PAN 2 มีเส้นทางให้บริการก่อนที่จะมีการประกาศ

เมื่อเวลา 16:03 UTC ของวันที่ 10 พฤศจิกายน 2026 pull request ที่เพิ่มการรองรับ Day-0 สำหรับการสร้างวิดีโอจากข้อความและจากภาพของ PAN 2 ได้ merge เข้า vLLM-Omni เสร็จเรียบร้อย เมื่อเวลา 20:55 UTC ของวันเดียวกัน pull request ที่สองได้เพิ่มหน้า recipe ที่บอกวิธีให้บริการโมเดลนี้ PAN 2 เป็น video diffusion transformer ขนาด 29 พันล้านพารามิเตอร์จาก Institute of Foundation Models ที่ MBZUAI และเหตุผลที่การ merge ทั้งสองครั้งนี้เป็นเรื่องเล่าหลักก็คือลำดับที่มันเกิดขึ้น Hugging Face repository มีอายุตั้งแต่ 7 ตุลาคม 2026 และ GitHub repository ตั้งแต่ 5 พฤศจิกายน ดังนั้นเป็นเวลาห้าสัปดาห์ ร่องรอยสาธารณะเพียงอย่างเดียวของโมเดลคือ metadata ของ repository ข้อความจากเจ้าของเองฉบับแรกที่ผมหาเจอคือโพสต์เดียวจากบัญชี X ของห้องแล็บเอง @IFM_AI ซึ่งระบุเวลา 17:00 UTC ของวันที่ 10 พฤศจิกายน — ห้าสิบหกนาทีหลังการ merge เข้า vLLM-Omni และเกือบสี่ชั่วโมงก่อนหน้า recipe โพสต์นั้นเขียนว่า “ขอแนะนำ PAN 2: foundation world model แบบเปิดสำหรับ physical intelligence” พร้อมแนบวิดีโอ และไม่ได้ลิงก์ไปที่สิ่งใดนอกเหนือจากตัวโพสต์เอง ไม่มีบทความบล็อก ไม่มี URL ของ paper ไม่มี endpoint ที่โฮสต์ไว้ ไม่มีหน้าราคา ไม่มีข่าวประชาสัมพันธ์ ดังนั้นเส้นทางสำหรับ serving จึงนำหน้าการประกาศจริง ๆ และเมื่อการประกาศมาถึง มันก็เล็กกว่าการ merge: ไลก์ไม่กี่ร้อยครั้งกับข้อความเพียงสองย่อหน้า สิ่งที่มีอยู่คือ checkpoint ขนาด 86.17 GB ภายใต้ Apache-2.0 การผสานรวมกับเฟรมเวิร์ก และทวีตหนึ่งข้อความ

อะไรที่เกิดขึ้นจริง และตามลำดับใด

มีสี่สิ่งที่เกิดขึ้นแยกจากกัน และการนำสิ่งเหล่านี้มาปนกันจนแยกไม่ออกนี่เอง คือสาเหตุที่ทำให้การออกรุ่นแบบเงียบ ๆ ถูกเข้าใจผิดว่าเป็นการเปิดตัวครั้งใหญ่

• น้ำหนักโมเดล — {{1}}IFM/PAN2{{/1}} บน Hugging Face สร้างรีโพซิทอรีเมื่อวันที่ 7 ตุลาคม 2026 เวลา 23:42 UTC แก้ไขล่าสุดเมื่อวันที่ 9 พฤศจิกายน 2026 เวลา 21:52 UTC พร้อมคอมมิตที่เพิ่มการรองรับ safety-checker ในฐานะคอมโพเนนต์ไปป์ไลน์แบบโมดูลาร์ของ Diffusers มีหกสิบไฟล์ ขนาด 86.17 GB ไม่มีการจำกัดการเข้าถึง ภายใต้ Apache-2.0

• โค้ด — github.com/ifm-ai/PAN2 สร้างเมื่อวันที่ 5 พฤศจิกายน 2026 โดยมีคอมมิตเดียวที่พุชเมื่อเวลา 20:13 UTC ของวันนั้น ไม่ใช่กองงานวิจัยที่มาพร้อม README ที่ตายแล้ว: มีสคริปต์สำหรับการอนุมาน การล็อกเวอร์ชันสภาพแวดล้อม คอนฟิกการเทรน สกิลตัวเขียนพรอมป์ใหม่ และเอกสารสำหรับการดีพลอย การเทรน และการอนุมาน

• เส้นทางการให้บริการ — vLLM-Omni PR #8602 สำหรับการรองรับการแปลงข้อความเป็นวิดีโอและรูปภาพเป็นวิดีโอแบบ Day-0 ซึ่งถูก merge เมื่อวันที่ 10 พฤศจิกายน เวลา 16:03 UTC และ PR สูตร vLLM #10126 ซึ่งถูก merge ในเย็นวันเดียวกัน เวลา 20:55 UTC

• คำแถลง — @IFM_AI บน X วันที่ 10 พฤศจิกายน เวลา 17:00 UTC: "ขอแนะนำ PAN 2: โมเดลโลกพื้นฐานแบบเปิดสำหรับสติปัญญาเชิงกายภาพ" สองย่อหน้า วิดีโอหนึ่งรายการ ไม่มีลิงก์ไปยังโพสต์ งานวิจัย หรือหน้าเพจ

ลำดับเหตุการณ์แบบนั้นผิดปกติ และตัวประกาศเองคือสิ่งที่ทำให้มันยิ่งแปลกขึ้นแทนที่จะดูปกติขึ้น ปกติแล้วห้องแล็บจะประกาศ เผยแพร่เวต แล้วการรองรับในเฟรมเวิร์กจะค่อย ๆ ไหลเข้ามาในช่วงหลายสัปดาห์ถัดไปพร้อมกับที่ผู้ใช้เปิด issue กัน แต่ที่นี่ การ merge เข้าเฟรมเวิร์กเกิดก่อน ประกาศตามมาอีกห้าสิบหกนาทีให้หลัง และสูตรตามมาอีกสี่ชั่วโมงหลังจากนั้น สิ่งที่จับต้องได้และเป็นสาธารณะชิ้นสำคัญที่สุดในชีวิตอันสั้นของโมเดลนี้ยังคงเป็น pull request ซึ่งบอกอะไรบางอย่างเกี่ยวกับวิธีที่การปล่อยรุ่นนี้ถูกดำเนินการ: เป็นการปล่อยอาร์ติแฟกต์สำหรับคนที่อ่านรีโพซิทอรี โดยมีโพสต์โซเชียลแนบท้ายราวกับเป็นเรื่องที่คิดขึ้นทีหลัง

สิ่งที่รีโพซิทอรีจะบอกคุณ

มากกว่าที่โพสต์เปิดตัวส่วนใหญ่มี PAN 2 เป็นโมเดลโลก (world model) ไม่ใช่เครื่องสร้างวิดีโอที่เน้นความเป็นภาพยนตร์ — ความแตกต่างนี้เป็นเชิงสถาปัตยกรรมมากกว่าเชิงวาทศิลป์ มันนำรูปแบบ Generative Latent Prediction ที่อธิบายไว้ใน Critique of World Models (arXiv 2507.05169) มาใช้ และแบ่งงานออกเป็นสองส่วน ตัวให้เหตุผลเชิงแนวคิด ซึ่งเป็นโมเดลภาษาที่ทำตามคำสั่งใดก็ได้ อ่านข้อมูลที่สังเกตได้และการกระทำที่ร้องขอ แล้วเขียนสถานะโลกถัดไปเป็นคำบรรยายที่มีโครงสร้างและอิงกับเวลา: เหตุการณ์ตามลำดับ การกระทำที่ผูกกับผู้กระทำ และการเคลื่อนไหวของกล้อง ตัวเข้ารหัสข้อความแบบ frozen จะแปลงคำบรรยายนั้นเป็น conditioning features จากนั้น diffusion transformer แบบหลายรูปแบบขนาด 29B ซึ่งฝึกตั้งแต่ต้นบนวิดีโอหลายร้อยล้านรายการที่กำกับในรูปแบบเดียวกัน จะทำนายรายละเอียดเชิงการรับรู้ที่คำบรรยายยังไม่ได้ระบุ Wan 2.2 VAE ถอดรหัส latent และสิ่งที่คุณได้คือวิดีโอความยาวสูงสุด 20 วินาทีที่ 704×1248 และ 24 เฟรมต่อวินาที

การกำหนดค่าที่เผยแพร่มีความเฉพาะเจาะจงมากพอที่จะประเมินต้นทุนได้ คอนฟิกของทรานส์ฟอร์เมอร์ระบุ 44 เลเยอร์ หัวความสนใจ 32 หัว ขนาดหัวละ 128 มิติ ขนาดแพตช์ 1×2×2 ช่องอินพุต 97 ช่อง และช่องเอาต์พุต 48 ช่อง ตัวสุ่มตัวอย่างค่าเริ่มต้นคือ 50 สเต็ป ที่ flow shift 9 พร้อม classifier-free guidance 2.5 ในทุกสเต็ป ความยาวเริ่มต้นคือ 241 เฟรม ประมาณสิบวินาที เพดานคือ 481 เฟรม ตัวเข้ารหัสข้อความคือ Qwen3.5-9B ซึ่งถูกแช่แข็งและไม่ได้รับการแก้ไข และ VAE เป็นของ Wan 2.2 ทั้งคู่ดาวน์โหลดจากคลังของตัวเอง — MBZUAI ไม่ได้แจกจ่ายซ้ำ และการ์ดโมเดลระบุไว้อย่างระมัดระวังเช่นนั้น

ยังมีสกิล prompt-rewriter ที่จัดส่งมาพร้อมในรีโป โดยมี system prompt, negative prompt แบบตายตัว และตัวตรวจสอบที่ตรวจสอบแคปชันเทียบกับงบโทเค็นของ text encoder: ขีดจำกัดแบบซอฟต์ที่ 1,480 โทเค็น และความจุแบบฮาร์ดที่ 1,536 นี่คืออาร์ติแฟกต์ชิ้นเดียวที่มีประโยชน์ที่สุดในชุดที่ปล่อยมานี้ มันบอกคุณว่าโมเดลไม่ได้รองรับข้อความอิสระได้ดีจริง ๆ และทีมรู้เรื่องนี้ดี

สิ่งที่มันจะไม่บอกคุณ

เกือบทุกอย่างที่ผู้ซื้อจะถาม ไม่มีราคา เพราะไม่มี API ไม่มี endpoint ที่โฮสต์โดย MBZUAI ไม่มี benchmark อิสระ: ตัวเลขในการ์ดโมเดลเป็นของทีมเอง วัดบนชุดทดสอบของพวกเขาเอง และการ์ดใบนั้นเปิดเผยเงื่อนไขอย่างตรงไปตรงมาอย่างผิดปกติ — Physics-IQ Verified ถูกปรับให้เป็นมาตรฐานโดยให้ความแปรปรวนระหว่างการถ่ายจริงสองครั้งเท่ากับ 100, PhyGround ได้คะแนนบนสเกลห้าจุดโดย Qwen3.8-27B, RBench เป็นค่าเฉลี่ยแบบไม่ถ่วงน้ำหนักจากห้าหมวดหมู่งานและสี่หมวดหมู่ embodiment ตัวเลือกเหล่านี้ป้องกันได้ และไม่มีข้อใดเป็นการตรวจสอบโดยบุคคลที่สาม

การประเมินโดยมนุษย์เป็นหลักฐานที่แข็งแกร่งที่สุดในชุดที่เผยแพร่ และยังเป็นหลักฐานที่มีข้อจำกัดมากที่สุดเช่นกัน การเปรียบเทียบความชอบแบบปิดตาทีละคู่จากพรอมป์ต์ 140 รายการ — text-to-video 90 รายการ และ image-to-video 50 รายการ — ซึ่งตัดสินโดยผู้ตรวจประเมิน 13 คนจากการเปรียบเทียบ 1,400 ครั้ง โดยพิจารณาความสอดคล้องกับการกระทำ ฟิสิกส์ และความสอดคล้องของโลก พร้อมค่า Elo ที่ปรับด้วยวิธี Bradley–Terry และกำหนดจุดศูนย์กลางไว้ที่ 1500 ผู้ตรวจประเมิน 13 คนถือเป็นคณะขนาดเล็ก และพวกเขาตัดสินโมเดลของทีมเองเทียบกับเบสไลน์ นี่มากกว่าที่ห้องแล็บส่วนใหญ่เผยแพร่ แต่ไม่ใช่ลีดเดอร์บอร์ด

และ{{1}}ส่วนข้อจำกัด{{/1}}ก็ตรงไปตรงมากว่ามาตรฐานของแนวนี้: แผนจำลองประมาณสองในสามมีอย่างน้อยหนึ่งขั้นตอนที่{{2}}ไม่ได้ถูกดำเนินการ{{/2}} ประโยคเดียวนั้นคือตัวเลขที่สำคัญที่สุดในข่าวเปิดตัวนี้ และเป็นสิ่งที่โพสต์เปิดตัวคงจะกลบไว้

ตัวเลขปริมาณงานในสูตรต่างหากคือเรื่องจริง

การรองรับเฟรมเวิร์กมีความสำคัญเพราะสิ่งที่ recipe อ้างไว้ ไม่ใช่เพราะมีการเพิ่มโลโก้ หน้า recipe ของ vLLM ระบุว่า PAN 2 สร้างวิดีโอ 704×1248 ความยาว 13 วินาทีได้ในเวลาประมาณ 119 วินาทีบน GPU B300 สี่ตัว โดยใช้การทำขนานแบบ classifier-free guidance ข้าม 2 rank และการทำขนานลำดับแบบ Ulysses ข้าม 2 rank การกำหนดค่าเริ่มต้นคือ H200 แปดตัวใน BF16 และคำสั่ง serve ที่ระบุไว้ในเอกสารเพิ่มการทำขนาน patch ของ VAE ข้าม 4 rank ในโหมด tile — รายละเอียดที่สำคัญเพียงเพราะการถอดรหัสคลิป 704×1248 ความยาว 20 วินาทีนั้นเป็นปัญหาหน่วยความจำในตัวเอง

อ่านตัวเลขเหล่านั้นเทียบกับการตั้งค่าซามเปลอร์ ห้าสิบสเต็ปโดยเปิด guidance ทุกสเต็ปหมายถึงการส่งผ่านไปข้างหน้าหนึ่งร้อยครั้งผ่านทรานส์ฟอร์เมอร์ขนาด 29B ต่อคลิป นี่คือเหตุผลที่ไกด์รัน guidance แบบขนานแทนที่จะรันแบบลำดับ และยังเป็นเหตุผลว่าทำไมคำถามเชิงปฏิบัติเกี่ยวกับ PAN 2 จึงไม่ใช่ "มันดีแค่ไหน" แต่เป็น "คลิปหนึ่งราคาเท่าไรสำหรับฉัน" และคำตอบตามสูตรของเจ้าของผู้ขายเองคือโหนดสี่ GPU ใช้เวลาสองนาทีต่อวิดีโอสิบสามวินาที ยังไม่มีใครเผยแพร่การกำหนดค่าที่ถูกกว่า และค่าเริ่มต้นแปด H200 ของสูตรนี้ชี้ว่าการตั้งค่า B300 สี่ตัวเป็นการบีบให้พอดีมากกว่าจะเป็นพื้นขั้นต่ำที่สบาย

ถ้าคุณอยากลอง ตัววางแผนคือส่วนที่คุณเช่าได้

การออกแบบสองขั้นตอนของ PAN 2 มีผลในทางปฏิบัติที่แปลกประหลาดประการหนึ่ง ครึ่งที่แพง — แกนหลัก diffusion ขนาด 29B — คือครึ่งที่คุณต้องโฮสต์เอง เพราะไม่มีใครให้บริการมัน และ MBZUAI ก็ยังไม่ได้สร้างบริการดังกล่าว ครึ่งที่ถูกกว่า ซึ่งเป็นตัวให้เหตุผลเชิงแนวคิดที่เขียนคำบรรยายสถานะโลกแบบมีโครงสร้างนั้น เป็นโมเดลข้อความธรรมดา และจะเป็นอะไรก็ได้ที่ทำตามคำสั่งได้

นั่นคือจุดที่เราเตอร์พิสูจน์คุณค่าของตัวเอง รายงาน PAN 2 ประเมินโมเดลให้เหตุผลสี่ตัวและจัดอันดับตามการทำแผนให้เสร็จสมบูรณ์: Claude Opus 5.5 เป็นอันดับแรก ตามด้วย GPT-6 Astra ที่ระดับความพยายามปานกลาง จากนั้น Kimi K3 และ Qwen3.8-Flash Qwen3.8-Flash อยู่บน OrcaRouter ดังนั้นคุณจึงสามารถขับเคลื่อนขั้นตอน caption ของ PAN 2 ผ่าน API key เดียวพร้อมระบบ failover อัตโนมัติ แทนที่จะต้องตั้งโมเดลโลคอลตัวที่สองเคียงข้างสแตก diffusion และจ่ายในราคาตามรายการของผู้ให้บริการด้วยมาร์กอัป 0% ที่ส่งผ่านตรงถึงคุณ โดยเรนเดอร์เรอร์ยังคงอยู่บน GPU ของคุณ ส่วนตัววางแผนไม่จำเป็นต้องอยู่

ต้องชัดเจนว่าสิ่งนั้นคืออะไรและไม่ใช่อะไร OrcaRouter ไม่ได้โฮสต์ PAN 2 และไม่สามารถส่งต่อไปยังมันได้ — ไม่มี PAN 2 ที่โฮสต์อยู่ที่ใดให้ส่งต่อไปได้ สิ่งที่ทำได้คือเก็บครึ่งภาษาของไปป์ไลน์ world model ไว้บน API ที่คิดค่าบริการตามการใช้งาน ขณะที่คุณปรับขนาดครึ่งวิดีโอให้เหมาะกับฮาร์ดแวร์ของคุณเอง หากคุณอยากรันทั้งสองขั้นตอนในเครื่องเอง repo ก็รองรับเช่นกัน และสคริปต์ prompt-rewriter ถูกใส่มาเพื่อกรณีนั้นโดยเฉพาะ

อะไรจะถือว่าเป็นประกาศ

สามสิ่ง โดยเรียงจากความสำคัญน้อยไปมาก: โพสต์ บทความ หรือหน้าเว็บจาก IFM หรือ MBZUAI ที่ระบุชื่อ PAN 2 และระบุวันเปิดตัวหรือเวอร์ชัน — ทวีตเมื่อวันที่ 10 พฤศจิกายนผ่านครึ่งแรกของข้อนั้นแล้ว แต่ไม่ผ่านครึ่งหลัง; เอนด์พอยต์การอนุมานแบบโฮสต์ ซึ่งจะทำให้เปรียบเทียบต้นทุนกับโมเดลวิดีโอแบบปิดได้ แทนที่จะเทียบกับการเช่า GPU; และ benchmark แบบอิสระที่รันโดยคนซึ่งไม่ใช่ผู้เขียนโมเดล — Physics-IQ, PhyGround หรือ RBench ที่บุคคลที่สามให้คะแนน ด้วยพรอมต์ที่ทีมไม่ได้เลือกเอง

จนกว่าอย่างน้อยสิ่งแรกในรายการเหล่านั้นจะมาถึงอย่างครบถ้วน คำอธิบาย PAN 2 อย่างตรงไปตรงมาก็คือสิ่งนี้: อาร์ติแฟกต์งานวิจัยภายใต้ Apache-2.0 ที่มีเส้นทางการให้บริการซึ่งใช้งานได้ รูปแบบพรอมต์ที่มีเอกสารกำกับ ส่วนข้อจำกัดที่ตรงไปตรงมา โพสต์บนโซเชียลมีเดียหนึ่งโพสต์ และไม่มีข้อเสนอเชิงพาณิชย์รองรับอยู่เบื้องหลัง นั่นมากกว่าพรีปรินต์และน้อยกว่าผลิตภัณฑ์ การที่การรองรับเฟรมเวิร์กมาถึงเมื่อวันที่ 10 พฤศจิกายนไม่ได้ทำให้มันเป็นการเปิดตัว แต่ทำให้ผู้ที่ไม่อยากแพตช์รีโพซิทอรีเพื่อให้ได้เฟรมแรกสามารถรันมันได้

ประเด็นสำคัญ

PAN 2 เป็นกรณีที่หาได้ยากซึ่งงานวิศวกรรมล้ำหน้ากว่างานเอกสาร หากคุณกำลังสร้างการจำลองเอเจนต์ การประเมินหุ่นยนต์ หรือการวิจัยการให้เหตุผลเชิงกายภาพ และคุณมีโหนดสี่ GPU น้ำหนักโมเดลก็อยู่ที่นั่น สูตรการฝึกก็อยู่ที่นั่น และการออกแบบสองขั้นตอนก็มีเอกสารกำกับไว้มากพอที่จะทำซ้ำได้ หากคุณต้องการราคาต่อคลิป ข้อตกลงระดับการให้บริการ หรือผู้ขายให้ติดต่อ สิ่งเหล่านี้ยังไม่มีเลย และการ merge เมื่อวันที่ 10 พฤศจิกายนก็ไม่ได้ทำให้มันเกิดขึ้น โมเดลนี้ถูกปล่อยออกมาอย่างเงียบ ๆ ถ้าจะเรียกสิ่งที่เป็นเพียงรีโพซิทอรี การ merge และโพสต์สองย่อหน้าว่า "ปล่อย" ได้เสียด้วยซ้ำ การที่มันจะได้รับการประกาศในความหมายที่ผู้ซื้อจะรับรู้ได้หรือไม่นั้นเป็นคำถามแยกจากว่ามันทำงานได้จริงหรือไม่ และวันนี้มีเพียงคำถามเดียวเท่านั้นที่มีคำตอบ