PAN 2 vs ABot-Earth 0.7: Två världsmodeller, en axel ifrån varandra

Båda kallas världsmodeller. Båda kom ut under de sista två månaderna av 2026. Båda kommer att visa dig en plats där du aldrig har varit. Och de är inte utbytbara mot varandra i någon mening som en köpare skulle bry sig om, eftersom PAN 2 förutsäger vad som händer härnäst i en scen under de följande tjugo sekunderna, medan ABot-Earth 0.7 genererar en stad i kilometerskala som du kan promenera genom så länge du vill. Den ena är en modell för konsekvenser. Den andra är en modell för platser. Om du väljer mellan dem för ett projekt är det ärliga första steget att inse att frågan ”vilken är bättre” inte har något svar, medan den användbara frågan – vilken behöver din pipeline egentligen, och kan du få den – har det.

Den andra frågan är där de två skiljer sig kraftigt åt, och det är inte en smaksak. PAN 2 levereras som 86,17 gigabyte Apache-2.0-vikter med serveringsstöd infogat i vLLM-Omni; du kan ladda ner det i eftermiddag och köra det på dina egna GPU:er. ABot-Earth 0.7 är ett produktionssystem inuti Amaps konsumentapp, utan publikt API, utan vikter och med en vitlista för sin genereringsfunktion. En av dessa är en artefakt du kan hålla i handen. Den andra är en demonstration du kan titta på.

Vad var och en avger, exakt

PAN 2 tar en observation — en valfri första bildruta plus en textbeskrivning — och en uppsättning åtgärder beskrivna i text, och returnerar en MP4. Internt är den en tvåstegsmaskin: en språkmodell skriver en strukturerad, tidsförankrad beskrivning av världstillståndet, en fryst textkodare mappar den till betingningsfunktioner, och en multimodala diffusions-transformer på 29B renderar upp till tjugo sekunder av 704×1248-video vid 24 bilder per sekund. Utdata är kort, dyr och specifik: den besvarar "vad gör den här åtgärden med den här scenen", och svaret är begränsat till tjugo sekunder eftersom varje klipp simuleras från som mest en startbildruta.

ABot-Earth 0.7 tar en georefererad satellitbild, eller en textprompt, och returnerar en 3D Gaussian Splatting-scen med hierarkiska level-of-detail-strukturer, exporterbar till Unreal Engine och Unity. Amap – Alibabas kartdivision – avtäckte den på sin Street Stars-gala i Hangzhou den 10 september 2026, och presenterade den som den första nativa 3D-världsmodellen för städer och hävdade att den kan generera en miljö i kilometerskala på cirka tio minuter på en enda konsument-GPU. Resultatet är en plats, inte ett ögonblick: du utforskar den, du väntar inte på att den ska bli klar.

Satta sida vid sida blir missförhållandets form uppenbar.

• Utdata — PAN 2 returnerar en 20 sekunder lång MP4 i 704×1248 och 24 fps; ABot-Earth 0.7 returnerar en 3DGS-scen med LOD-strukturer, exporterbar till Unreal och Unity.

• Indata — PAN 2 tar en första bildruta plus en strukturerad åtgärdsbeskrivning; ABot-Earth 0.7 tar en satellitbild eller en textprompt.

• Tidshorisont — PAN 2 simulerar framåt i sekunder och får drift mellan klipp bortom det; ABot-Earth 0.7 är statisk i tid, en ögonblicksbild av en plats som inte utvecklas.

• Enhet — PAN 2:s dokumenterade standardkonfiguration för servering är åtta H200 i BF16, med ett recept med fyra B300 för tretton sekunder på 119 sekunder; ABot-Earth 0.7 uppges klara en kilometer på tio minuter på ett konsumentgrafikkort.

• Åtkomst — PAN 2 är Apache-2.0 på Hugging Face, utan åtkomstbegränsning, med kod på GitHub; ABot-Earth 0.7 har inga vikter, inget offentligt API och en generationsfunktion som endast är tillgänglig via inbjudan.

• Oberoende utvärdering – ingen av dem har någon. Båda uppsättningarna siffror kommer från labben som byggde modellerna.

Tid och rum är inte samma axel

Åtskillnaden under allt detta är värd att nämna eftersom den förändrar vad varje modell är avsedd för. ABot-Earth utvidgar en scen genom rymden: från en satellitruta syntetiserar den byggnaderna, gatorna och interiörerna som du skulle se om du flög dit, och den håller dem konsekventa när du rör dig från stadsöversikt till gatunivå. Dess anspråk är täckning och trohet i stor skala.

PAN 2 förlänger en scen genom tiden: från en bildruta och en beskriven handling förutspår det bildrutorna som följer, och det den försöker få rätt på är den kausala kedjan – stänket förändras när objektet förändras, eftersom massa och ytarea förändrades, och modellen har lärt sig det sambandet i stället för att ha memorerat ett stänk. IFM:s inramning är att en språkmodell förutspår nästa ord och PAN 2 förutspår nästa värld, och demon som spreds den 11 november 2026 gör det konkret: släpp en jordgubbe i en skål, gör den sedan till en gummianka, ändra sedan vätskan, och de tre simuleringarna skiljer sig på sätt som följer av fysiken.

En applikation som behöver den ena behöver sällan den andra. Ett robotikteam som utvärderar möjliga grepp behöver PAN 2:s axel. En kartprodukt, en driftsättning av en digital tvilling eller en spelstudio som bygger en miljö behöver ABot-Earths. Överlappningen är ett smalt band där någon vill placera en genererad stad i en simulering och sedan animera vad som händer inuti den – och där skulle de två samverka snarare än konkurrera, om den andra halvan gick att få tag på.

Jämförelsen som verkligen biter: kan du köra den?

När det gäller förmåga är de två ojämförbara och ingen har försökt jämföra dem. När det gäller upphandling är de som natt och dag.

PAN 2:s tillgänglighet är ovanligt komplett för en forskningsrelease. Vikterna lades upp den 7 oktober 2026 med ett modellkort, konfigurationer och en prompt-rewriter-skill; GitHub-repositoriet med inferens- och träningsskript följde den 5 november; vLLM-Omni mergade Day-0-stöd för text-till-video och bild-till-video den 10 november och en receptsida kom samma kväll, med dokumentation av konfigurationen med fyra B300 och standardkonfigurationen med åtta H200. IFM publicerade sitt tillkännagivande på X kl. 17:00 UTC den 10 november – femtiosex minuter efter ramverksmergen – med texten ”Vi presenterar PAN 2: en öppen grundläggande världsmodell för fysisk intelligens.” Inget blogginlägg, ingen länk till en artikel, ingen hostad endpoint, inget pris. Men själva saken går att ladda ner, och licensen tillåter kommersiell användning.

ABot-Earth 0.7:s åtkomstberättelse är den motsatta. Upplevelsesajten är live, men generering sker endast på inbjudan – gränssnittet beskriver skapande som i beta och erbjuder ansökan till vitlista. Det finns ingen publicerad prissättning, ingen prislista och ingen utvecklardokumentation som beskriver hur ett externt system skulle anropa det. 0.5-versionen i juni lade en teknisk rapport på arXiv och ett arkiv på GitHub, och det arkivet var en plats för rapporten snarare än en implementation; inget som tillkännagavs med 0.7 tyder på att vikterna har öppnats. Sajten är dessutom på förenklad kinesiska rakt igenom, utan språkväxlare, så att utvärdera den på engelska innebär att arbeta utifrån Amaps pressmaterial.

För de flesta team avslutar det jämförelsen innan kapaciteten ens diskuteras. En modell som du inte kan anropa är ingen kandidat; den är ett riktmärke för hur kategorin kommer att se ut när den blir adresserbar.

Vad Amap har som IFM inte har, och varför det inte överförs

Anledningen till att ABot-Earth 0.7 är värd att ta på allvar trots åtkomstproblemet är att den inte är en labbdemo. Den driver Flying Street View 2.0, konsumentfunktionen som ersatte genomflygningar längs fasta rutter med fritt utforskningsbart 3D-utrymme, och Amap säger att fler än 880 miljoner människor har använt Street Stars-ytan som den finns i. Försök pågår för utvalda platser i städer som Peking och Hangzhou, med användningsfall som företaget anger konkret: att kontrollera siktlinjen från en specifik teatersits, navigera i ett köpcentrumsinteriör och bedöma terräng inför en resa.

Bakom det ligger en dataposition som inget modelllabb snabbt kan kopiera – Amap uppger nästan en miljard månatliga aktiva användare, Beidou-positioneringens dagliga toppanrop närmar sig en biljon, och decennier av ackumulerade spatiotemporala data täcker vägnät, intressepunkter och realtidstrafik. 3DGS-arkitekturen är publicerad forskning. Korpusen bakom den är det inte.

Inget av detta hjälper en extern utvecklare, och det är just den del som lanseringsbevakningen tenderar att undvika. Amaps huvudsiffror – tio minuter per kvadratkilometer, upp till 1 000 gånger snabbare än traditionell rekonstruktion till ungefär en hundradel av kostnaden, fler än 196 länder och regioner, en 3DGS-utdata redo för Unreal och Unity – är alla rapporterade av leverantören, ingen av dem har oberoende reproducerats, och de levereras tillsammans med en vitlista snarare än en ändpunkt. Konsumentlanseringen är i sig ett slags bevis på att systemet fungerar i stor skala. Det är inte ett bevis på att du kan köra det.

Där var och en förtjänar sin plats i ett bygge

Anta för ett ögonblick att du kan få båda, eftersom det är den situation som kategorin är på väg mot. Uppdelningen är tydlig.

PAN 2 är ett filter för kandidathandlingar. Dess utformning förutsätter en agent som redan ingår i loopen: den konceptuella resoneraren är vilken instruktionsföljande språkmodell som helst, och IFM rangordnade fyra av dem efter fullständigt planuppfyllande – Claude Opus 5.5, GPT-6 Astra med medelhög ansträngning, Kimi K3, Qwen3.8-Flash – vilket visar att den avsedda formen är en resonerare som föreslår planer och en simulator som renderar deras konsekvenser så att resoneraren kan välja en. Kostnaden för den loopen är det man bör planera kring, inte videokvaliteten: femtio samplesteg med guidance i varje steg är hundra framåtpasseringar genom en 29B-transformer per klipp, och en plan med fem kandidater och tio steg är femtio klipp.

Den där reasoner-platsen är den enda delen av stacken som inte behöver något GPU-kluster, och alla fyra av IFM:s rankade modeller finns i OrcaRouter-katalogen. Genom att köra prompt-omskrivaren via en enda API-nyckel kan du byta planerare per experiment i stället för per avtal, med automatisk failover som absorberar leverantörsstörningar och leverantörens listpriser vidarebefordras med 0 % påslag, så en prisändring från leverantören slår igenom på endpointen samma dag den sker i stället för efter en upphandlingscykel. OrcaRouter har inte PAN 2 som värd och kan inte routa det — diffusionshalvan stannar på din hårdvara — men halvan som avgör vad som ska simuleras är vanligt mätarbete på text, och det är där variationen mellan körningar faktiskt ligger.

ABot-Earth är en miljöfabrik. Dess naturliga utdata är en plats att placera saker i: en träningsplats för förkroppsligade agenter, en digital tvilling, syntetisk kördata, en scen för en simulering. Om det någonsin släpper ett API är arbetsflödet det möjliggör komplementärt till PAN 2:s snarare än redundant – generera världen en gång och simulera sedan åtgärder i den – och de exportformat som Amap redan annonserar är anslutningspunkten.

Vad skulle ändra den här sidan

För ABot-Earth 0.7 är en sak viktigast av allt: ett publicerat API med ett pris. Det enda steget förvandlar en vitlista till en kandidat och gör kostnadsjämförelsen mot PAN 2:s GPU-kostnad meningsfull. Bakom det ligger tre mindre frågetecken – om en teknisk rapport för 0.7 överhuvudtaget dyker upp, eftersom 0.5 hade en inom några dagar; om vikterna öppnas, vilket skulle göra det till ett genuint annorlunda erbjudande för de simuleringsteam som Amap säger sig försöka värva; och om någon utanför Amap kan reproducera påståendet om tio minuter per kvadratkilometer på hårdvara de äger.

För PAN 2 är den saknade pusselbiten en studie av misslyckanden. Dess modellkort medger att ungefär två av tre simulerade planer innehåller minst ett steg som inte utförs, och att hur troget den simulerar planer som borde misslyckas ännu inte har mätts. En simulator som inte kan visa dig ett dåligt utfall är ett halvt filter. Oberoende utvärdering av kapacitetssiffrorna skulle också hjälpa; varje siffra i IFM:s rapport kommer från IFM:s utvärderingsramverk, med en panel på tretton granskare för den mänskliga studien.

Vilken ska man välja?

Om du behöver en plats – en stad, en byggnadsinteriör, terräng, vad som helst som du annars skulle rekonstruera med mätdata – kan PAN 2 inte hjälpa dig, och ABot-Earth 0.7 är det mer imponerande systemet, men du kan inte få det än, så det praktiska svaret är att stanna kvar på din nuvarande rekonstruktionspipeline och hålla utkik efter ett API. Om du behöver veta vad en handling gör innan du utför den kan ABot-Earth inte hjälpa dig alls – en statisk scen har inga konsekvenser i sig – och PAN 2 är en av de få open-weight-modeller som försöker, med vikterna, koden, serveringsreceptet och felfrekvensen allt publicerat.

Jämförelsen som folk söker efter, som om dessa vore konkurrerande produkter på en hylla, finns inte. Det som finns är en kategori – världsmodeller – som delar sig längs en axel som den mesta bevakningen inte har brytt sig om att namnge. Den ena sidan modellerar var saker befinner sig. Den andra modellerar vad som händer härnäst. I slutet av 2026 är det bara en av dem som kommer med en nedladdningslänk.