PAN 2 có đường phục vụ trước khi được công bố

Lúc 16:03 UTC ngày 10 tháng 11 năm 2026, một pull request bổ sung hỗ trợ Day-0 cho tính năng tạo video từ văn bản và tạo video từ hình ảnh của PAN 2 đã hoàn tất việc hợp nhất vào vLLM-Omni. Lúc 20:55 UTC cùng ngày, một pull request thứ hai đã bổ sung trang hướng dẫn triển khai, cho biết cách phục vụ mô hình này. PAN 2 là một transformer khuếch tán video 29 tỷ tham số của Viện Các Mô hình Nền tảng tại MBZUAI, và lý do hai lần hợp nhất đó lại là câu chuyện nằm ở thứ tự chúng xuất hiện. Kho lưu trữ Hugging Face có từ ngày 7 tháng 10 năm 2026 và kho GitHub từ ngày 5 tháng 11, nên trong năm tuần, dấu vết công khai duy nhất của mô hình là siêu dữ liệu của kho lưu trữ. Tuyên bố đầu tiên từ chính đơn vị phát triển mà tôi có thể tìm thấy là một bài đăng duy nhất từ tài khoản X của chính phòng thí nghiệm, @IFM_AI, có dấu thời gian 17:00 UTC ngày 10 tháng 11 — năm mươi sáu phút sau lần hợp nhất vào vLLM-Omni và gần bốn giờ trước trang hướng dẫn. Bài đăng viết "Introducing PAN 2: an open foundation world model for physical intelligence", có kèm một video và không liên kết đến đâu ngoài chính nó. Không có bài blog, không có URL bài báo, không có endpoint được lưu trữ, không có trang giá, không có thông cáo báo chí. Vì vậy, quy trình phục vụ thực sự có trước thông báo, và khi thông báo xuất hiện, nó còn nhỏ hơn cả lần hợp nhất: vài trăm lượt thích và đúng một cặp đoạn văn. Những gì tồn tại là 86,17 GB checkpoint Apache-2.0, một tích hợp khung, và một tweet.

Điều gì thực sự đã được triển khai, và theo thứ tự nào

Bốn việc riêng biệt đã xảy ra, và việc gộp chúng lại với nhau chính là cách một đợt phát hành âm thầm bị nhầm thành một buổi ra mắt.

• Các trọng số — IFM/PAN2 trên Hugging Face, kho lưu trữ được tạo ngày 7 tháng 10 năm 2026 lúc 23:42 UTC, sửa đổi lần cuối ngày 9 tháng 11 năm 2026 lúc 21:52 UTC với một commit bổ sung hỗ trợ safety-checker dưới dạng thành phần pipeline mô-đun của Diffusers. Sáu mươi tệp, 86,17 GB, không có cổng truy cập, Apache-2.0.

• Đoạn mã — github.com/ifm-ai/PAN2, được tạo ngày 5 tháng 11 năm 2026, với một commit duy nhất được đẩy lên lúc 20:13 UTC ngày hôm đó. Không phải là một bản kết quả nghiên cứu với README chết: có các script suy luận, ghim phiên bản môi trường, cấu hình huấn luyện, một skill viết lại prompt và tài liệu cho triển khai, huấn luyện và suy luận.

• Đường dẫn phục vụ — vLLM-Omni PR #8602 cho hỗ trợ Day-0 chuyển văn bản thành video và chuyển hình ảnh thành video, được hợp nhất ngày 10 tháng 11 lúc 16:03 UTC, và PR công thức vLLM #10126, được hợp nhất cùng buổi tối lúc 20:55 UTC.

Tuyên bố — @IFM_AI trên X, ngày 10 tháng 11 lúc 17:00 UTC: “Giới thiệu PAN 2: một mô hình thế giới nền tảng mở cho trí tuệ vật lý.” Hai đoạn văn, một video, không có liên kết đến bài đăng, bài báo hay trang nào.

Trình tự đó thật bất thường, và chính thông báo là thứ khiến nó càng lạ hơn chứ không hề bình thường hơn. Thông thường, một phòng thí nghiệm sẽ công bố, phát hành trọng số, rồi hỗ trợ framework mới nhỏ giọt xuất hiện trong những tuần sau đó trong lúc người dùng gửi issue. Ở đây, việc merge framework đến trước, thông báo đến năm mươi sáu phút sau, và công thức đến bốn giờ sau đó. Công trình công khai đáng kể nhất trong cuộc đời ngắn ngủi của mô hình vẫn là một pull request, điều đó cho bạn biết đôi điều về cách bản phát hành này được vận hành: như một đợt phát hành artifact dành cho những người đọc repository, với một bài đăng mạng xã hội được gắn vào gần như chỉ như một ý nghĩ thêm sau đó.

Kho lưu trữ sẽ cho bạn biết điều gì

Nhiều hơn hầu hết các bài đăng phát hành. PAN 2 là một mô hình thế giới, không phải một trình tạo video thiên về điện ảnh — sự khác biệt mang tính kiến trúc chứ không phải tu từ. Nó triển khai mẫu Generative Latent Prediction được mô tả trong Critique of World Models (arXiv 2507.05169) và chia công việc làm hai. Một bộ suy luận khái niệm, tức là bất kỳ mô hình ngôn ngữ nào tuân theo chỉ dẫn, đọc quan sát và các hành động được yêu cầu rồi viết trạng thái thế giới kế tiếp dưới dạng chú thích có cấu trúc, gắn với thời gian: sự kiện theo thứ tự, hành động gắn với tác nhân, chuyển động camera. Một bộ mã hóa văn bản đóng băng ánh xạ chú thích đó thành các đặc trưng điều kiện. Sau đó, một transformer khuếch tán đa phương thức 29B, được huấn luyện từ đầu trên hàng trăm triệu video được chú thích theo cùng định dạng, dự đoán chi tiết cảm nhận mà chú thích để ngỏ. Một VAE Wan 2.2 giải mã các latent, và bạn nhận được một video dài tối đa 20 giây ở 704×1248 và 24 khung hình mỗi giây.

Cấu hình được công bố đủ cụ thể để có thể tính toán chi phí. Cấu hình transformer liệt kê 44 lớp, 32 đầu chú ý với 128 chiều mỗi đầu, kích thước patch 1×2×2, 97 kênh đầu vào và 48 kênh đầu ra. Bộ lấy mẫu mặc định là 50 bước với flow shift bằng 9, cùng classifier-free guidance 2,5 ở mọi bước. Độ dài mặc định là 241 khung hình, khoảng mười giây; giới hạn tối đa là 481 khung hình. Bộ mã hóa văn bản là Qwen3.5-9B, đóng băng và không chỉnh sửa, còn VAE là của Wan 2.2. Cả hai đều được tải xuống từ kho lưu trữ riêng của chúng — MBZUAI không phân phối lại chúng, và thẻ mô hình cẩn thận nói rõ điều đó.

Ngoài ra còn có một kỹ năng viết lại prompt được đóng gói kèm trong repo, với một prompt hệ thống, một prompt phủ định cố định và một trình kiểm tra đối chiếu caption với ngân sách token của bộ mã hóa văn bản: giới hạn mềm 1.480 token và dung lượng cứng 1.536. Đó là hiện vật đơn lẻ hữu ích nhất trong gói phát hành. Nó cho thấy mô hình không thực sự tiếp nhận văn bản tự do tốt, và rằng nhóm biết điều đó.

Điều mà nó sẽ không nói với bạn

Gần như mọi điều người mua sẽ hỏi. Không có giá, vì không có API. Không có endpoint được lưu trữ nào từ MBZUAI. Không có đánh giá chuẩn độc lập: các con số trong thẻ mô hình là của chính nhóm, được đo trên bộ khung thử nghiệm của chính họ, và thẻ mô hình tỏ ra lạ thường thẳng thắn về các điều kiện — Physics-IQ Verified được chuẩn hóa sao cho phương sai giữa hai lần quay thực bằng 100, PhyGround được Qwen3.8-27B chấm trên thang năm điểm, RBench là trung bình không trọng số trên năm danh mục tác vụ và bốn danh mục hiện thân. Đó là những lựa chọn có thể biện hộ được, và không có lựa chọn nào trong số đó là xác minh bên thứ ba.

Đánh giá của con người là bằng chứng mạnh nhất trong đợt phát hành và cũng là bằng chứng hạn chế nhất. Đánh giá ưu tiên theo cặp mù trên 140 lời nhắc — 90 văn bản-thành-video, 50 hình ảnh-thành-video — được 13 người đánh giá chấm dựa trên mức độ tuân thủ hành động, vật lý và tính nhất quán của thế giới qua 1.400 so sánh, với Elo được khớp bằng Bradley–Terry và đặt trung tâm tại 1500. Mười ba người đánh giá là một hội đồng nhỏ và họ đang đánh giá mô hình của chính nhóm so với các đường cơ sở. Đây là nhiều hơn những gì hầu hết các phòng thí nghiệm công bố. Đây không phải là một bảng xếp hạng.

Và phần hạn chế thẳng thắn hơn mức thông thường của thể loại này: khoảng hai trong ba kế hoạch mô phỏng có ít nhất một bước không được thực hiện. Riêng câu đó là con số quan trọng nhất trong bản công bố, và đó chính là con số mà một bài đăng ra mắt lẽ ra sẽ chôn vùi.

Con số thông lượng trong công thức chính là điều thực sự đáng chú ý.

Hỗ trợ framework quan trọng vì những gì công thức tuyên bố, không phải vì một logo được thêm vào. Trang công thức vLLM nêu rằng PAN 2 tạo ra video 704×1248 dài 13 giây trong khoảng 119 giây trên bốn GPU B300, sử dụng song song hóa classifier-free-guidance trên hai rank và song song hóa chuỗi Ulysses trên hai rank. Cấu hình mặc định là tám H200 ở BF16, và lệnh serve được ghi tài liệu bổ sung song song hóa patch VAE trên bốn rank ở chế độ tile — một chi tiết chỉ quan trọng vì giải mã một clip 704×1248 dài 20 giây tự nó là một bài toán bộ nhớ riêng.

Đọc những con số đó đối chiếu với cài đặt sampler. Năm mươi bước với guidance ở mọi bước nghĩa là một trăm lượt forward pass qua một transformer 29B cho mỗi clip. Đó là lý do guide chạy guidance song song thay vì tuần tự. Đó cũng là lý do câu hỏi thực tế về PAN 2 không phải "nó tốt đến đâu" mà là "một clip tốn của tôi bao nhiêu", và câu trả lời theo công thức của chính nhà cung cấp là một node bốn GPU trong hai phút cho mỗi mười ba giây video. Chưa ai công bố một cấu hình rẻ hơn, và mặc định tám-H200 của công thức cho thấy thiết lập bốn-B300 là một phương án chật vật chứ không phải mức sàn thoải mái.

Nếu bạn muốn dùng thử, planner là phần bạn có thể thuê.

Thiết kế hai giai đoạn của PAN 2 có một hệ quả thực tiễn kỳ lạ. Nửa đắt đỏ — phần xương sống khuếch tán 29B — là nửa mà bạn phải tự vận hành, vì không ai cung cấp nó dưới dạng dịch vụ và MBZUAI chưa xây dựng một cái. Nửa rẻ, bộ suy luận khái niệm thứ viết chú thích trạng thái thế giới có cấu trúc, là một mô hình văn bản thông thường và có thể là bất kỳ thứ gì tuân theo chỉ dẫn.

Đó là lúc một router chứng tỏ được giá trị của mình. Báo cáo PAN 2 đánh giá bốn mô hình suy luận và xếp hạng chúng theo mức độ hoàn thành toàn bộ kế hoạch: Claude Opus 5.5 đứng đầu, tiếp theo là GPT-6 Astra ở mức nỗ lực trung bình, rồi Kimi K3, sau đó là Qwen3.8-Flash. Qwen3.8-Flash có trên OrcaRouter, nên bạn có thể điều khiển giai đoạn tạo chú thích của PAN 2 qua một API key với tính năng chuyển đổi dự phòng tự động thay vì phải dựng thêm một mô hình cục bộ thứ hai bên cạnh ngăn xếp khuếch tán, và trả giá niêm yết của nhà cung cấp với mức cộng thêm 0% được chuyển nguyên. Bộ kết xuất vẫn nằm trên GPU của bạn; phần lập kế hoạch thì không nhất thiết phải vậy.

Hãy rõ ràng về những gì nó là và không phải là. OrcaRouter không lưu trữ PAN 2 và không thể định tuyến nó — không có PAN 2 được lưu trữ ở bất kỳ đâu để định tuyến tới. Điều nó có thể làm là giữ nửa phần ngôn ngữ của một pipeline mô hình thế giới trên một API tính phí theo mức dùng, trong khi bạn định quy mô nửa phần video dựa trên phần cứng của riêng mình. Nếu bạn muốn chạy cả hai giai đoạn cục bộ, repo cũng hỗ trợ điều đó, và script viết lại prompt được bao gồm chính xác cho trường hợp đó.

Điều gì sẽ được coi là một thông báo?

Ba điều, theo thứ tự tăng dần về mức độ quan trọng. Một bài đăng, bài báo hoặc trang từ IFM hoặc MBZUAI nêu tên PAN 2 và nêu ngày phát hành hoặc một phiên bản — tweet ngày 10 tháng 11 đã đáp ứng nửa đầu của điều đó chứ không phải nửa sau. Một endpoint suy luận được lưu trữ, điều này sẽ giúp có thể so sánh chi phí với các mô hình video đóng thay vì so với việc thuê GPU. Và một benchmark độc lập do người không phải tác giả của mô hình chạy — Physics-IQ, PhyGround hoặc RBench được một bên thứ ba chấm điểm, trên các prompt mà nhóm không tự chọn.

Cho đến khi ít nhất mục đầu tiên trong số đó xuất hiện đầy đủ, mô tả trung thực về PAN 2 là thế này: một sản phẩm nghiên cứu Apache-2.0 với đường phục vụ đang hoạt động, một định dạng prompt có tài liệu, một mục hạn chế thẳng thắn, một bài đăng mạng xã hội và không có đề nghị thương mại nào đằng sau. Đó nhiều hơn một bản preprint và ít hơn một sản phẩm. Việc hỗ trợ framework được đưa vào ngày 10 tháng 11 không biến nó thành một buổi ra mắt. Nó giúp những người không muốn phải vá một kho lưu trữ để có được khung đầu tiên có thể chạy nó.

Điểm mấu chốt

PAN 2 là trường hợp hiếm khi phần kỹ thuật vượt trước giấy tờ. Nếu bạn đang xây dựng mô phỏng tác nhân, đánh giá robot hoặc nghiên cứu suy luận vật lý và bạn có một node bốn GPU, thì trọng số đã có đó, công thức đã có đó, và thiết kế hai giai đoạn được ghi chép đủ rõ để tái tạo. Nếu bạn cần giá mỗi clip, một thỏa thuận mức dịch vụ hay một nhà cung cấp để liên hệ, thì chưa có thứ nào trong số đó, và các lần merge ngày 10 tháng 11 đã không tạo ra chúng. Mô hình đã được tung ra một cách âm thầm, nếu “tung ra” thậm chí là từ thích hợp cho một kho mã, một lần merge và một bài đăng hai đoạn. Việc nó có bao giờ được công bố theo nghĩa mà người mua sẽ nhận ra hay không là một câu hỏi tách biệt với việc nó có hoạt động hay không, và chỉ một trong hai điều đó có câu trả lời vào hôm nay.