PAN 2 fick en serveringsväg innan det fick ett tillkännagivande

Klockan 16:03 UTC den 10 november 2026 slutförde en pull request som lade till Day-0-stöd för PAN 2:s text-till-video- och bild-till-video-generering sammanslagningen i vLLM-Omni. Klockan 20:55 UTC samma dag lade en andra pull request till receptsidan som beskriver hur man serverar den. PAN 2 är en videodiffusionstransformator med 29 miljarder parametrar från Institute of Foundation Models vid MBZUAI, och anledningen till att dessa två sammanslagningar är historien är ordningen de kom i. Hugging Face-arkivet är daterat till den 7 oktober 2026 och GitHub-arkivet till den 5 november, så under fem veckor var det enda offentliga spåret av modellen arkivmetadata. Det första förstahandsuttalandet jag kan hitta är ett enda inlägg från labbets eget X-konto, @IFM_AI, tidsstämplat 17:00 UTC den 10 november — femtiosex minuter efter sammanslagningen med vLLM-Omni och nästan fyra timmar före receptet. Det står "Introducerar PAN 2: en öppen grundvärldsmodell för fysisk intelligens", innehåller en video och länkar inte till något utanför sig själv. Inget blogginlägg, ingen URL till en artikel, ingen hostad slutpunkt, ingen prissida, inget pressmeddelande. Så serveringsvägen föregick verkligen tillkännagivandet, och tillkännagivandet, när det kom, var mindre än sammanslagningen: några hundra gillningar och ett par stycken. Det som finns är 86,17 GB Apache-2.0-checkpoint, en ramverksintegration och en tweet.

Vad som faktiskt landade, och i vilken ordning

Fyra separata saker inträffade, och att blanda ihop dem är hur ett tyst släpp misstas för en lansering.

• Vikterna — IFM/PAN2 på Hugging Face, repositoryt skapades den 7 oktober 2026 kl. 23:42 UTC, senast ändrat den 9 november 2026 kl. 21:52 UTC med en commit som lade till stöd för säkerhetskontroll som en modulär pipelinekomponent i Diffusers. Sextio filer, 86,17 GB, utan åtkomstbegränsning, Apache-2.0.

• Koden – github.com/ifm-ai/PAN2, skapad 5 november 2026, med en enda commit pushad 20:13 UTC den dagen. Inte en forskningsdump med en död README: det finns inferensskript, låsta miljöversioner, träningskonfigurationer, en prompt-rewriter-skill och dokumentation för driftsättning, träning och inferens.

• Serveringsvägen – vLLM-Omni PR #8602 för Day-0-stöd för text-till-video och bild-till-video, sammanslagen 10 november kl. 16:03 UTC, och vLLM-recept-PR #10126, sammanslagen samma kväll kl. 20:55 UTC.

• Uttalandet – @IFM_AI på X, 10 november kl. 17.00 UTC: "Vi presenterar PAN 2: en öppen grundläggande världsmodell för fysisk intelligens." Två stycken, en video, ingen länk till ett inlägg, en artikel eller en sida.

Den sekvensen är ovanlig, och tillkännagivandet är det som gör den märkligare snarare än mer normal. Vanligtvis tillkännager ett labb, publicerar vikter och ramverksstöd sipprar in under de följande veckorna medan användare rapporterar ärenden. Här kom ramverkssammanslagningen först, tillkännagivandet kom femtios sex minuter senare och receptet kom fyra timmar efter det. Det mest substantiella offentliga artefakten i modellens korta liv är fortfarande en pull request, vilket säger något om hur den här releasen sköttes: som en artefaktleverans för människor som läser repositorier, med ett socialt inlägg tillagt nästan som en eftertanke.

Vad repositoriet kommer att berätta för dig

Mer än de flesta lanseringsinlägg. PAN 2 är en världsmodell, inte en videogenerator med filmiskt anslag – distinktionen är arkitektonisk snarare än retorisk. Den implementerar mönstret Generative Latent Prediction som beskrivs i Kritik av världsmodeller (arXiv 2507.05169) och delar upp uppgiften i två delar. En konceptuell resonerare, vilket är vilken instruktionsföljande språkmodell som helst, läser observationen och de begärda åtgärderna och skriver nästa världstillstånd som en strukturerad, tidsförankrad bildtext: händelser i ordning, åtgärder kopplade till aktörer, kamerarörelse. En fryst textkodare mappar den bildtexten till betingningsfunktioner. Sedan förutsäger en 29B multimodala diffusions-transformer, tränad från grunden på hundratals miljoner videor annoterade i samma format, den perceptuella detalj som bildtexten lämnar öppen. En Wan 2.2 VAE avkodar de latenta representationerna, och det du får är en video på upp till 20 sekunder i 704×1248 och 24 bilder per sekund.

Den publicerade konfigurationen är tillräckligt specifik för att kunna beräkna kostnaden. Transformer-konfigurationen anger 44 lager, 32 uppmärksamhetshuvuden med 128 dimensioner vardera, en patchstorlek på 1×2×2, 97 indatakanaler och 48 utdatakanaler. Standardsamplern är 50 steg vid en flow shift på 9 med classifier-free guidance på 2,5 i varje steg. Standardlängden är 241 bildrutor, ungefär tio sekunder; taket är 481 bildrutor. Textkodaren är Qwen3.5-9B, fryst och oförändrad, och VAE:n är Wan 2.2:s. Båda laddas ner från sina egna repositorier — MBZUAI redistribuerar dem inte, och modellkortet är noga med att påpeka det.

Det finns också en prompt-rewriter-färdighet som medföljer i repot, med en systemprompt, en fast negativ prompt och en validator som kontrollerar bildtexter mot textencoderns tokenbudget: en mjuk gräns på 1 480 tokens och en hård kapacitet på 1 536. Det är den mest användbara enskilda artefakten i släppet. Det säger dig att modellen inte riktigt hanterar fritext väl, och att teamet vet om det.

Vad det inte kommer att berätta för dig

Nästan allt en köpare skulle fråga om. Det finns inget pris, eftersom det inte finns något API. Det finns ingen hostad slutpunkt från MBZUAI. Det finns inget oberoende benchmark: siffrorna i modellkortet är teamets egna, uppmätta med deras egen testrigg, och kortet är ovanligt öppenhjärtigt om förutsättningarna – Physics-IQ Verified normaliserat så att variansen mellan två riktiga tagningar är lika med 100, PhyGround poängsatt på en femgradig skala av Qwen3.8-27B, RBench som ett ovägt medelvärde över fem uppgifts- och fyra embodimentkategorier. Det är försvarbara val, och inget av dem är tredjepartsverifiering.

Den mänskliga utvärderingen är det starkaste beviset i släppet och också det mest begränsade. Blind parvis preferens över 140 promptar – 90 text-till-video, 50 bild-till-video – bedömd utifrån handlingstrohet, fysik och världskonsistens av 13 granskare över 1 400 jämförelser, med Elo anpassat med Bradley–Terry och centrerat vid 1500. Tretton granskare är en liten panel, och de bedömde teamets egen modell mot baslinjer. Det är mer än vad de flesta labb publicerar. Det är inte en topplista.

Och avsnittet om begränsningar är rakare än vad som är normalt för genren: ungefär två av tre simulerade planer innehåller minst ett steg som inte genomförs. Den där enda meningen är det viktigaste talet i releasen, och det är det som ett lanseringsinlägg skulle ha begravt.

Genomströmningssiffran i receptet är den egentliga historien

Stöd för ramverk spelar roll på grund av vad receptet påstår, inte för att en logotyp har lagts till. Receptsidan för vLLM anger att PAN 2 genererar 13 sekunder av 704×1248-video på ungefär 119 sekunder på fyra B300-GPU:er, med classifier-free-guidance-parallelism över två ranker och Ulysses-sekvensparallelism över två. Standardkonfigurationen är åtta H200:or i BF16, och det dokumenterade serve-kommandot lägger till VAE-patchparallelism över fyra ranker i tile-läge – en detalj som bara spelar roll eftersom avkodningen av ett 20 sekunder långt 704×1248-klipp utgör ett eget minnesproblem.

Läs de siffrorna mot samplerinställningarna. Femtio steg med vägledning på varje steg innebär hundra framåtpasser genom en 29B-transformer per klipp. Det är därför guiden kör vägledning parallellt i stället för sekventiellt. Det är också därför den praktiska frågan om PAN 2 inte är "hur bra är den" utan "vad kostar ett klipp mig", och svaret enligt leverantörens eget recept är en nod med fyra GPU:er i två minuter per tretton sekunder video. Ingen har publicerat en billigare konfiguration, och receptets standard på åtta H200 antyder att uppsättningen med fyra B300 är en ansträngd lösning snarare än en bekväm lägstanivå.

Om du vill prova det är planeraren den del du kan hyra

PAN 2:s tvåstegsdesign har en märklig praktisk konsekvens. Den dyra halvan – 29B-diffusionsryggraden – är den halva du måste självhosta, eftersom ingen erbjuder den som en tjänst och MBZUAI inte har byggt någon. Den billiga halvan, den konceptuella resoneraren som skriver den strukturerade beskrivningen av världstillståndet, är en vanlig textmodell och kan vara vad som helst som följer instruktioner.

Det är där en router gör sig förtjänt av sin plats. PAN 2-rapporten utvärderar fyra resonemangsmodeller och rangordnar dem efter fullständig planuppfyllnad: Claude Opus 5.5 först, sedan GPT-6 Astra med medium insats, sedan Kimi K3 och sedan Qwen3.8-Flash. Qwen3.8-Flash finns på OrcaRouter, så du kan driva PAN 2:s bildtextssteg genom en enda API-nyckel med automatisk redundansväxling i stället för att sätta upp en andra lokal modell bredvid diffusionsstacken, och betala leverantörens listpris med 0 % påslag som förs vidare. Renderaren stannar på dina GPU:er; planeraren behöver inte göra det.

Var tydlig med vad det är och inte är. OrcaRouter är inte värd för PAN 2 och kan inte routa det – det finns ingen hostad PAN 2 någonstans att routa till. Det den kan göra är att hålla språkhalvan av en world-model-pipeline på ett API med förbrukningsmätning medan du dimensionerar videohalvan mot din egen hårdvara. Om du hellre vill köra båda stegen lokalt stöder repot det också, och prompt-rewriter-skriptet ingår just för det fallet.

Vad skulle räknas som ett tillkännagivande

Tre saker, i stigande ordning efter betydelse. Ett inlägg, en artikel eller en sida från IFM eller MBZUAI som namnger PAN 2 och anger ett releasedatum eller en version – tweeten den 10 november uppfyllde den första halvan av det, men inte den andra. En hostad inferensslutpunkt, som skulle göra det möjligt att jämföra kostnader mot slutna videomodeller i stället för mot GPU-hyrning. Och ett oberoende benchmark som körts av någon som inte är modellens upphovsperson – Physics-IQ, PhyGround eller RBench poängsatt av en tredje part, på prompter som teamet inte valde.

Tills åtminstone den första av dessa har kommit på plats i sin helhet är den ärliga beskrivningen av PAN 2 följande: en forskningsartefakt under Apache-2.0 med en fungerande serveringsväg, ett dokumenterat promptformat, ett uppriktigt avsnitt om begränsningar, ett inlägg i sociala medier och inget kommersiellt erbjudande bakom det. Det är mer än en preprint och mindre än en produkt. Att ramverksstödet landade den 10 november gjorde det inte till en lansering. Det gjorde det körbart för människor som inte vill patcha ett repository för att få en första bildruta.

Slutsatsen

PAN 2 är ett sällsynt fall där tekniken ligger före pappersarbetet. Om du bygger agentsimulering, utvärdering av robotik eller forskning om fysiskt resonemang och har en nod med fyra GPU:er, finns vikterna där, receptet finns där, och tvåstegsdesignen är dokumenterad tillräckligt väl för att kunna reproduceras. Om du behöver ett pris per klipp, ett serviceavtal eller en leverantör att ringa, finns inget av det ännu, och sammanslagningarna den 10 november skapade det inte. Modellen släpptes tyst, om "släpptes" ens är ordet för ett kodförråd, en sammanslagning och ett inlägg på två stycken. Huruvida den någonsin tillkännages i den bemärkelse en köpare skulle känna igen är en separat fråga från huruvida den fungerar, och bara en av dem har ett svar i dag.