PAN 2 vs Genie 4: ทั้งคู่นำโมเดลภาษาเข้าสู่วงจร และมีเพียงตัวเดียวที่เอ่ยชื่อมัน

world model ที่น่าสนใจที่สุดสองตัวในช่วงปลายปี 2026 ถูกสร้างด้วยวิธีเดียวกัน และไม่มีบริษัทไหนยกสิ่งนี้ขึ้นมาเป็นจุดขาย PAN 2 คือ world model แบบ open-weight ขนาด 29 พันล้านพารามิเตอร์ของ Institute of Foundation Models เผยแพร่เป็น checkpoint ภายใต้ Apache-2.0 เมื่อวันที่ 7 ตุลาคม 2026 ตามด้วยโค้ดสำหรับ inference และการฝึกในวันที่ 5 พฤศจิกายน และการรองรับการให้บริการแบบ Day-0 ใน vLLM-Omni เมื่อวันที่ 10 พฤศจิกายน Genie 4 คือ world model แบบโต้ตอบเรียลไทม์ของ Google DeepMind ประกาศเมื่อวันที่ 27 ตุลาคม 2026 ซึ่งสร้างฉากที่สำรวจได้จากคำอธิบายข้อความ และให้คุณบังคับทิศทางด้วยคีย์บอร์ดพร้อมเสียงแบบเนทีฟที่เล่นไปด้วยกัน เมื่อวางสองตัวนี้เคียงกัน ความต่างที่คาดไว้ — open weights เทียบกับ research preview, วิดีโอ 20 วินาทีเทียบกับเซสชันสด — เป็นเรื่องจริงแต่ก็ไม่น่าสนใจ สิ่งที่น่าสนใจคือทั้งสองมอบหมายการคิดให้โมเดลภาษา และมีเพียง PAN 2 เท่านั้นที่บอกคุณว่าเป็นโมเดลภาษาใดและให้คุณเปลี่ยนมันได้

ความแตกต่างเพียงจุดเดียวในเรื่องการเปิดเผยข้อมูลนั้นมีค่ามากกว่าตาราง benchmark เพราะมันเป็นตัวตัดสินว่าคุณจะสามารถให้เหตุผลเกี่ยวกับระบบได้หรือไม่เลย เวิลด์โมเดลที่มีครึ่งการให้เหตุผลแบบไม่มีชื่อคือผลิตภัณฑ์ ส่วนเวิลด์โมเดลที่มีครึ่งการให้เหตุผลที่ระบุชื่อและสลับเปลี่ยนได้คือสถาปัตยกรรม

รูปแบบที่ใช้ร่วมกัน: ตัวให้เหตุผลเขียนอนาคต ตัวเรนเดอร์วาดมันขึ้นมา

PAN 2 ใช้ Generative Latent Prediction ซึ่งเป็นรูปแบบที่ถูกกำหนดขึ้นอย่างเป็นทางการในCritique of World Models (arXiv 2507.05169) ตัวให้เหตุผลเชิงแนวคิด — โมเดลภาษาใด ๆ ที่ปฏิบัติตามคำสั่ง — อ่านการสังเกตการณ์ปัจจุบันและการกระทำที่ร้องขอ แล้วเขียนสถานะโลกถัดไปเป็นคำอธิบายที่มีโครงสร้างและยึดโยงกับเวลา: เหตุการณ์ตามลำดับ โดยแต่ละการกระทำผูกไว้กับผู้ลงมือกระทำ พร้อมการเคลื่อนไหวของกล้อง ตัวเข้ารหัสข้อความ Qwen3.5-9B ที่ถูกแช่แข็งจะเปลี่ยนคำอธิบายนั้นให้เป็นฟีเจอร์สำหรับกำหนดเงื่อนไข ทรานส์ฟอร์เมอร์แบบดิฟฟิวชันมัลติโมดัลขนาด 29B ที่ฝึกตั้งแต่เริ่มต้นบนวิดีโอที่มีคำกำกับหลายร้อยล้านคลิปจะเติมรายละเอียดเชิงการรับรู้ที่คำอธิบายยังเปิดไว้ให้สมบูรณ์ และ Wan 2.2 VAE จะถอดรหัสผลลัพธ์ออกมาเป็นเฟรม

คำอธิบายที่ Google เผยแพร่เกี่ยวกับ Genie 4 มีการแบ่งบทบาทการทำงานแบบเดียวกันแต่ใช้ชื่อผลิตภัณฑ์ที่ต่างกัน Gemini Omni ทำให้การจำลองยึดโยงกับรูปลักษณ์และพฤติกรรมที่สมจริง โมเดล Gemini อื่น ๆ จัดหาเหตุผลเพื่อความสอดคล้องและความต่อเนื่อง และ Gemini 3.8 Flash ทำหน้าที่เป็นเอเจนต์แนะนำที่สังเกตฉาก วางแผนขั้นตอน และตรวจสอบความคืบหน้า บทบาทสุดท้ายนั้นคือผู้ตรวจสอบในลูป — โมเดลภาษาที่เฝ้าดูโมเดลโลกและคอยให้มันทำงานตามเป้าหมาย Google ยังจับคู่ Genie 4 กับ Gemini 4 Argon สำหรับการจำลองหุ่นยนต์หลายขั้นตอน รวมถึงการสาธิตหุ่นยนต์ฮิวแมนนอยด์ Apptronik Apollo เล่นหมากฮอส

ดังนั้นในทั้งสองสแตก พิกเซลคือครึ่งที่ราคาถูกและเร็ว ส่วนโมเดลภาษาคือครึ่งที่ตัดสินว่าอะไรควรเกิดขึ้น นี่คือรูปร่างที่วงการบรรจบเข้าหาในปี 2026 โดยไม่ประกาศออกมา: เวิลด์โมเดลไม่ใช่เครื่องสร้างวิดีโอที่มีไพรเออร์ด้านฟิสิกส์ แต่เป็นตัววางแผนบวกตัวเรนเดอร์ และตัววางแผนคือโมเดลข้อความธรรมดาที่คุณสามารถวัดการใช้งานได้

ความสอดคล้องกันนั้นคือเหตุผลที่ช่องว่างในการเปิดเผยข้อมูลจึงสำคัญ IFM จัดอันดับผู้วางแผนสี่ตัวตามความถี่ที่แผนจำลองดำเนินการจนเสร็จสมบูรณ์ตั้งแต่ต้นจนจบ — Claude Opus 5.5 เป็นอันดับหนึ่ง GPT-6 Astra ที่ระดับความพยายามปานกลางเป็นอันดับสอง Kimi K3 อันดับสาม Qwen3.8-Flash อันดับสี่ — และเผยแพร่การจัดอันดับพร้อมกับฮาร์เนสที่สร้างสิ่งนั้นขึ้นมา ขณะที่ระบุว่าเครื่องให้เหตุผลเชิงแนวคิดนั้นโดยนิยามแล้วสามารถสลับเปลี่ยนได้ Google ระบุชื่อ Gemini 3.8 Flash ไว้ในลูป ซึ่งมากกว่าที่ห้องปฏิบัติการส่วนใหญ่กล่าวไว้ และไม่ได้เผยแพร่สิ่งใดเกี่ยวกับวิธีที่คุณจะแทนที่มัน กำหนดราคาแยกต่างหาก หรือวัดว่าโมเดลอื่นจะวางแผนได้ดีกว่าหรือไม่

ยี่สิบวินาทีในแบตช์ หรือเซสชันที่คุณควบคุม

รูปแบบการโต้ตอบนั้นตรงกันข้ามกัน และนี่คือจุดที่ทั้งสองหยุดเป็นสิ่งที่เทียบเคียงกันได้ และเริ่มเป็นเครื่องมือที่แตกต่างกัน

• เอาต์พุต — PAN 2 ส่งคืนวิดีโอ 704×1248 ความยาวสูงสุดยี่สิบวินาที ที่ 24 เฟรมต่อวินาทีต่อการเรียกหนึ่งครั้ง; Genie 4 ส่งคืนฉากสดที่คงอยู่ ซึ่งความละเอียด อัตราเฟรม และระยะเวลาของฉากนั้น Google ยังไม่ได้เผยแพร่

• การควบคุม — PAN 2 ใช้เฟรมเริ่มต้นหนึ่งเฟรมพร้อมแคปชันการกระทำแบบมีโครงสร้างที่ได้รับการปรับปรุงโดยสกิล prompt-rewriter; Genie 4 ใช้พรอมป์ต์ข้อความแล้วรับอินพุตจากคีย์บอร์ดอย่างต่อเนื่องสำหรับการเคลื่อนที่และกล้อง

• เสียง — PAN 2 ไม่มี ส่วน Genie 4 สร้างเสียงบรรยากาศ เสียงคล้ายดนตรี และบทสนทนาของตัวละครแบบโต้ตอบได้ไปพร้อมกับภาพ ซึ่ง Google ระบุว่าเป็นครั้งแรกสำหรับโมเดลโลกแบบเรียลไทม์

• พฤติกรรมแบบแบตช์ — PAN 2 เป็นออราเคิลแบบแบตช์: เรียกครั้งเดียว ได้คลิปเดียว ไม่มีฟีดแบ็กภายในครั้งนั้น; Genie 4 เป็นวงปิดที่อินพุตของคุณ ณ วินาทีที่ 3 เปลี่ยนแปลงวินาทีที่ 4

ค่าใช้จ่าย — ค่าเริ่มต้นตามเอกสารของ PAN 2 คือ H200 จำนวนแปดตัวใน BF16 โดยมีสูตร vLLM ที่ใช้เวลาประมาณ 119 วินาทีบน B300 สี่ตัวสำหรับวิดีโอ 704×1248 ความยาวสิบสามวินาที; Genie 4 ไม่มีราคาเพราะไม่มีการเข้าถึงแบบบริการตนเอง

การเข้าถึง — เวตของ PAN 2 มีขนาด 86.17 กิกะไบต์ กระจายอยู่ในหกสิบไฟล์ภายใต้ Apache-2.0 โดยไม่จำกัดการเข้าถึง; Genie 4 เป็นพรีวิวเชิงวิจัยสำหรับผู้ทดสอบที่เชื่อถือได้ โดยมีเส้นทางที่ระบุไว้สำหรับสมาชิก AI Ultra ผ่านรายการรอ และสำหรับพาร์ตเนอร์ early-access ผ่าน Gemini API และ Google AI Studio

อ่านรายการนั้นแล้วคำตอบเชิงปฏิบัติก็แยกออกจากกันอย่างชัดเจน ถ้าคุณต้องการถามว่า "จะเกิดอะไรขึ้นถ้า" สักสองสามพันครั้งและให้คะแนนคำตอบ PAN 2 เป็นเพียงตัวเดียวในสองตัวที่สามารถเรียกใช้ในลูปที่คุณควบคุมได้ ถ้าคุณต้องการสำรวจ บังคับทิศทาง และรับฟัง Genie 4 เป็นเพียงตัวเดียวในสองตัวที่เสนอพื้นที่ให้เลย — และคุณอาจยังเข้าไปไม่ได้ในตอนนี้

เอกสารข้อมูลจำเพาะที่ Google ไม่ได้เผยแพร่

สิ่งที่น่าสะดุดตาที่สุดเกี่ยวกับการประกาศเปิดตัว Genie 4 คือความยาวของรายการที่ไม่ได้เปิดเผย: ไม่มีทั้งความละเอียด อัตราเฟรม จำนวนพารามิเตอร์ ราคา ระยะเวลาความสอดคล้องของฉากที่วัดได้ และไม่มีเกณฑ์มาตรฐานที่มีฐานอ้างอิงระบุชื่อ สิ่งที่ Google เผยแพร่จริงคือชุดการยอมรับข้อจำกัด — ความสอดคล้องคงอยู่เฉพาะช่วงเซสชันสั้น ๆ และรายละเอียดภาพกับความคงอยู่ของวัตถุอาจคลาดเคลื่อนในช่วงการทำงานที่ยาวนานขึ้น หลังจากแก้ไขที่ซับซ้อน หรือขณะนำทาง ปฏิสัมพันธ์ทางกายภาพที่ซับซ้อน ความแม่นยำของเสียง ข้อความในโลกที่อ่านออกได้ ความแม่นยำเชิงพื้นที่ และความสอดคล้องระยะยาวถูกระบุว่าเป็นปัญหาการวิจัยที่ยังเปิดอยู่ ทุกเอาต์พุตมีลายน้ำ SynthID

ไม่มีส่วนใดของการนั้นเป็นการเลี่ยงคำตอบ มันคือรูปแบบที่ซื่อตรงของตัวอย่างงานวิจัย และการระบุว่า drift เป็นปัญหาที่เปิดอยู่ก็ทำได้มากกว่าที่โพสต์เปิดตัวส่วนใหญ่ทำ แต่หมายความว่าผู้อ่านไม่สามารถคำนวณสิ่งใดจาก Genie 4 ได้: ไม่ว่าจะเป็นจำนวนคลิปต่อดอลลาร์ ไม่ใช่วินาทีต่อ GPU ไม่ใช่ระยะเวลาที่ฉากหนึ่งเริ่มใช้งานไม่ได้อีกต่อไป ตัวเลขเดียวที่ผู้ซื้ออยากได้มากที่สุด — เซสชันหนึ่งคงความสอดคล้องได้นานเท่าใด — คือสิ่งที่ประกาศอธิบายเชิงคุณภาพและไม่ได้ระบุเป็นปริมาณ

PAN 2 ตอบคำถามเดียวกันด้วยตัวเลขที่แย่กว่าและthereforeมีประโยชน์มากกว่า การ์ดโมเดลของมันระบุว่าประมาณสองในสามของแผนจำลองมีอย่างน้อยหนึ่งขั้นตอนที่ไม่ถูกดำเนินการ มันบอกว่าลักษณะที่ปรากฏเคลื่อนคลาดไปตามคลิปในการโต้ตอบยาว เพราะแต่ละคลิปถูกจำลองจากเฟรมเริ่มต้นอย่างมากเพียงหนึ่งเฟรมบวกข้อความ และระบุว่าหน่วยความจำเชิงการรับรู้คือชิ้นส่วนที่ยังขาดอยู่ แทนที่จะอ้างว่าแก้ไขแล้ว มันยอมรับว่าข้อความสื่อ "open a drawer" ได้ดี และสื่อ "place each finger here" ได้แย่ ซึ่งจำกัดการหยิบจับที่ต้องใช้ความคล่องแคล่ว มันยกตัวอย่างทางลัดที่เป็นรูปธรรม — พาสต้าปรากฏในกระชอนก่อนถูกสะเด็ดน้ำ — และยอมรับว่าการจำลองแผนที่ควรล้มเหลวนั้น ตามถ้อยคำในการ์ด ยังไม่ถูกวัด

การยอมรับครั้งสุดท้ายนั้นคือสิ่งที่ควรติดไปกับโมเดลโลกใด ๆ เมื่อเข้าสู่ข้อกำหนดของผลิตภัณฑ์ เครื่องจำลองที่แสดงได้เพียงความสำเร็จคือเครื่องสร้างผลลัพธ์ที่เป็นไปได้ ไม่ใช่ตัวกรองผลลัพธ์ที่ไม่ดี และสมมติฐานทั้งหมดของการให้เหตุผลเชิงจำลอง — จำลองแผนที่เป็นตัวเลือกหลาย ๆ แผน เปรียบเทียบ แล้วลงมือทำตามแผนที่ดีที่สุด — ขึ้นอยู่กับว่าโมเดลสามารถแสดงให้คุณเห็นแผนที่ล้มเหลวได้ PAN 2 พูดออกมาชัด ๆ ว่ายังไม่ได้รับการทดสอบในเรื่องนั้น ส่วน Genie 4 ไม่ได้บอกไว้เลยว่าทำได้หรือไม่

Failover ไม่ใช่ฟีเจอร์ของโมเดลใดเลย และมันคือฟีเจอร์ที่คุณต้องการ

ระบบทั้งสองนี้เป็นผลงานวิจัยที่ชี้ไปยังปัญหาซึ่งทีมที่มีกำหนดส่งงานจริงจะเป็นผู้แก้ไข และช่องว่างระหว่างสองสิ่งนั้นคือจุดที่ชั้นการกำหนดเส้นทางพิสูจน์คุณค่าของตัวเอง ครึ่งที่เป็นตัวเรนเดอร์ของสแตก PAN 2 คือฮาร์ดแวร์ของคุณและจะเป็นเช่นนั้นเสมอ — OrcaRouter ไม่ได้โฮสต์ PAN 2 และไม่สามารถกำหนดเส้นทางให้มันได้ และไม่มีแคตตาล็อกใดสามารถกำหนดเส้นทางให้กับดิฟฟิวชันทรานส์ฟอร์เมอร์ขนาด 29 พันล้านพารามิเตอร์ที่คุณกำลังรันบนโหนดของคุณเองได้ สิ่งที่กำหนดเส้นทางได้คือครึ่งที่ตัดสินใจว่าจะจำลองอะไร เพราะครึ่งนั้นเป็นงานข้อความธรรมดาที่คิดค่าบริการตามการใช้งาน

planner ทั้งสี่ตัวที่ IFM จัดอันดับไว้นั้นอยู่ในแค็ตตาล็อกของ OrcaRouter ทั้งหมด: Claude Opus 5.5, GPT-6 Astra, Kimi K3 และ Qwen3.8-Flash นั่นทำให้ช่อง reasoner เป็นส่วนเดียวของไปป์ไลน์ PAN 2 ที่คุณสามารถ benchmarking ได้ในบ่ายนี้โดยไม่ต้องเช่าโหนด GPU — ชี้ prompt-rewriter ไปที่แต่ละตัวผ่านคีย์เดียว คงครึ่งที่เป็น diffusion ไว้ให้คงที่ แล้วนับว่ามีแผนของคุณรอดชีวิตบ่อยแค่ไหน ราคาตามรายการของผู้ให้บริการส่งผ่านมาโดยไม่บวกเพิ่ม 0% ดังนั้นการเปรียบเทียบต้นทุนจึงอิงอัตราของผู้ให้บริการเอง ไม่ใช่อัตราของเรา และการ failover อัตโนมัติจะรองรับความสะดุดของผู้ให้บริการระหว่างการกวาดทดสอบ แทนที่จะทำให้การรันล้มเลิกไป

เส้นทางเดียวกันนี้ครอบคลุมฝั่ง Genie 4 ได้ในวงจำกัด Gemini 3.8 Flash คือโมเดลที่ Google อธิบายว่าเป็นเอเจนต์นำทางแบบ in-loop ของ Genie 4 และมันสามารถเรียกใช้งานได้ผ่านแคตตาล็อกเดียวกัน. คุณไม่สามารถรับ Genie 4 ได้ คุณสามารถสร้างส่วนของสถาปัตยกรรมที่ Google อธิบายไว้ได้ — โมเดลที่รองรับความสามารถด้านการมองเห็นซึ่งเฝ้าดูเฟรมที่สร้างขึ้น วางแผนขั้นตอนถัดไป และตรวจสอบความคืบหน้า — แล้วชี้มันไปยังเวิลด์โมเดลที่คุณมีอยู่ นั่นไม่ใช่ผลิตภัณฑ์เดียวกัน มันเป็นเลเยอร์ควบคุมเดียวกัน และเป็นเลเยอร์ที่งานวิศวกรรมส่วนใหญ่เกิดขึ้นจริง

จงชัดเจนว่าอันดับข้างต้นมีคุณค่าแค่ไหน: การจัดลำดับของ IFM วัดจากงานของ IFM ด้วยฮาร์เนสของ IFM เทียบกับ Baseline ของ IFM เอง และยังไม่มีใครทำซ้ำได้เลย มันเป็นเพียงรายชื่อคัดเลือกสั้น ๆ ไม่ใช่ตารางจัดอันดับ การนำพรอมป์ของคุณเองไปรันกับตัวเลือกสี่ตัวนั้นใช้เวลาสองสามชั่วโมง และเป็นหลักฐานเดียวที่ใช้ได้กับปัญหาของคุณ

ตัวเลขอีกตัวที่ควรนำเข้าสู่งบประมาณใด ๆ คือตัวเลขฝั่งการให้บริการ (serving) ขั้นตอนแซมเปลอร์ 50 ขั้นที่ flow shift 9 พร้อม guidance 2.5 ในทุกขั้น หมายถึง forward pass หนึ่งร้อยครั้งผ่านทรานส์ฟอร์เมอร์ขนาด 29B ต่อคลิป ซึ่งเป็นเหตุผลว่าทำไม guidance จึงต้องถูกทำให้ขนานข้ามแรงค์แทนที่จะรันแบบลำดับ แพลนเนอร์ที่ประเมินการกระทำที่เป็นตัวเลือกห้ารายการต่อขั้นในงานสิบขั้นกำลังเรียกใช้คลิปห้าสิบคลิป ซึ่งภายใต้การกำหนดค่า four-B300 ที่เผยแพร่ไว้ หมายถึงโหนดหนึ่งจะยุ่งอยู่เกือบสองชั่วโมงก่อนที่จะเรียนรู้อะไรจากเอาต์พุตได้ การให้เหตุผลเชิงจำลอง (simulative reasoning) แพงไม่ใช่เพราะโมเดลใหญ่ แต่แพงเพราะแนวคิดนี้เป็นลูป

ผลลัพธ์ การควบคุม และสิ่งที่แต่ละอย่างไม่ยอมพูดถึงเกี่ยวกับระยะเวลา

การเปรียบเทียบครอบคลุมหกมิติ และสี่มิติในนั้นไม่เกี่ยวกับคุณภาพเลย

• เอาต์พุต — PAN 2 ส่งคืนวิดีโอ 704×1248 ความยาวสูงสุดยี่สิบวินาที ที่ 24 เฟรมต่อวินาทีต่อการเรียกหนึ่งครั้ง; Genie 4 ส่งคืนฉากสดที่คงอยู่ ซึ่งความละเอียด อัตราเฟรม และระยะเวลาของฉากนั้น Google ยังไม่ได้เผยแพร่

• การควบคุม — PAN 2 ใช้เฟรมเริ่มต้นหนึ่งเฟรมพร้อมแคปชันการกระทำแบบมีโครงสร้างที่ได้รับการปรับปรุงโดยสกิล prompt-rewriter; Genie 4 ใช้พรอมป์ต์ข้อความแล้วรับอินพุตจากคีย์บอร์ดอย่างต่อเนื่องสำหรับการเคลื่อนที่และกล้อง

• เสียง — PAN 2 ไม่มี ส่วน Genie 4 สร้างเสียงบรรยากาศ เสียงคล้ายดนตรี และบทสนทนาของตัวละครแบบโต้ตอบได้ไปพร้อมกับภาพ ซึ่ง Google ระบุว่าเป็นครั้งแรกสำหรับโมเดลโลกแบบเรียลไทม์

• พฤติกรรมการวนลูป — PAN 2 เป็นออราเคิลแบบแบตช์ที่ไม่มีการป้อนกลับภายในหนึ่งครั้งการเรียก; Genie 4 เป็นลูปปิดที่อินพุตของคุณ ณ วินาทีที่สามจะเปลี่ยนวินาทีที่สี่

• เกณฑ์ต้นทุน — ค่าเริ่มต้นที่ระบุไว้ในเอกสารของ PAN 2 คือ H200 จำนวนแปดตัวใน BF16 โดยมีสูตรที่ทำให้วิดีโอขนาด 704×1248 ความยาวสิบสามวินาทีใช้เวลาประมาณ 119 วินาทีบน B300 จำนวนสี่ตัว; Genie 4 ไม่มีราคาเนื่องจากไม่มีการเข้าถึงแบบบริการตนเอง

การเข้าถึง — เวตของ PAN 2 มีขนาด 86.17 กิกะไบต์ กระจายอยู่ในหกสิบไฟล์ภายใต้ Apache-2.0 โดยไม่จำกัดการเข้าถึง; Genie 4 เป็นพรีวิวเชิงวิจัยสำหรับผู้ทดสอบที่เชื่อถือได้ โดยมีเส้นทางที่ระบุไว้สำหรับสมาชิก AI Ultra ผ่านรายการรอ และสำหรับพาร์ตเนอร์ early-access ผ่าน Gemini API และ Google AI Studio

แถวระยะเวลาคือแถวที่กำหนดการตัดสินใจจริงส่วนใหญ่ และเป็นแถวที่ทั้งสองเปรียบเทียบกันได้น้อยที่สุด PAN 2 ให้คุณ tepat 20 วินาที และบอกว่ามันเกิด drift ไปตามคลิป เพราะแต่ละคลิปถูกจำลองจากเฟรมเริ่มต้นไม่เกินหนึ่งเฟรมบวกข้อความ Genie 4 ให้เซสชันที่มีความยาวไม่ระบุ ยอมรับว่าความสอดคล้องคงอยู่เฉพาะในเซสชันสั้น ๆ และเรียกความสอดคล้องระยะยาวว่าเป็นปัญหาการวิจัยที่ยังเปิดอยู่ ทั้งสองจะไม่บอกคุณถึงระยะเวลาที่เอาต์พุตเริ่มไม่น่าเชื่อถือ และตัวเลขนั้น — ไม่ใช่คะแนน benchmark — คือสิ่งที่ไปป์ไลน์ต้องการจริง ๆ

อะไรจะทำให้สิ่งนี้เป็นการเปรียบเทียบที่แท้จริง

เรื่องหนึ่ง: งานที่ใช้ร่วมกัน ยังไม่มีใครรัน PAN 2 และ Genie 4 กับคำถามเดียวกัน และไม่ชัดเจนว่าทำได้ — ตัวหนึ่งสร้างคลิปความยาวคงที่จากคำบรรยายภาพ อีกตัวสร้างเซสชันโต้ตอบจากพรอมป์ต์และคีย์บอร์ด สิ่งที่ใกล้เคียงที่สุดกับมาตรวัดร่วมคือความสอดคล้องของการกระทำภายใต้แผนที่อธิบายไว้ และมีเพียง PAN 2 เท่านั้นที่เผยแพร่ฮาร์เนสสำหรับสิ่งนั้น: เคสการกระทำเดี่ยว 300 เคส ครอบคลุมหมวดความสามารถ 6 หมวด, งานหลายขั้นตอน 100 งานที่ตั้งเป็นพรอมป์ต์ 200 รายการและ 456 ขั้นตอน ให้คะแนนจากการทำขั้นตอนสำเร็จและการทำแผนทั้งหมดสำเร็จโดยใช้สามซีด ผู้ตรวจสอบ 13 คนสร้างตัวเลขความชื่นชอบของมนุษย์บนพรอมป์ต์ 140 รายการในการศึกษาแบบเปรียบเทียบรายคู่แบบปกปิด โดยตัดสินโมเดลของผู้เขียนเทียบกับเบสไลน์ของผู้เขียน นั่นไม่ใช่ความเป็นอิสระ แต่มันอ่านเข้าใจได้ ซึ่งเป็นสิ่งที่ดีรองลงมา และมากกว่าสิ่งที่อีกฝ่ายเสนอ

ดังนั้นทางเลือกนี้ พูดให้ตรงที่สุดเท่าที่หลักฐานจะเอื้อได้ ถ้าคุณต้องการโลกจำลอง (world model) ที่ดาวน์โหลดได้ ตรวจสอบได้ ปรับแต่งละเอียดได้ และสอบถามแบบเป็นชุดได้ — และคุณมีหรือเช่าโหนดหลาย GPU ได้ — PAN 2 คือรุ่นโอเพนซอร์สที่สมบูรณ์ที่สุดในหมวดนี้ และส่วนข้อจำกัดของมันเองก็เป็นหน้าที่มีค่าที่สุดในเอกสารนั้น ถ้าคุณต้องการโลกที่คนสามารถเดินสำรวจอยู่ข้างในได้ พร้อมเสียง และคุณยินดีรอคิวและสร้างบน API ที่ไม่มีทั้งกำหนดวันและราคา Genie 4 คือระบบที่น่าประทับใจกว่า และเป็นตัวที่มีเส้นทางการเผยแพร่รองรับอยู่เบื้องหลัง

ความเข้าใจผิดที่ต้องหลีกเลี่ยงคือการมองว่าตัวใดตัวหนึ่งใช้แทนอีกตัวได้ ความครอบคลุมของ Genie 4 ไม่ใช่หลักฐานว่ามันประเมินแผนได้ และน้ำหนักที่ดาวน์โหลดได้ของ PAN 2 ก็ไม่ใช่หลักฐานว่ามันรักษาฉากให้ต่อเนื่องได้ขณะที่คุณควบคุมทิศทาง สิ่งที่ทั้งสองมีร่วมกันจริง ๆ คือสถาปัตยกรรมที่ทั้งสองบริษัทพัฒนาขึ้นมาอย่างอิสระ — โมเดลภาษาที่ตัดสินใจ โมเดลดิฟฟิวชันที่วาด — และความจริงที่ว่าในปี 2026 คุณยังมองเห็นภายในได้เพียงหนึ่งในสองเท่านั้น