PAN 2 против Genie 4: обе включают языковую модель в цикл, но только одна называет её

Две самые интересные модели мира конца 2026 года устроены одинаково, и ни одна из компаний не выносит это на первый план. PAN 2 — модель мира с открытыми весами на 29 млрд параметров от Institute of Foundation Models, опубликованная в виде чекпойнта под Apache-2.0 7 октября 2026 года, с кодом инференса и обучения, появившимся 5 ноября, и поддержкой обслуживания в vLLM-Omni с первого дня — 10 ноября. Genie 4 — интерактивная модель мира в реальном времени от Google DeepMind, анонсированная 27 октября 2026 года: она генерирует сцену, которую можно исследовать, по текстовому описанию и позволяет управлять ею с клавиатуры, пока параллельно играет нативный звук. Поставьте их рядом — и ожидаемый контраст (открытые веса против исследовательского превью, двадцать секунд видео против живой сессии) реален, но скучен. Интересно другое: обе перекладывают «мышление» на языковую модель, но только PAN 2 сообщает, какую именно языковую модель использует, и позволяет её заменить.

Это единственное различие в раскрытии информации значит больше, чем таблица бенчмарков, потому что именно от него зависит, можете ли вы вообще рассуждать о системе. Модель мира с безымянной половиной, отвечающей за рассуждения, — это продукт. Модель мира с названной и заменяемой половиной, отвечающей за рассуждения, — это архитектура.

Общая схема: модуль рассуждения пишет будущее, рендерер отрисовывает его.

PAN 2 реализует Generative Latent Prediction — подход, формализованный в «Критике мировых моделей» (arXiv 2507.05169). Концептуальный модуль рассуждения — любая языковая модель, следующая инструкциям, — читает текущее наблюдение и запрошенные действия и записывает следующее состояние мира в виде структурированного, привязанного ко времени описания: события по порядку, каждое действие привязано к исполнителю, который его совершает, плюс движение камеры. Замороженный текстовый энкодер Qwen3.5-9B превращает это описание в признаки условия. Мультимодальный диффузионный трансформер на 29B, обученный с нуля на сотнях миллионов аннотированных видео, восполняет перцептивные детали, которые описание оставляет открытыми, а VAE Wan 2.2 декодирует результат в кадры.

В опубликованном Google описании Genie 4 то же разделение труда, но под другими названиями продуктов. Gemini Omni обеспечивает реалистичность внешнего вида и поведения в симуляции; другие модели Gemini предоставляют рассуждения для согласованности и непрерывности; а Gemini 3.8 Flash выступает в роли ведущего агента, который наблюдает за сценой, планирует шаги и проверяет прогресс. Эта последняя роль — верификатор в контуре: языковая модель, которая следит за мировой моделью и удерживает её в рамках задачи. Google также объединила Genie 4 с Gemini 4 Argon для многошагового робототехнического моделирования, включая демонстрацию гуманоида Apptronik Apollo, играющего в шашки.

Итак, в обоих стеках пиксели — это дешёвая и быстрая половина, а языковая модель — половина, которая решает, что должно произойти. Вот форма, к которой область пришла в 2026 году, не объявив об этом: модель мира — это не видеогенератор с физическим приором, а планировщик плюс рендерер, и планировщик — это обычная текстовая модель, которую можно измерить.

Эта сходимость — причина, по которой разрыв в раскрытии информации имеет значение. IFM ранжировала четырёх планировщиков по тому, как часто смоделированный план выполняется от начала до конца — Claude Opus 5.5 занял первое место, GPT-6 Astra при среднем уровне усилий — второе, Kimi K3 — третье, Qwen3.8-Flash — четвёртое, — и опубликовала этот рейтинг вместе с испытательным стендом, который его создал, заявив при этом, что концептуальный модуль рассуждения по определению взаимозаменяем. Google назвала Gemini 3.8 Flash в контуре, что больше, чем сообщают большинство лабораторий, и ничего не опубликовала о том, как его заменить, тарифицировать отдельно или измерить, будет ли другая модель планировать лучше.

Двадцать секунд в пакетном режиме — или сеанс, которым управляете вы.

Модели взаимодействия противоположны, и именно здесь эти два перестают быть сопоставимыми и становятся разными инструментами.

• Вывод — PAN 2 возвращает до двадцати секунд видео 704×1248 с частотой 24 кадра в секунду за один вызов; Genie 4 возвращает живую постоянную сцену, разрешение, частоту кадров и длительность которой Google не публиковал.

• Управление — PAN 2 принимает один начальный кадр плюс структурированное описание действия, уточнённое навыком переписывания промптов; Genie 4 принимает текстовый промпт, а затем непрерывный ввод с клавиатуры для движения и камеры.

• Аудио — у PAN 2 его нет; Genie 4 генерирует фоновый звук, музыкоподобное аудио и интерактивные диалоги персонажей вместе с визуальным рядом, что Google называет первым в своем роде для модели мира в реальном времени.

• Пакетный режим — PAN 2 представляет собой пакетный оракул: один вызов, один клип, никакой обратной связи внутри вызова; Genie 4 — это замкнутый цикл, в котором ваш ввод на третьей секунде изменяет четвёртую секунду.

• Стоимость — документированная конфигурация PAN 2 по умолчанию — восемь H200 в BF16, а рецепт vLLM обрабатывает тринадцать секунд видео 704×1248 примерно за 119 секунд на четырёх B300; у Genie 4 нет цены, потому что нет доступа для самостоятельного использования.

• Доступ — веса PAN 2 занимают 86,17 гигабайта в шестидесяти файлах под лицензией Apache-2.0, без ограничений; Genie 4 — это исследовательская предварительная версия для доверенных тестировщиков с заявленным путём для подписчиков AI Ultra через лист ожидания и для партнёров по раннему доступу через Gemini API и Google AI Studio.

Прочитайте этот список — и практический ответ четко распадается на две части. Если вы хотите несколько тысяч раз спросить «что будет, если» и оценить ответы, PAN 2 — единственный из двух, который можно вызывать в цикле, который вы контролируете. Если вы хотите исследовать, управлять и слушать, Genie 4 — единственный из двух, который вообще предлагает хоть какое-то место, — и, вероятно, попасть туда вы пока не можете.

Спецификацию, которую Google не опубликовал

Самое поразительное в анонсе Genie 4 — это длина списка того, что в нём отсутствует: ни разрешения, ни частоты кадров, ни количества параметров, ни цены, ни измеренной длительности сохранения согласованности сцены, ни бенчмарка с указанными базовыми моделями. Что Google действительно опубликовала, так это набор признаний — согласованность сохраняется в течение коротких сессий, а визуальные детали и постоянство объектов могут дрейфовать при более длительных прогонах, после сложных правок или во время навигации. Сложные физические взаимодействия, точность звука, разборчивый текст внутри мира, пространственная точность и долгосрочная согласованность перечислены как открытые исследовательские проблемы. Каждый результат несёт водяной знак SynthID.

Ничто из этого не является уклонением. Это честная форма исследовательского превью, и упоминание дрейфа как открытой проблемы — это больше, чем делают большинство анонсов запуска. Но это означает, что читатель не может ничего вычислить по Genie 4: ни клипов на доллар, ни секунд на GPU, ни длительности, при которой сцена перестаёт быть пригодной. Единственное число, которое покупатель хотел бы знать больше всего — как долго сессия остаётся связной — это то, что анонс описывает качественно и не оценивает количественно.

PAN 2 отвечает на тот же вопрос числом, которое хуже и потому полезнее. В его карточке модели указано, что примерно в двух из трёх смоделированных планов есть как минимум один шаг, который не выполняется. В ней говорится, что внешний вид дрейфует от клипа к клипу при длительных взаимодействиях, поскольку каждый клип моделируется на основе не более чем одного начального кадра и текста, а перцептивная память названа недостающим элементом, а не решённой задачей. В ней признаётся, что текст хорошо выражает «открой ящик» и плохо — «помести каждый палец сюда», что ограничивает ловкие манипуляции. Приводится конкретный пример сокращённого пути — макароны оказываются в дуршлаге до того, как с них слили воду, — и признаётся, что моделирование планов, которые должны проваливаться, по словам карточки, ещё не измерено.

Это последнее признание — именно то, что должно сопровождать любую модель мира при попадании в продуктовую спецификацию. Симулятор, который умеет отображать только успех, — это генератор правдоподобных исходов, а не фильтр плохих, и вся основа симулятивного рассуждения — смоделировать несколько вариантов плана, сравнить, действовать по лучшему — зависит от способности модели показать вам, как план терпит неудачу. PAN 2 прямо говорит, что на этом его не тестировали. Genie 4 не говорит ни да, ни нет.

Отказоустойчивое переключение не является функцией ни одной из этих моделей, а ведь именно эта функция вам и нужна.

Обе эти системы — исследовательские артефакты, нацеленные на проблему, которую будут решать команды со сроками выпуска в продакшен, и именно в зазоре между этими двумя вещами слой маршрутизации оправдывает своё место. Рендерная половина стека PAN 2 — это ваше оборудование, и она всегда ею останется: OrcaRouter не размещает PAN 2 и не может маршрутизировать его, и никакой каталог не способен маршрутизировать 29-миллиардный диффузионный трансформер, который вы запускаете на собственном узле. Маршрутизировать можно ту половину, которая решает, что симулировать, поскольку эта половина — обычная текстовая работа с оплатой по потреблению.

Все четыре планировщика, которым IFM присвоил рейтинг, входят в каталог OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3 и Qwen3.8-Flash. Поэтому слот рассуждающей модели — единственная часть конвейера PAN 2, которую можно протестировать уже сегодня днём без аренды GPU-узла: направьте prompt-rewriter на каждого из них через один ключ, зафиксируйте диффузионную половину и посчитайте, как часто ваши планы выживают.Цены из прайс-листов провайдеров проходят через нас с наценкой 0%, поэтому сравнение стоимости — это собственные тарифы поставщиков, а не наши, а автоматическое переключение при сбое сглаживает кратковременный сбой провайдера посреди серии, а не прерывает прогон.

Тот же маршрут покрывает сторону Genie 4 лишь отчасти. Gemini 3.8 Flash — это модель, которую Google описывает как ведущего агента Genie 4 в контуре, и она доступна для вызова через тот же каталог. Genie 4 вам не получить. Вы можете собрать ту часть архитектуры, которую Google действительно описал, — модель со зрением, которая наблюдает за сгенерированными кадрами, планирует следующие шаги и проверяет прогресс, — и направить её на модель мира, которая у вас уже есть. Это не тот же продукт. Это тот же слой управления, и именно в нём на самом деле сосредоточена большая часть инженерной работы.

Отдавайте себе отчёт, чего стоит приведённый выше рейтинг: порядок IFM был измерен на задачах IFM с использованием тестового стенда IFM и в сравнении с собственными базовыми показателями IFM, и никто его не воспроизвёл. Это список кандидатов, а не таблица лидеров. Прогон ваших собственных промптов через четырёх кандидатов — это пара часов работы и единственное доказательство, применимое к вашей задаче.

Ещё одно число, которое стоит закладывать в любой бюджет, — это число, относящееся к сервингу. Пятьдесят шагов сэмплера при сдвиге потока 9 и guidance 2,5 на каждом шаге означают сто прямых проходов через 29B-трансформер на один клип, поэтому guidance приходится распараллеливать по рангам, а не запускать последовательно. Планировщик, который оценивает пять кандидатных действий на каждом шаге в задаче из десяти шагов, запрашивает пятьдесят клипов, что в опубликованной конфигурации на четырёх B300 означает занятый узел в течение почти двух часов, прежде чем из результата будет хоть что-то извлечено. Симулятивное рассуждение дорого не потому, что модель большая. Оно дорого потому, что идея — это цикл.

Вывод, контроль и то, что каждый из них отказывается говорить о длительности

Сравнение ведётся по шести параметрам, и четыре из них вовсе не касаются качества.

• Вывод — PAN 2 возвращает до двадцати секунд видео 704×1248 с частотой 24 кадра в секунду за один вызов; Genie 4 возвращает живую постоянную сцену, разрешение, частоту кадров и длительность которой Google не публиковал.

• Управление — PAN 2 принимает один начальный кадр плюс структурированное описание действия, уточнённое навыком переписывания промптов; Genie 4 принимает текстовый промпт, а затем непрерывный ввод с клавиатуры для движения и камеры.

• Аудио — у PAN 2 его нет; Genie 4 генерирует фоновый звук, музыкоподобное аудио и интерактивные диалоги персонажей вместе с визуальным рядом, что Google называет первым в своем роде для модели мира в реальном времени.

• Поведение цикла — PAN 2 — это пакетный оракул без обратной связи внутри вызова; Genie 4 — это замкнутый контур, в котором ваш ввод на третьей секунде изменяет четвёртую секунду.

• База затрат — согласно документации, конфигурация PAN 2 по умолчанию — восемь H200 в BF16, а рецепт обработки тринадцати секунд видео 704×1248 занимает примерно 119 секунд на четырёх B300; у Genie 4 цены нет, поскольку доступа для самостоятельного использования не существует.

• Доступ — веса PAN 2 занимают 86,17 гигабайта в шестидесяти файлах под лицензией Apache-2.0, без ограничений; Genie 4 — это исследовательская предварительная версия для доверенных тестировщиков с заявленным путём для подписчиков AI Ultra через лист ожидания и для партнёров по раннему доступу через Gemini API и Google AI Studio.

Строка длительности — это та, что определяет большинство реальных решений, и именно в ней эти двое наименее сопоставимы. PAN 2 даёт вам ровно двадцать секунд и сообщает, что они дрейфуют между клипами, поскольку каждый смоделирован максимум из одного начального кадра плюс текста. Genie 4 даёт вам сессию неопределённой длины, признаёт, что согласованность сохраняется только на коротких сессиях, и называет долгосрочную согласованность открытой исследовательской проблемой. Ни один из них не скажет вам, при какой длительности вывод перестаёт быть надёжным, и именно это число — а не оценка бенчмарка — реально нужно конвейеру.

Что сделало бы это настоящим сравнением

Одно замечание: общая задача. Никто не запускал PAN 2 и Genie 4 на одном и том же вопросе, и неочевидно, что это возможно — один создаёт клипы фиксированной длины по подписи, другой — интерактивную сессию по промпту и клавиатуре. Ближайшим к общей метрике было бы соблюдение действий в рамках описанного плана, и только PAN 2 опубликовал для этого стенд: 300 случаев с одним действием по шести категориям возможностей, 100 многошаговых задач, представленных как 200 промптов и 456 шагов, с оценкой завершения шагов и завершения полного плана на трёх сидах. Тринадцать рецензентов получили числа человеческого предпочтения на 140 промптах в слепом попарном исследовании, сравнивая модель авторов с базовыми моделями авторов. Это не независимо. Это понятно, что является следующим лучшим вариантом, и это больше, чем предлагает другая сторона.

Итак, выбор, сформулированный настолько прямо, насколько позволяют данные. Если вам нужна модель мира, которую можно скачать, проверить, дообучить и запрашивать пакетно, — и у вас есть или вы можете арендовать узел с несколькими GPU, — PAN 2 является самым полным открытым релизом в этой категории, а его раздел об ограничениях — самая ценная страница в нём. Если вам нужен мир, по которому человек может ходить внутри, со звуком, и вы готовы ждать в списке ожидания и разрабатывать под API, у которого нет ни сроков, ни цены, то Genie 4 — более впечатляющая система и та, за которой стоит путь распространения.

Ошибка, которой нужно избегать, — считать любое из них заменой другому. Широта возможностей Genie 4 не доказывает, что она способна оценивать план; скачиваемые веса PAN 2 не доказывают, что она способна удерживать сцену целостной, пока вы ею управляете. Что у них действительно общего — это архитектура, к которой обе компании пришли независимо: языковая модель принимает решения, диффузионная модель рисует, — и тот факт, что в 2026 году заглянуть внутрь всё ещё можно только у одной из двух.