится клип», и ответ по собственной рецептуре производителя — узел на четыре GPU, две минуты на каждые тринадцать секунд видео. Никто не опубликовал более дешёвую конфигурацию, а стандартная конфигурация рецептуры с восемью H200 предполагает, что вариант с четырьмя B300 — это поджатая конфигурация, а не комфортный нижний порог.

Если хотите попробовать, планировщик — это та часть, которую можно арендовать.

У двухэтапной архитектуры PAN 2 есть странное практическое следствие. Дорогая половина — 29B-й диффузионный бэкбон — это та половина, которую приходится развертывать самостоятельно, поскольку никто не предлагает его в виде сервиса, и MBZUAI такого сервиса не создал. Дешёвая половина — концептуальный модуль рассуждения, который пишет структурированное описание состояния мира, — это обычная текстовая модель, и ею может быть любая модель, следующая инструкциям.

Именно здесь роутер оправдывает своё существование. Отчёт PAN 2 оценивает четыре reasoning-модели и ранжирует их по выполнению полного плана: Claude Opus 5.5 — первый, затем GPT-6 Astra при среднем уровне усилий, затем Kimi K3, затем Qwen3.8-Flash. Qwen3.8-Flash доступна на OrcaRouter, так что вы можете управлять этапом подписей PAN 2 через один API-ключ с автоматическим переключением при сбое, вместо того чтобы поднимать вторую локальную модель рядом с диффузионным стеком, и платить по прайс-листу провайдера с переданной сквозной наценкой 0%. Рендерер остаётся на ваших GPU; планировщику это не обязательно.

Четко обозначьте, чем это является, а чем — нет. OrcaRouter не размещает PAN 2 и не может маршрутизировать его — нигде нет размещённого PAN 2, на который можно было бы направить запросы. Что он может — это оставить языковую половину конвейера world-model на API с оплатой по факту использования, пока вы подбираете видеополовину под собственное оборудование. Если вы предпочитаете запускать оба этапа локально, репозиторий это тоже поддерживает, а скрипт prompt-rewriter включён именно для этого случая.

Что будет считаться объявлением

Три вещи в порядке возрастания значимости. Пост, статья или страница от IFM или MBZUAI, где упоминается PAN 2 и указывается дата релиза или версия — твит от 10 ноября закрыл первую половину этого, но не вторую. Хостинговый эндпоинт инференса, который позволил бы сравнивать стоимость с закрытыми видеомоделями, а не с арендой GPU. И независимый бенчмарк, проведённый кем-то, кто не является автором модели — Physics-IQ, PhyGround или RBench, оценённые третьей стороной, на промптах, которые команда не выбирала.

Пока по крайней мере первое из них не появится в полном объёме, честное описание PAN 2 таково: исследовательский артефакт под Apache-2.0 с работающим контуром обслуживания, документированным форматом промптов, откровенным разделом об ограничениях, одним постом в соцсети и без какого-либо коммерческого предложения за ним. Это больше, чем препринт, и меньше, чем продукт. Появление поддержки фреймворка 10 ноября не сделало это запуском. Оно сделало его запускаемым для людей, которые не хотят патчить репозиторий, чтобы получить первый кадр.

Итог

PAN 2 — редкий случай, когда инженерия опережает бумажную работу. Если вы занимаетесь симуляцией агентов, оценкой робототехники или исследованиями физического рассуждения и у вас есть узел с четырьмя GPU, веса доступны, рецепт есть, а двухэтапная конструкция задокументирована достаточно хорошо, чтобы её можно было воспроизвести. Если вам нужна цена за клип, соглашение об уровне обслуживания или поставщик, которому можно позвонить, ничего этого пока нет, и слияния 10 ноября этого не создали. Модель выпустили тихо — если «выпустили» вообще уместно для репозитория, слияния и поста из двух абзацев. Будет ли она когда-либо анонсирована в том смысле, который узнал бы покупатель, — отдельный вопрос от того, работает ли она, и сегодня ответ есть только на один из них.