Guides & Insights

PAN 2 กับ Gemma 4 12B: ตัวจำลองกับตัวให้เหตุผลไม่ใช่คู่แข่งกัน

ผู้เขียน

Rowan Sterling

วันที่เผยแพร่

Nov 11, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

ทุกหน้าการเปรียบเทียบบนอินเทอร์เน็ตต่างอยากได้ผู้ชนะ และหน้านี้ก็ไม่อาจมีผู้ชนะอย่างซื่อตรงได้ เพราะ PAN 2 กับ Gemma 4 12B ไม่ได้ทำงานเดียวกัน PAN 2 เป็นทรานส์ฟอร์เมอร์แบบ diffusion สำหรับวิดีโอขนาด 29,000 ล้านพารามิเตอร์จาก Institute of Foundation Models ของ MBZUAI ที่รับภาพและคำอธิบายการกระทำ แล้วคืนวิดีโอขนาด 704×1248 ความยาวสูงสุดยี่สิบวินาทีที่แสดงสิ่งที่จะเกิดขึ้นต่อไป Gemma 4 12B Unified เป็นโมเดลภาษามัลติโหมดแบบไม่มี encoder ขนาด 11.95 พันล้านพารามิเตอร์จาก Google DeepMind ที่รับข้อความ ภาพ และเสียง แล้วคืนข้อความ ตัวหนึ่งเรนเดอร์ผลลัพธ์ที่ตามมา อีกตัวพูดถึงผลลัพธ์นั้น หากคุณมาที่นี่เพื่อมองหาตาราง benchmark ที่จัดอันดับสองตัวนี้เทียบกัน ก็ไม่มีตารางเช่นนั้น และไม่มีทางมีได้ — ทั้งสองไม่มีชุดการประเมินร่วมกัน สิ่งที่มีอยู่จริงคือการตัดสินใจจริง เพราะทั้งสองถูกนำไปใช้ในไปป์ไลน์เดียวกันมากขึ้นเรื่อย ๆ: ตัวให้เหตุผลเขียนแผน ตัวจำลองแสดงให้คุณเห็นว่าแผนนั้นทำอะไร ดังนั้นคำถามที่มีประโยชน์ไม่ใช่ตัวไหนดีกว่า แต่เป็นตัวไหนที่ปัญหาของคุณต้องการจริง ๆ และการถือไว้แต่ละตัวมีต้นทุนอะไรกับคุณ

ความไม่สอดคล้องกัน กล่าวอย่างตรงไปตรงมา

Gemma 4 12B มีตารางการประเมินผลแบบสาธารณะ ส่วน PAN 2 ไม่มี และความไม่สมมาตรนี้ไม่ใช่สัญญาณของคุณภาพ — แต่เป็นสัญญาณบอกประเภท Google เผยแพร่ MMLU Pro, GPQA Diamond, AIME, LiveCodeBench และเกณฑ์มาตรฐานด้านข้อความและภาพอื่น ๆ อีกกว่าสิบรายการ เพราะโมเดลภาษาถูกวัดด้วยมาตรวัดร่วมที่มีอยู่มาหลายปีแล้ว การ์ดของ PAN 2 เผยแพร่ Physics-IQ Verified, PhyGround, RBench และการศึกษาความชอบของมนุษย์ เพราะโมเดลโลกแบบวิดีโอถูกวัดด้วยเครื่องมือที่เพิ่งถูกคิดค้นขึ้นเมื่อไม่นานมานี้ ซึ่งส่วนใหญ่พัฒนาโดยห้องปฏิบัติการที่สร้างโมเดลเหล่านี้เอง

• พารามิเตอร์ — PAN 2: 29B ในทรานส์ฟอร์เมอร์การแพร่แบบหลายโหมดตัวเดียว พร้อมตัวเข้ารหัสข้อความ Qwen3.5-9B แบบแช่แข็ง และ Wan 2.2 VAE ที่โหลดอยู่เคียงข้าง Gemma 4 12B: 11.95B, 48 เลเยอร์, ไม่มีตัวเข้ารหัส โดยแพตช์ภาพดิบและรูปคลื่นเสียงถูกฉายตรงเข้าสู่พื้นที่ embedding ของตัวถอดรหัส

• อินพุตและเอาต์พุต — PAN 2: เฟรมแรกแบบไม่บังคับหนึ่งเฟรมพร้อมคำบรรยายสถานะโลกแบบมีโครงสร้าง ผลลัพธ์ออกมาเป็น MP4 Gemma 4 12B: รับข้อความ รูปภาพ เสียง และวิดีโอเข้า ส่งออกเป็นข้อความ พร้อมบริบท 256K โทเคน และรองรับ system prompt แบบเนทีฟ

• สัญญาอนุญาต — PAN 2: Apache-2.0 สำหรับโค้ดและน้ำหนักของตัวเอง โดยคอมโพเนนต์ของบุคคลที่สามอยู่ภายใต้ข้อกำหนดของตนเอง Gemma 4 12B: Apache-2.0 ภายใต้เงื่อนไขสัญญาอนุญาต Gemma 4

• น้ำหนักบนดิสก์ — PAN 2: 86.17 GB กระจายอยู่ในหกสิบไฟล์ในรีโพซิทอรี IFM/PAN2 โดย 67.37 GB เป็นตัวทรานส์ฟอร์เมอร์เอง และ 15.87 GB เป็นตัวเข้ารหัสข้อความ Gemma 4 12B: พารามิเตอร์ประมาณ 12 พันล้านตัวใน BF16 คิดเป็นประมาณหนึ่งในสี่ของทรานส์ฟอร์เมอร์เพียงอย่างเดียว

แต่ละสิ่งเก่งอะไรจริง ๆ เมื่อพิจารณาจากหลักฐานของตัวเอง

ตัวเลขของ Gemma 4 12B เป็นชุดที่อ่านเข้าใจได้ง่ายกว่าของทั้งสองชุด และถือว่าน่าพอใจเมื่อเทียบกับขนาดของมัน MMLU Pro ที่ผู้พัฒนารายงานไว้ที่ 77.2%, GPQA Diamond 78.8%, AIME 2026 แบบไม่ใช้เครื่องมือ 77.5%, LiveCodeBench v6 ที่ 72.0% และคะแนน Codeforces rating 1659 ทำให้มันนำหน้ารุ่นก่อนอย่างชัดเจน — Gemma 3 27B ทำได้ 67.6%, 42.4%, 20.8%, 29.1% และ 110 ในแถวเดียวกัน ด้านความสามารถเชิงภาพ ทำได้ MMMU Pro 69.1% และ MATH-Vision 79.7% ด้านบริบทแบบยาว MRCR v2 ที่แปดเข็มในระดับ 128K อยู่ที่ 43.4% ทั้งหมดนี้คือการประเมินของ Google เองต่อโมเดลของ Google เอง และการ์ดโมเดลก็ระบุไว้เช่นนั้น ควรถือว่าเป็นคำกล่าวอ้างของผู้พัฒนาที่มีเอกสารประกอบครบถ้วน มากกว่าจะเป็นคำตัดสินที่เป็นอิสระ

PAN 2 ไม่มีอะไรที่เทียบได้ และไม่ได้แสร้งทำเป็นมี ข้อกล่าวอ้างของมันแคบกว่าและแปลกกว่า นั่นคือโมเดลดิฟฟิวชันที่ปรับเงื่อนไขด้วยคำอธิบายที่มีโครงสร้างและอิงกับเวลา จะจำลองผลทางกายภาพและเชิงสาเหตุของการกระทำหนึ่งได้ดีพอให้เอเจนต์เปรียบเทียบแผนที่เป็นตัวเลือกก่อนตัดสินใจเลือกแผนใดแผนหนึ่ง หลักฐานสนับสนุนข้อกล่าวอ้างนี้คือการศึกษาการกระทำเดี่ยว 300 กรณีครอบคลุมหมวดหมู่ความสามารถหกหมวด การศึกษาหลายขั้นตอน 200 พรอมต์ที่มี 456 ขั้นตอน และการทดสอบความชอบของมนุษย์แบบปกปิดที่มีการเปรียบเทียบ 1,400 ครั้ง ทั้งสามอย่างเป็นของทีมเอง ไม่มีข้อใดถ่ายโอนไปยังสิ่งใดก็ตามที่ใช้วัด Gemma 4 12B

A screenshot of the gemma-4-12B-it model card on Hugging Face showing 173k likes, an Any-to-Any pipeline tag with gemma4_unified, an Apache 2.0 licence, a downloads-last-month figure of 1,804,152, a 12B parameter BF16 model size, model-card text describing the Gemma 4 12B Unified model as encoder-free with native audio and vision understanding, a 256K-token context window and support for over 140 languages, the five family sizes E2B, E4B, 12B, 26B A4B and 31B, and a model tree showing 159 adapters, 304 finetunes, 11 merges and 401 quantizations.

คำถามเรื่องการนำไปใช้งานคือจุดที่การเปรียบเทียบมีความสำคัญจริง ๆ

ตรงจุดนี้ โมเดลทั้งสองเลิกเป็นสิ่งที่เทียบกันไม่ได้ เพราะทั้งคู่ต้องทำงานบนฮาร์ดแวร์ที่คุณต้องจ่ายเงินซื้อเอง

Gemma 4 12B ทำงานบน GPU สำหรับผู้บริโภคหรือเวิร์กสเตชันเพียงตัวเดียวที่ BF16 และใช้ทรัพยากรน้อยลงอย่างมากเมื่อทำ quantization โดยรองรับตั้งแต่วันแรกในสแต็กการอนุมานมาตรฐาน มีคลังคำศัพท์ 262K และมีชุดค่าเริ่มต้นด้านการสุ่มตัวอย่างและโหมดคิดที่จัดทำเอกสารไว้ หากงานของคุณคือการทำความเข้าใจเอกสาร การเรียกใช้เครื่องมือ หรือการให้เหตุผลเหนือบริบทที่ยาว นี่คือการติดตั้งใช้งานที่ธรรมดาและเป็นแนวทางที่คุ้นเคยดีอยู่แล้ว และการตัดสินใจที่น่าสนใจทั้งหมดอยู่ที่การเขียนพรอมต์

การดีพลอย PAN 2 ไม่ใช่เรื่องน่าเบื่อ คำโปรยของสูตร vLLM เองก็บอกไว้ชัดว่า วิดีโอ 704×1248 ความยาวสิบสามวินาที ใช้เวลาประมาณ 119 วินาทีบน GPU B300 สี่ตัว โดยทำ classifier-free guidance แบบขนานข้ามสอง rank และทำ Ulysses sequence parallelism แบบขนานข้ามสองเช่นกัน ค่าเริ่มต้นคือ H200 แปดตัวใน BF16 ตัวสุ่มตัวอย่างรันห้าสิบสเต็ปโดยมี guidance ทุกสเต็ป ซึ่งหมายถึงการส่งผ่านไปข้างหน้าหนึ่งร้อยรอบผ่าน transformer ขนาด 29B ต่อคลิป นี่จึงเป็นเหตุผลว่าทำไมการทำขนานจึงไม่ใช่ตัวเลือกเสริม และรูปแบบ condition ไม่ใช่ข้อความอิสระ โดยโมเดลคาดหวังคำบรรยายสถานะโลกแบบมีโครงสร้าง และรีโพซิทอรีมีสกิล prompt-rewriter พร้อมตัวตรวจสอบที่บังคับใช้ขีดจำกัดแบบซอฟต์ที่ 1,480 โทเคน และความจุแบบแข็งที่ 1,536 โทเคน เทียบกับงบประมาณของ text encoder

รายละเอียดสุดท้ายนั้นคือสิ่งที่ตัดสินการประเมินส่วนใหญ่ คุณไม่สามารถพิมพ์คำขอลงใน PAN 2 แล้วได้วิดีโอออกมา คุณต้องอธิบายเหตุการณ์ตามลำดับ ผูกการกระทำเข้ากับผู้แสดง และระบุการเคลื่อนไหวของกล้อง และการ์ดโมเดลระบุชัดเจนว่ากรณีศึกษาของเอเจนต์อาศัยพรอมป์ที่ปรับแต่งด้วยมือ Gemma 4 12B ยินดีรับข้อความร้อยแก้วหนึ่งย่อหน้าและให้สิ่งที่มีประโยชน์กลับมาในการลองครั้งแรก หากคุณอยากรู้ว่า PAN 2 ให้ความรู้สึกอย่างไรเมื่อใช้งานจริง คำตอบที่ตรงไปตรงมาคือมันให้ความรู้สึกเหมือนโมเดลที่มีสัญญาอินเทอร์เฟซ ไม่ใช่กล่องแชต

A screenshot of the PAN2 model page on Hugging Face showing the Institute of Foundation Models at MBZUAI as author, 24 likes, an Image-Text-to-Video pipeline tag, Apache-2.0 licence, a note that downloads are not tracked, a 29B safetensors size in BF16, the overview text describing a general-purpose world model that simulates how the world changes in response to actions and returns video of up to 20 seconds, and the Generative Latent Prediction architecture paragraph naming the frozen text encoder.

ที่ซึ่งทั้งสองเป็นส่วนหนึ่งของระบบเดียวกัน

เหตุผลที่การเปรียบเทียบนี้ยังถูกหยิบยกขึ้นมาอยู่เสมอคือ งานของเอเจนต์ในตอนนี้ต้องใช้ทั้งสองส่วนเข้าด้วยกัน เอเจนต์ที่วางแผนเป็นข้อความและลงมือทำในสภาพแวดล้อมจริงต้องมีตัวให้เหตุผลเพื่อตัดสินใจว่าจะทำอะไร และในระดับที่เพิ่มขึ้นเรื่อย ๆ ก็ต้องมีตัวจำลองเพื่อดูตัวอย่างว่าการทำเช่นนั้นจะมีหน้าตาอย่างไร Gemma 4 12B สามารถเป็นตัวให้เหตุผลได้ — มันเล็กพอที่จะอยู่ร่วมกับส่วนอื่น ๆ ของสแต็กได้ จัดการภาพและเสียงเป็นอินพุตได้ และคะแนนด้านการทำตามคำสั่งและการใช้เครื่องมือคือจุดเด่นของโมเดลนี้ PAN 2 สามารถเป็นตัวจำลองได้ และสถาปัตยกรรมของมันเองก็ตั้งสมมติฐานว่ามีบางอย่างอย่าง Gemma อยู่ในลูปอยู่แล้ว: ตัวให้เหตุผลเชิงแนวคิดถูกนิยามว่าเป็นโมเดลภาษาที่ทำตามคำสั่งได้ใด ๆ และรายงานจัดอันดับสี่โมเดลดังกล่าวตามความถี่ที่แผนจำลองทำงานเสร็จได้ตั้งแต่ต้นจนจบ — Claude Opus 5.5 เป็นอันดับแรก จากนั้น GPT-6 Astra ที่ความพยายามระดับกลาง จากนั้น Kimi K3 จากนั้น Qwen3.8-Flash

หากระบบของคุณมีลักษณะแบบนี้ การจับคู่ก็ไม่ใช่เรื่องของ PAN 2 กับ Gemma 4 12B เลย แต่เป็นการใช้ PAN 2 ร่วมกับโมเดลที่ทำหน้าที่ให้เหตุผล และการเลือกโมเดลที่ทำหน้าที่ให้เหตุผลนี่แหละคือจุดที่ต้นทุนและความแปรปรวนของคุณภาพอยู่จริง ๆ

นี่คือจุดที่เราเตอร์ทำงานจริง ไม่ใช่แค่ทำงานด้านการตลาด ครึ่งที่เป็นการจำลองต้องรันบน GPU ของคุณเอง — ไม่มีใครโฮสต์ PAN 2 รวมถึง MBZUAI ด้วย — แต่ครึ่งที่เป็นการให้เหตุผลสามารถเป็นการเรียก API แบบคิดตามการใช้งานได้ และการสลับระหว่าง Claude Opus 5.5, GPT-6 Astra และ Qwen3.8-Flash เพื่อหาว่าตัวไหนทำให้แผนของคุณเสร็จสมบูรณ์บ่อยที่สุดนั้นเป็นคำถามเรื่องการกำหนดเส้นทาง ไม่ใช่คำถามเรื่องการจัดซื้อจัดหา Qwen3.8-Flash อยู่บน OrcaRouter ดังนั้นคุณจึงสามารถทดสอบวัดประสิทธิภาพผู้วางแผนสามตัวเทียบกับการติดตั้ง PAN 2 ของคุณเองผ่าน API key เดียวพร้อมการสลับสำรองอัตโนมัติ ในราคาตามรายการของผู้ให้บริการด้วยมาร์กอัป 0% ที่ส่งผ่าน OrcaRouter ไม่ได้โฮสต์ PAN 2 และไม่สามารถกำหนดเส้นทางให้ PAN 2 ได้ ระบบนี้สามารถรักษาครึ่งที่ถูกกว่าของไปป์ไลน์ให้ยืดหยุ่นได้ ขณะที่ครึ่งที่แพงกว่ายังคงถูกตรึงไว้กับฮาร์ดแวร์

อะไรจะเปลี่ยนการเปรียบเทียบนี้

สองสิ่ง ซึ่ง ณ วันที่ 11 พฤศจิกายน 2026 ยังไม่มีอยู่ทั้งคู่ ประการแรก การประเมิน PAN 2 อย่างเป็นอิสระโดยคนที่ไม่ใช่ผู้เขียน — จนถึงตอนนั้น ข้อกล่าวอ้างด้านความสามารถของมันเป็นข้อมูลที่ผู้ขายรายงานเอง และควรอ่านในลักษณะนั้น ประการที่สอง เอนด์พอยต์แบบโฮสต์หรือรีลีสโน้ตตัวจริงของ PAN 2 — โพสต์เดียวบนบัญชี X ของแล็บไม่ใช่สิ่งนั้น — ซึ่งจะเปลี่ยนการตัดสินใจเรื่องการโฮสต์เองให้กลายเป็นการเปรียบเทียบราคา และทำให้ส่วนการติดตั้งใช้งานของหน้านี้ล้าสมัยในชั่วข้ามคืน

Gemma 4 12B ไม่จำเป็นต้องมีทั้งสองอย่าง มันเป็นโมเดลที่เปิดตัวแล้ว มีเอกสารประกอบ และถูกใช้งานอย่างแพร่หลาย โดยมีผู้ดาวน์โหลดมากกว่า 1.8 ล้านครั้งต่อเดือนบน Hugging Face และตารางการประเมินผลของมันได้รับการใช้งานจากชุมชนมาหลายเดือนเพื่อค้นหาจุดอ่อน โปรไฟล์ความเสี่ยงในการนำไปใช้ใกล้เคียงศูนย์ ส่วนโปรไฟล์ความเสี่ยงในการนำ PAN 2 ไปใช้ คือคุณต้องใช้เวลาหนึ่งสัปดาห์ไปกับโครงสร้างพื้นฐานสำหรับโมเดลที่หัวข้อข้อจำกัดระบุว่า ประมาณสองในสามของแผนจำลองมีอย่างน้อยหนึ่งขั้นตอนที่ไม่ถูกดำเนินการ ประโยคนั้นไม่ใช่เหตุผลที่จะข้ามมันไป แต่เป็นเหตุผลที่ต้องรู้ว่าคุณกำลังซื้ออะไรก่อนจะเช่า GPU

วิธีการเลือก

หากคุณต้องการให้ข้อความ รูปภาพ หรือเสียงได้รับการเข้าใจและตอบกลับ PAN 2 ไม่ใช่ตัวเลือก และงบประมาณ GPU เท่าไรก็ไม่ทำให้มันเป็นตัวเลือก ให้ใช้ Gemma 4 12B หรือหนึ่งในรุ่นใหญ่กว่าของ Gemma 4 หากตัวเลขของ 12B ยังไม่พอ หากคุณต้องการเห็นว่าการกระทำหนึ่งจะเป็นอย่างไรก่อนลงมือ — การจัดการหุ่นยนต์ การจำลองงานจากมุมมองบุคคลที่หนึ่ง การประเมินการให้เหตุผลเชิงกายภาพ — Gemma 4 12B ก็ทำแบบนั้นไม่ได้เช่นกัน และ PAN 2 เป็นหนึ่งในไม่กี่โมเดล open-weight ที่พยายามทำ หากคุณต้องการเอเจนต์ที่ทำได้ทั้งสองอย่าง คำตอบคือสแต็ก ไม่ใช่โมเดล และงานวิศวกรรมที่น่าสนใจอยู่ที่อินเทอร์เฟซระหว่างทั้งสอง: รูปแบบแคปชันแบบมีโครงสร้างที่ PAN 2 ต้องการคืออาร์ติแฟกต์ที่โมเดลให้เหตุผลอย่าง Gemma 4 12B จะต้องได้รับการสอนให้สร้างขึ้นมาพอดี

PAN 2 กับ Gemma 4 12B: ตัวจำลองกับตัวให้เหตุผลไม่ใช่คู่แข่งกัน

ความไม่สอดคล้องกัน กล่าวอย่างตรงไปตรงมา

แต่ละสิ่งเก่งอะไรจริง ๆ เมื่อพิจารณาจากหลักฐานของตัวเอง

คำถามเรื่องการนำไปใช้งานคือจุดที่การเปรียบเทียบมีความสำคัญจริง ๆ

ที่ซึ่งทั้งสองเป็นส่วนหนึ่งของระบบเดียวกัน

อะไรจะเปลี่ยนการเปรียบเทียบนี้

วิธีการเลือก

ผลิตภัณฑ์

ทรัพยากร

พาร์ทเนอร์

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล