PAN 2 vs Qwen3.8-27B: Motståndaren finns redan inuti modellen

De flesta modelljämförelser har en tydlig gräns: två checkpoints, två leverantörer, välj en. Den här har det inte, eftersom Qwen löper genom PAN 2:s tekniska infrastruktur på tre ställen samtidigt. PAN 2 laddar Qwen3.5-9B som sin frysta textkodare, komponenten som omvandlar en strukturerad beskrivning av världstillståndet till de konditioneringsegenskaper som dess diffusionstransformator med 29 miljarder parametrar konsumerar. PhyGround-poängen i PAN 2:s egen tekniska rapport bedöms av Qwen3.8-27B, den modell som den här sidan nominellt jämför den mot. Och Qwen3.8-Flash är en av fyra konceptuella resonemangsmotorer som rapporten utvärderar för att överhuvudtaget skriva PAN 2:s beskrivningar. Så den ärliga inramningen är inte PAN 2 kontra Qwen3.8-27B. Det är en videovärldsmodell från MBZUAI:s Institute of Foundation Models, publicerad i tysthet och aldrig lanserad, som bygger på Qwen-komponenter, delvis betygsätts av en Qwen-domare och jämförs med en vision-språkmodell med 27 miljarder parametrar från Alibaba som är en komplett produkt i sig. Den intressanta frågan är vilka av dessa relationer du bör bry dig om när du väljer vad du ska driftsätta.

Vad det gemensamma DNA:t innebär och inte innebär

Det betyder inte att de två modellerna är jämförbara. PAN 2 producerar video; Qwen3.8-27B producerar text. Inget i den delade encodern ändrar det, och det finns ingen benchmark som rankar dem mot varandra. Den som presenterar en head-to-head-poäng presenterar ett intryck.

Vad det innebär är att jämförelsen är ovanligt informativ om proveniens. När PAN 2 läser din bildtext läser den den genom en Qwen-kodare som MBZUAI laddade ner oförändrad från sitt eget arkiv, och modellkortet är tydligt med att Qwen3.5-9B-vikterna används som de släpptes och inte har finjusterats av MBZUAI. Tokenbudgeten som promptvalideraren tillämpar – mjukt 1 480 tokens, hårt 1 536 – är Qwen3.5-9B:s budget, inte PAN 2:s. Och när rapporten anger ett PhyGround-tal producerades det talet genom att be Qwen3.8-27B bedöma genererad video på en femgradig skala. Domaren är rivalen.

Det är ingen skandal. Att använda en stark öppen modell som automatisk bedömare är standardpraxis, och att redovisa det är bättre än vad de flesta labb klarar av. Men det innebär att beviskedjan för PAN 2 går genom Alibabas modellfamilj vid tre separata punkter, och om du utvärderar PAN 2 bör du veta vilka av dess siffror som är mätningar av PAN 2 och vilka som är mätningar av PAN 2 såsom Qwen ser det.

Qwen3.8-27B, på sina egna villkor

Alibabas modell är en helt annan typ av objekt: en kausal språkmodell med 27 miljarder parametrar och en vision-encoder, byggd på Qwen3.5-arkitekturen med en hybridlayout – sexton upprepningar av tre Gated DeltaNet-block följt av ett Gated Attention-block, totalt 64 lager, en dold dimension på 5 120 och ett padat ordförråd på 248 320 token. Det inbyggda kontextfönstret är 262 144 token och kan utökas till en miljon. Den är Apache-2.0, den publicerades på Hugging Face den 5 augusti 2026 och den har 7,4 miljoner nedladdningar per månad.

Leverantörens siffror är starka och kortet är ett av de mer kompletta inom fältet för öppna vikter: GPQA Diamond 89.2, HLE 30.8, LiveCodeBench v6 90.3, SWE-bench Pro 61.7, Terminal-Bench 2.1 på 73.0, OSWorld-Verified 84.3, OmniDocBench 1.5 på 91.1, CharXiv reasoning 83.7, IFBench 79.5, CoWorkBench 70.7. På MathVision rapporterar den 90.0 utan tankekedja och 94.6 med. Det är Alibabas egna utvärderingar mot Alibabas egna baslinjer, vilket är samma förbehåll som gäller för varje leverantörstabell på den här sidan, inklusive PAN 2:s.

• Modalitet – Qwen3.8-27B: text, bild och video in; text ut. PAN 2: en valfri första bildruta plus en strukturerad bildtext in; MP4 ut.

• Storlek — Qwen3.8-27B: 27B dense, 64 lager, ungefär 27,8 miljarder safetensors-parametrar. PAN 2: en 29B-diffusionstransformator på 67,37 GB i BF16, plus en fryst Qwen3.5-9B-kodare på 15,87 GB och en Wan 2.2 VAE.

• Kontext — Qwen3.8-27B: 262,144 token inbyggt, upp till en miljon. PAN 2: en enda bildtext begränsad till 1,536 text-encoder-token, och en startbild.

• Licens — Qwen3.8-27B: Apache-2.0. PAN 2: Apache-2.0 för dess egna vikter, med tredjepartskomponenter under deras egna villkor.

• Serving — Qwen3.8-27B: Transformers, vLLM, SGLang, TokenSpeed och en hostad Qwen Cloud-slutpunkt som Alibaba anger kommer snart. PAN 2: Diffusers, vLLM-Omni och repots egen generate.py, på din hårdvara, och inget hostat någonstans.

Varför valet av encoder är den mest avgörande raden i PAN 2:s kort

Att frysa en 9B-textkodare och endast träna diffusionsryggraden är ett försvarbart ingenjörsbeslut, och det är anledningen till att PAN 2:s diffusionshalva är 29B i stället för 40B. Det sätter också en hård gräns för vad PAN 2 kan få veta. Den konceptuella resonemangsmotorn skriver en bildtext; Qwen3.5-9B mappar den till särdrag; diffusionsmodellen renderar utifrån dessa särdrag. Vad Qwen3.5-9B inte kan representera kan PAN 2 inte simulera, oavsett hur bra bildtexten är.

Detta förklarar en begränsning som kortet rakt ut anger och som de flesta läsare hoppar över: modellen är känslig för promptens formulering, exempel utanför träningsdistributionen byggde på handförfinade prompts, och {{1}}textaktioner anger fingerfärdig manipulation endast grovt{{/1}}. Det är inte tre separata problem. De är {{2}}samma problem sett på tre sätt{{/2}} — gränssnittet mellan en språkbeskrivning och en fast textkodare, med en {{3}}budget på 1 536 token{{/3}} och ett fryst ordförråd på ena sidan.

Jämför det med hur Qwen3.8-27B hanterar samma uppgift. Den är resonemangsmotor och kodare i ett och samma objekt, med ett fönster på 262 144 token, inbyggd tankestyrning som kan stängas av per begäran, en reasoning_effort-ratt och preserve_thinking för att behålla resonemangskontext mellan turer. Om din uppgift är att beskriva en scen och en plan med tillräcklig detalj för att något nedströms ska kunna agera på den, är Qwen3.8-27B byggd för det och PAN 2 är byggd för att konsumera utdata. De konkurrerar inte om samma plats; den ena ligger uppströms om den andra.

Driftsättningsasymmetrin som ingen tar upp i jämförelsetabellen

{{1}}Qwen3.8-27B{{/1}} är en stor modell som körs som en vanlig stor modell. Tjugosju miljarder parametrar i BF16 är ungefär {{2}}55 GB{{/2}} vikter, vilket får plats på {{3}}en 80 GB-accelerator{{/3}} med utrymme för en KV-cache, och kortet listar {{4}}fyra serving-stackar{{/4}} plus en {{5}}OpenAI-kompatibel hostad endpoint{{/5}} på väg. Du kan få den att svara på förfrågningar samma eftermiddag som du bestämmer dig för att använda den.

PAN 2 är 86,17 GB fördelat över sextio filer och serveringsberäkningen görs i nodminuter. Femtio sampler-steg med classifier-free guidance vid varje steg är hundra framåtpassager genom en 29B-transformer per klipp. Huvudnumret i vLLM-receptet är tretton sekunder 704×1248-video på cirka 119 sekunder på fyra B300-GPU:er, med guidance parallelliserad över två ranks och Ulysses-sekvensparallelism över ytterligare två; dess standardkonfiguration är åtta H200:or i BF16 med VAE-patch-parallellism över fyra ranks i tile-läge. Repositoryts eget inferensskript är enklare och mer resurskrävande: en worker per GPU, där var och en håller en fullständig kopia av 67,37 GB-transformern och var och en tar var N:te prompt.

Ställer man dessa bredvid varandra är den praktiska slutsatsen inte tveksam. Ett anrop till Qwen3.8-27B är en förfrågan. Ett PAN 2-klipp är ett batchjobb med en GPU-reservation kopplad till sig. Om du har en tjugosekundersvideo som ska produceras en gång är PAN 2 en eftermiddag av uppsättning och tre minuters rendering. Om du har tusen planer att simulera köper du tid på en nod, och jämförelsen som spelar roll är mot andra videovärldsmodeller, inte mot en språkmodell.

Det enda stället där de två verkligen möts

PAN 2:s avsedda användning är simulativt resonemang: en agent föreställer sig utfallet av varje kandidatåtgärd och väljer sedan den bästa. Den loopen kräver en planerare som genererar kandidatåtgärder och en simulator som återger deras konsekvenser. Qwen3.8-27B är en trovärdig planerare – stark instruktionsföljsamhet på 79,5 i IFBench, långsiktigt kontorsarbete på 70,7 i CoWorkBench, agentisk terminalkodning på 73,0 i Terminal-Bench 2.1 – och den finns redan i loopen, eftersom MBZUAI använde den för att bedöma PhyGround och Qwen3.8-Flash som en av fyra bildtextsförfattare.

Om du bygger den loopen är planeraren den del du kan köpa per token och simulatorn den del du inte kan köpa. Qwen3.8-27B finns på OrcaRouter, så en enda API-nyckel ger dig en planerare med automatisk failover, routningsregler för vilka förfrågningar som går vart, och leverantörens listpris med 0 % påslag som förs vidare – inklusive Alibabas egna prissänkningar samma dag som de träder i kraft. OrcaRouter hostar inte PAN 2 och kan inte routa det; ingen hostar PAN 2. Uppdelningen är inte en begränsning hos routern, det är marknadens utformning: hostade språkmodeller är en handelsvara, hostade videovärldsmodeller finns ännu inte.

Det finns en andra, tystare anledning att routa i stället för att låsa planner-modellen. PAN 2:s rapport rangordnar fyra reasoners efter fullständig planuppfyllelse, och rangordningen är inte den de flesta skulle gissa — Claude Opus 5.5 först, GPT-6 Astra med medelhög ansträngning tvåa, Kimi K3 trea, Qwen3.8-Flash fyra. Den ordningen mättes på MBZUAI:s prompter, med deras caption-policy och deras validator. Din kommer att skilja sig. Att kunna köra om jämförelsen utan att bygga om din stack är värt mer än något enskilt modellval i den.

Vad ska man göra med den här jämförelsen

Om du kom hit för att välja en är det ärliga svaret att frågan är felställd. Qwen3.8-27B är en allmän synspråkmodell som du kan köra idag på en accelerator eller hyra per token nästa vecka. PAN 2 är en forskningsartefakt som renderar konsekvenser, kräver en multi-GPU-nod, saknar en hostad slutpunkt och har per den 11 november 2026 aldrig lanserats av sina egna författare – ett tvåstyckesinlägg på labbets X-konto är hela tillkännagivandet. Dess Hugging Face-repository är från 7 oktober, dess GitHub-repository från 5 november, och det mest betydande offentliga som har hänt med det är att vLLM-Omnis Day-0-stöd sammanfogades den 10 november.

Den jämförelse som är värd att göra är snävare. Om din pipeline behöver en planerare är Qwen3.8-27B ett starkt, väldokumenterat val under Apache-2.0, och beslutet är ett routingbeslut. Om din pipeline behöver se vad en åtgärd gör innan den vidtas, är PAN 2 en av mycket få modeller med öppna vikter som försöker göra det, den kommer att köras på Qwen-komponenter vare sig du märker det eller inte, och den ärliga sammanfattningen av dess förmåga är meningen i dess eget avsnitt om begränsningar: ungefär två av tre simulerade planer innehåller minst ett steg som inte utförs. Det är siffran att planera utifrån, och det är den enda siffran i hela den här jämförelsen som ingen encoder, judge eller router kan förbättra åt dig.