PAN 2 กับ Agora-2: ตัวหนึ่งจำลองผลที่ตามมา อีกตัวทำให้โลกยังคงดำเนินไป

การมีคนยี่สิบคนในโลกหนึ่งใบฟังดูเหมือนมีคนมากกว่าหนึ่งคนกำลังจินตนาการว่าเกิดอะไรขึ้นต่อไป นี่คือความสับสนทั้งหมดระหว่าง PAN 2 กับ Agora-2 และคุ้มค่าที่จะแยกให้กระจ่างก่อนที่ใครจะนำทั้งสองมาเปรียบเทียบกันแบบวัดผลกันตรง ๆ Agora-2 คือตัวอย่างงานวิจัยแบบเล่นได้ของ Odyssey ซึ่งเผยแพร่เมื่อวันที่ 21 กันยายน 2026 โดยรองรับผู้เข้าร่วมยี่สิบคนในสภาพแวดล้อมจำลองที่ใช้ร่วมกัน — สี่คนเป็นผู้ควบคุมที่เป็นมนุษย์ อีกสิบหกคนเป็นนโยบายที่เรียนรู้มา — และรักษาความสอดคล้องของโลกของพวกเขาไว้แม้ในขณะที่ผู้เล่นละสายตาไป PAN 2 คือเครื่องจำลองแบบน้ำหนักเปิดขนาด 29 พันล้านพารามิเตอร์ของ IFM ซึ่งเผยแพร่เป็นเช็กพอยต์ Apache-2.0 ขนาด 86.17 กิกะไบต์ โดยรับเฟรมหนึ่งและแอ็กชันที่อธิบายไว้ แล้วคืนวิดีโอความยาวสูงสุดยี่สิบวินาทีที่ทำนายผลที่ตามมา ตัวหนึ่งเป็นเซิร์ฟเวอร์สำหรับโลกใบหนึ่ง อีกตัวคือคำถามที่คุณถามโลกใบหนึ่ง ความซ้ำซ้อนของคำศัพท์แทบจะทั้งหมด แต่ความซ้ำซ้อนของหน้าที่แทบจะเป็นศูนย์ ซึ่งนั่นคือเหตุผลว่าทำไมการเปรียบเทียบนี้จึงถูกทำออกมาได้แย่ซ้ำแล้วซ้ำเล่า

ตัวเลขที่เดินทางไปไม่ใช่ตัวเลขที่สำคัญ

การรายงานข่าวเกี่ยวกับ Agora-2 ขึ้นต้นด้วยจำนวนยี่สิบ และโพสต์ของ Odyssey เองก็สนับสนุนแนวทางนั้น องค์ประกอบน่าสนใจกว่าจำนวนเสียอีก ผู้ควบคุมที่เป็นมนุษย์สี่คนพร้อมกันป้อนข้อมูลการเคลื่อนไหวและการกระทำ ขณะที่เอนทิตีอัตโนมัติสิบหกตัวขับเคลื่อนด้วยนโยบายของมอนสเตอร์และเพื่อนร่วมทางที่ Odyssey ฝึกบนคลังข้อมูลชุดเดียวกับที่ใช้เรียนรู้โลก — ข้อมูลบันทึกจาก Diablo II ดังนั้นเซสชันนี้จึงไม่ใช่คนยี่สิบคนในห้องเดียว แต่เป็นปัญหาการเรนเดอร์ที่มีเครื่องสถานะขนาดเล็กมากอยู่ตรงศูนย์กลาง แต่งกายในคราบเซิร์ฟเวอร์เกม

สถาปัตยกรรมนั้นคือสิ่งที่ทำให้ Agora-2 เป็นวัตถุอีกประเภทหนึ่งที่แตกต่างจาก PAN 2 Odyssey แยกสิ่งที่ตัดสินว่าเกิดอะไรขึ้นออกจากสิ่งที่ตัดสินว่ามันจะมีหน้าตาอย่างไร และช่องว่างขนาดระหว่างทั้งสองคือตัวเลขที่น่าสะดุดตาที่สุดในรายงาน: โมเดลจำลองมี 4,457,777 พารามิเตอร์ — ประมาณ 4.5 ล้าน มีความกว้างสี่ชั้น สาขาการเคลื่อนไหวสิบสี่สาขา หน้าต่างประวัติสี่ขั้น — ขณะที่ตัวเรนเดอร์เป็นทรานส์ฟอร์เมอร์แบบ flow matching ขนาดประมาณหนึ่งพันล้านพารามิเตอร์ ที่รันขั้นตอน solver ห้าขั้นต่อการอัปเดตหนึ่งครั้ง โดยมีเงื่อนไขเป็นคำนำหน้า 342 โทเค็นที่อธิบายแผนที่ เอนทิตี เอฟเฟกต์ชั่วคราว กล้อง และรายชื่อ

PAN 2 ทำในทางตรงกันข้าม โดยใช้ความจุเกือบทั้งหมดไปกับการรับรู้: ทรานส์ฟอร์เมอร์แบบดิฟฟิวชันหลายรูปแบบขนาด 29B เป็นตัวทำนายเฟรม และส่วนที่ตัดสินว่าเกิดอะไรขึ้นไม่ใช่ตัวจำลองที่เรียนรู้มาเลย แต่เป็นโมเดลภาษาที่เขียนคำบรรยายเชิงโครงสร้างซึ่งยึดโยงกับเวลา ของเหตุการณ์ การกระทำ และการเคลื่อนไหวของกล้อง Agora-2 ใส่ความฉลาดไว้ในการแทนสถานะแบบชัดแจ้งขนาดเล็ก ส่วน PAN 2 ใส่ความฉลาดไว้ในตัวเรนเดอร์และมอบหมายการให้เหตุผลให้กับข้อความ

• เป็นตัวกำหนดว่าเกิดอะไรขึ้น — Agora-2: โมเดลจำลองที่เรียนรู้ได้ซึ่งมีพารามิเตอร์ 4.46M พร้อมสถานะเอนทิตีแบบชัดแจ้ง; PAN 2: โมเดลภาษาใดก็ตามที่ทำตามคำสั่งซึ่งเขียนคำบรรยายสถานะโลก

• เรนเดอร์สิ่งนี้ — Agora-2: ตัวเรนเดอร์แบบ flow-matching ขนาด ~1B ที่ห้าขั้นตอนของตัวแก้ต่อการอัปเดตหนึ่งครั้ง; PAN 2: ทรานส์ฟอร์เมอร์แบบ diffusion ขนาด 29B ที่ห้าสิบขั้นตอนพร้อมการกำกับทุกขั้นตอน

• กรอบเวลา — Agora-2: เซสชันแบบเปิดกว้างที่คงอยู่ต่อเนื่อง; PAN 2: สูงสุด 20 วินาทีต่อคลิป มีเฟรมเริ่มต้นได้ไม่เกินหนึ่งเฟรม และดริฟต์ข้ามคลิป

• อินพุต — Agora-2: คำสั่งการเคลื่อนไหวและการกระทำจากคอนโทรลเลอร์พร้อมนโยบายที่เรียนรู้แล้ว; PAN 2: เฟรมแรกแบบไม่บังคับพร้อมคำอธิบายการกระทำแบบมีโครงสร้างในข้อความ

• ผู้เข้าร่วม — Agora-2: มนุษย์ 4 คนและนโยบาย 16 รายการในสถานะร่วมเดียวกัน; PAN 2: ไม่มี เพราะเป็นตัวสร้างแบบแบตช์

• การเข้าถึง — Agora-2: ไม่มีน้ำหนักโมเดล ไม่มีรีโพซิทอรี ไม่มีสัญญาอนุญาต และไม่มีราคา; PAN 2: น้ำหนักโมเดลแบบ Apache-2.0 เข้าถึงได้โดยไม่มีข้อจำกัด พร้อมโค้ดบน GitHub และสูตรการใช้งาน vLLM

ความคงอยู่คือสิ่งที่ Agora-2 แก้ไขได้จริง ๆ

ถ้าตัดกรอบเรื่องมัลติเพลเยอร์ออกไป ผลงานที่แท้จริงของ Agora-2 คือประโยคหนึ่งในโพสต์ของ Odyssey: เนื่องจากคุณสมบัติของเอนทิตีถูกเก็บรักษาไว้โดยเป็นอิสระจากมุมมองใดมุมมองหนึ่ง เอนทิตีเหล่านั้นจึงยังคงพร้อมใช้งานเมื่ออยู่นอกเฟรม ตัวสร้างวิดีโอที่กำหนดเงื่อนไขจากเฉพาะเฟรมล่าสุดจะสูญเสียสัตว์ประหลาดไปในทันทีที่คุณหันกลับมา ส่วน world model ที่เก็บสถานะไว้อย่างชัดแจ้งจะไม่เป็นเช่นนั้น นี่คือการตัดสินใจด้านการออกแบบที่แยก Agora-2 ออกจากโมเดลวิดีโอทุกรุ่นที่มีความทะเยอทะยานด้านมัลติเพลเยอร์ และเป็นเหตุผลว่าทำไมผู้เข้าร่วมยี่สิบคนจึงเป็นข้อกล่าวอ้างด้านการจัดการสถานะมากกว่าด้านการเรนเดอร์

PAN 2 ไม่ได้กล่าวอ้างเช่นนั้น และการ์ดโมเดลของมันก็ระบุไว้อย่างนั้น แต่ละคลิปถูกจำลองจากเฟรมเริ่มต้นอย่างมากเพียงหนึ่งเฟรมบวกข้อความ รูปลักษณ์จึงคลาดเคลื่อนไป across clips ในการโต้ตอบแบบยาว และการ์ดระบุว่าความจำเชิงการรับรู้ที่คงไว้ควบคู่กับสถานะที่อิงข้อความคือสิ่งที่จำเป็นในการแก้ปัญหานี้ กล่าวอีกนัยหนึ่ง PAN 2 รู้ตัวว่ามีปัญหาของ Agora-2 และยังไม่ได้แก้ไข ส่วน Agora-2 แก้ปัญหานี้ในรูปแบบหนึ่งโดยทำให้โลกเล็กพอที่จะเก็บไว้ในเทนเซอร์แบบชัดเจน

เมื่ออ่านร่วมกัน การออกแบบทั้งสองแบบครอบคลุมขอบเขตของสาขานี้ หากโลกของคุณอธิบายได้ด้วยพารามิเตอร์ 4.5 ล้านตัว — ตารางแผนที่ รายชื่อเอนทิตี และชุดสาขาการเคลื่อนที่ — การคงสถานะก็จัดการได้ และคุณจะได้หนึ่งเซสชัน หากโลกของคุณเป็นผลลัพธ์ทางกายภาพแบบเปิดกว้าง คุณต้องมีเรนเดอร์เรอร์ที่เข้าใจวัสดุและการสัมผัส และการคงสถานะจะกลายเป็นปัญหาการวิจัยแบบเปิดทันทีที่กล้องเคลื่อนที่

เซสชันหนึ่งครั้งมีค่าใช้จ่ายเท่าไร และการจำลองหนึ่งครั้งมีค่าใช้จ่ายเท่าไร

ไม่มีตัวเลขใดถูกเผยแพร่ในฐานะราคา เพราะไม่มีรุ่นใดถูกขาย ทั้งสองถูกเผยแพร่ในฐานะฮาร์ดแวร์ ซึ่งมีประโยชน์กว่า

แผนการให้บริการของ Odyssey สำหรับเซสชันผู้เล่นสี่คนใช้การ์ด NVIDIA RTX PRO 4500 จำนวนสี่ใบ โดยมีตัวเรนเดอร์หนึ่งตัวต่อ GPU หนึ่งตัว และหนึ่งใน GPU เหล่านั้นยังโฮสต์โมเดลจำลองและนโยบายของเอเจนต์ โดยตั้งเป้าที่การอัปเดตแบบแฝงสิบห้าครั้งต่อวินาที เทียบกับเฟรมที่แสดงผลสามสิบเฟรมต่อวินาที รายงานระบุอย่างตรงไปตรงมาว่าตัวเลขทั้งสองนั้นเป็นเป้าหมาย ไม่ใช่ผลการวัด — ส่วนที่ 8 ระบุว่าอัตราเฟรมที่ต่อเนื่องและความหน่วงจากอินพุตถึงการแสดงผลระหว่างการโต้ตอบแบบหลายเอเจนต์สดนั้นยังไม่ได้ประเมินในเชิงปริมาณ ค่าใช้จ่ายในการฝึกก็แจกแจงไว้เช่นกัน: การอัปเดตหกหมื่นครั้งบน 4,232,000 เซกเมนต์ จากนั้นอีกหกหมื่นครั้งบน 4,332,800 เซกเมนต์ โดยรันบน GPU B200 จำนวน 32 ตัว

สิ่งที่เทียบเท่ากับ PAN 2 คือสูตรของ vLLM: วิดีโอ 704×1248 ความยาวสิบสามวินาที ใช้เวลาราว 119 วินาทีบน GPU B300 สี่ตัว โดยมีค่าเริ่มต้นตามเอกสารคือ H200 แปดตัวใน BF16 การสุ่มตัวอย่าง 50 ขั้นพร้อม classifier-free guidance ในทุกขั้น — การ forward pass หนึ่งร้อยครั้งผ่าน transformer ขนาด 29B ต่อคลิป — คือเหตุผลที่ guidance ถูกทำแบบขนานไปยังสองแรงก์ และ sequence parallelism ไปยังอีกสองแรงก์

การกำหนดค่าทั้งสองมีขนาดใกล้เคียงกัน และความคล้ายคลึงกันก็จบเพียงเท่านั้น การ์ดสี่ใบซื้อเซสชันที่ทำงานต่อเนื่องได้ การ์ดสี่ใบ บน PAN 2 ซื้อเวลาสองนาทีต่อผลลัพธ์ที่เรนเดอร์แล้วทุกสิบสามวินาที และต้นทุนของแผนหนึ่งคือต้นทุนของทุกตัวเลือกที่ตัววางแผนพิจารณา ตัวเลขของ Odyssey คือขีดขั้นต่ำของอัตราการประมวลผลสำหรับประสบการณ์หนึ่ง ส่วนของ IFM คือราคาต่อคำถาม

มีเพียงหนึ่งในสิ่งเหล่านี้เท่านั้นที่สามารถต่อยอดได้ในวันนี้

นี่คือจุดที่การเปรียบเทียบไม่ใช่เรื่องสถาปัตยกรรมอีกต่อไป

Agora-2 เป็นตัวอย่างงานวิจัยที่มีเดโมให้เล่นได้บนเว็บไซต์ของ Odyssey เอง พร้อมรายงานทางเทคนิค โดยไม่มี weights ไม่มี repository ไม่มี licence ไม่มี inference API และไม่มีราคา Odyssey วางกรอบเส้นทางสู่อนาคตของการปฏิสัมพันธ์ระหว่างหลายตัวแทนภายใน foundational world models ว่าเป็นงานในอนาคต โดยมี PROWL เป็นสายงานวิจัย และ Odyssey-3 เป็นจุดหมายปลายทางในที่สุด ในทางปฏิบัติ: คุณเล่นมันได้ แต่คุณสร้างต่อยอดบนมันไม่ได้ และไม่มีบุคคลที่สามใดให้บริการมันแก่คุณได้เช่นกัน

PAN 2 มีการจัดวางแบบตรงกันข้าม โดยเผยแพร่เวตบน Hugging Face ตั้งแต่ 7 ตุลาคม 2026 แบบไม่จำกัดการเข้าถึง ใช้ Apache-2.0 กับโค้ดและเวตของตัวเอง มีรีโพซิทอรี GitHub พร้อมสคริปต์สำหรับ inference และการเทรนตั้งแต่ 5 พฤศจิกายน การรองรับ vLLM-Omni แบบ Day-0 ถูก merge เมื่อ 10 พฤศจิกายน และมี guardrail ที่เผยแพร่เป็นรีโพซิทอรีแยกพร้อมตัวเลขผลบวกลวงของตัวเอง ประกาศของ IFM เป็นเพียงโพสต์เดียวบนบัญชี X ของตัวเอง — “ขอแนะนำ PAN 2: เวิลด์โมเดลพื้นฐานแบบเปิดสำหรับ physical intelligence” — โดยไม่มีบทความบล็อก ลิงก์เปเปอร์ endpoint ที่โฮสต์ หรือหน้าราคา นั่นคือประกาศแบบบางที่ห่อหุ้มอาร์ติแฟกต์ที่หนา ซึ่งตรงข้ามกับโพสต์ที่ขัดเกลาของ Agora-2 ที่ห่อหุ้มเดโมแบบปิด

ถ้าคำถามของคุณคือ "ไตรมาสนี้ฉันเอาอะไรขึ้นโปรดักชันได้บ้าง" คำตอบคือทั้งคู่ไม่ได้ แต่ด้วยเหตุผลที่ต่างกัน Agora-2 ไม่มีเส้นทางจากเดโมไปสู่การดีพลอยที่ Odyssey ได้อธิบายไว้ ส่วน PAN 2 มีเส้นทาง — ทั้งน้ำหนักและสูตร — พร้อมข้อจำกัดที่ตัดสินว่าคุณควรเดินตามเส้นทางนั้นหรือไม่: ประมาณสองในสามของแผนจำลองมีอย่างน้อยหนึ่งขั้นตอนที่ไม่ได้รับการดำเนินการ ตามที่ระบุไว้ในส่วนข้อจำกัดของโมเดลการ์ดเอง

ไฮบริดที่ไม่มีห้องแล็บใดสร้างขึ้น

คำถามทางวิศวกรรมที่น่าสนใจไม่ใช่รุ่นไหนจะชนะ แต่คือระบบจะมีหน้าตาอย่างไรที่ใช้แต่ละรุ่นในสิ่งที่มันถนัด และไม่มีผู้ขายรายใดส่งมอบระบบแบบนั้นออกมา

ลองนึกภาพเอเจนต์ที่ต้องวางแผนภายในโลกที่คงอยู่ต่อเนื่อง การออกแบบของ Agora-2 แสดงวิธีทำให้โลกคงสภาพ: สถานะที่ชัดเจน คำนำกำหนดเงื่อนไขแบบมีโครงสร้าง และนโยบายที่เล็กพอจะทำงานควบคู่กับตัวเรนเดอร์ได้ การออกแบบของ PAN 2 แสดงวิธีตอบคำถาม "จะเกิดอะไรขึ้นถ้า" เกี่ยวกับปฏิสัมพันธ์ทางกายภาพ: ส่งคำถามให้โมเดลภาษา ได้คำบรรยายแบบมีโครงสร้าง เรนเดอร์ผลที่ตามมา แล้วดูผลนั้น สแต็กที่เก็บสถานะของ Agora-2 ไว้ และถาม PAN 2 เกี่ยวกับฟิสิกส์ระดับละเอียดภายในเซลล์หนึ่งของสถานะนั้น จะดีกว่าทั้งสองแนวทางอย่างชัดเจน และจะต้องให้ทั้งสองแล็บเปิดบางสิ่งบางอย่างที่พวกเขายังไม่ได้เปิด

สิ่งที่คุณทำได้วันนี้คือครึ่งหนึ่งที่ไม่ต้องใช้โมเดลใดเลยจากสองตัวนั้น ตัววางแผนของ PAN 2 ถูกนิยามให้เป็นโมเดลภาษาที่ทำตามคำสั่งใดก็ได้ และ IFM จัดอันดับสี่ตัวจากทั้งหมดตามการทำแผนให้เสร็จสมบูรณ์: Claude Opus 5.5, GPT-6 Astra ที่ระดับความพยายามปานกลาง, Kimi K3, Qwen3.8-Flash ทั้งสี่ตัวอยู่บน OrcaRouter ดังนั้นขั้นตอนแคปชันของไปป์ไลน์ PAN 2 จึงสามารถทำงานผ่านเอนด์พอยต์เดียวพร้อมการสลับเมื่อล้มเหลวอัตโนมัติ และราคาตามรายการของผู้ให้บริการแต่ละรายถูกส่งต่อโดยบวกกำไร 0% โดยสลับกันตามการทดลองแต่ละครั้งแทนที่จะผูกตามสัญญา OrcaRouter ไม่ได้โฮสต์ PAN 2 และไม่สามารถกำหนดเส้นทางให้มันได้ — ตัวเรนเดอร์ 29B ยังคงอยู่บน GPU ของคุณ — และแน่นอนว่าไม่สามารถโฮสต์ Agora-2 ซึ่งไม่มีใครทำได้ สิ่งที่เราเตอร์ทำได้คือทำให้ครึ่งที่เป็นการให้เหตุผลยืดหยุ่น ขณะที่ครึ่งที่เป็นการจำลองถูกตรึงไว้กับฮาร์ดแวร์ที่คุณมีอยู่แล้ว

วิธีตัดสินใจ

หากคุณกำลังสร้างเกม สภาพแวดล้อมสำหรับการฝึกเอเจนต์ที่ต้องทำงานในพื้นที่ร่วมกัน หรือสิ่งใดก็ตามที่โลกต้องคงความสอดคล้องขณะมีผู้เคลื่อนไหวหลายรายผ่านเข้ามา Agora-2 คือชิ้นงานวิจัยที่ตรงประเด็นกว่าและหาได้ยากกว่า อ่านรายงาน เล่นพรีวิว และมองว่าผู้เข้าร่วมยี่สิบคนนั้นเป็นข้อความเกี่ยวกับการออกแบบสถานะ มากกว่าจะเป็นขีดความสามารถที่คุณเช่าใช้ได้

หากคุณต้องประเมินผลลัพธ์ทางกายภาพ — การจับนี้จะยึดอยู่ไหม การเทนี้จะหกไหม แผนนี้จะอยู่รอดเมื่อสัมผัสกับฉากจริงไหม — Agora-2 ไม่มีอะไรให้คุณ และ PAN 2 ดาวน์โหลดได้ มีเอกสารประกอบ และซื่อสัตย์เรื่องการตัดขั้นตอนทิ้งในแผนส่วนใหญ่ ตั้งงบ GPU ก่อนตั้งงบงานวิศวกรรม: B300 สี่ตัวเป็นเวลาสองนาทีต่อทุกสิบสามวินาทีเป็นตัวกำหนดต้นทุนของทุกแคนดิเดตที่ตัววางแผนของคุณพิจารณา

สองสิ่งนี้จะถูกนำมาเปรียบเทียบกันไปอีกระยะหนึ่ง เพราะ "world model" ในปัจจุบันเป็นป้ายที่ถูกนำไปติดกับอะไรก็ตามที่ทำนายสิ่งใดสิ่งหนึ่งในเชิงภาพ ป้ายนี้ไม่ได้ทำหน้าที่อะไรตรงนี้ ระบบหนึ่งในสองระบบนี้คือสถานที่ที่อยู่กับที่ขณะที่ผู้คนเคลื่อนผ่านเข้าไป อีกระบบหนึ่งคือคำถามเกี่ยวกับสิ่งที่จะเกิดขึ้นต่อไป ซึ่งตอบตามความต้องการ โดยคำตอบถูกจำกัดไว้ที่ยี่สิบวินาที การสับสนระหว่างสองสิ่งนี้ทำให้คุณเสียเวลางานวิศวกรรมไปหนึ่งในสี่ ส่วนการแยกแยะความต่างระหว่างสองสิ่งนี้ใช้เวลาเพียงบ่ายเดียว