PAN 2 vs ABot-Earth 0.7: Hai mô hình thế giới, cách nhau một trục

Cả hai đều được gọi là mô hình thế giới. Cả hai đều ra mắt trong hai tháng cuối năm 2026. Cả hai đều sẽ cho bạn thấy một nơi bạn chưa từng đến. Và xét theo bất kỳ ý nghĩa nào mà người mua quan tâm, chúng không phải là sản phẩm thay thế cho nhau, bởi PAN 2 dự đoán điều gì xảy ra tiếp theo trong một cảnh trong vòng hai mươi giây kế tiếp, còn ABot-Earth 0.7 tạo ra một thành phố quy mô ki-lô-mét mà bạn có thể đi bộ qua bao lâu tùy thích. Một cái là mô hình về hệ quả. Cái kia là mô hình về địa điểm. Nếu bạn đang chọn giữa chúng cho một dự án, bước đầu tiên trung thực là nhận ra rằng câu hỏi "cái nào tốt hơn" không có câu trả lời, còn câu hỏi hữu ích — quy trình của bạn thực sự cần cái nào, và bạn có thể có được nó không — thì có.

Câu hỏi thứ hai là nơi hai bên phân kỳ rõ rệt, và đó không phải là vấn đề sở thích. PAN 2 được phát hành dưới dạng 86,17 gigabyte trọng số Apache-2.0 với hỗ trợ phục vụ đã được hợp nhất vào vLLM-Omni; bạn có thể tải nó vào chiều nay và chạy nó trên GPU của riêng mình. ABot-Earth 0.7 là một hệ thống vận hành thực tế bên trong ứng dụng dành cho người tiêu dùng của Amap, không có API công khai, không có trọng số và có danh sách cho phép cho tính năng tạo sinh của nó. Một trong số này là một hiện vật bạn có thể cầm nắm. Cái còn lại là một màn trình diễn bạn có thể xem.

Chính xác thì mỗi cái phát ra những gì

PAN 2 nhận một quan sát — gồm một khung hình đầu tiên tùy chọn cùng với mô tả văn bản — và một tập hợp các hành động được mô tả bằng văn bản, rồi trả về một MP4. Bên trong, nó là một cỗ máy hai giai đoạn: một mô hình ngôn ngữ viết chú thích trạng thái thế giới có cấu trúc, neo theo thời gian; một bộ mã hóa văn bản đóng băng ánh xạ chú thích đó thành các đặc trưng điều kiện; và một transformer khuếch tán đa phương thức 29B kết xuất tối đa hai mươi giây video 704×1248 ở 24 khung hình mỗi giây. Đầu ra ngắn, tốn kém và cụ thể: nó trả lời “hành động này tác động gì đến cảnh này”, và câu trả lời bị giới hạn ở hai mươi giây vì mỗi clip được mô phỏng từ tối đa một khung hình khởi đầu.

ABot-Earth 0.7 nhận một ảnh vệ tinh đã tham chiếu địa lý hoặc một lời nhắc bằng văn bản, rồi trả về một cảnh 3D Gaussian Splatting với các cấu trúc mức độ chi tiết phân cấp, có thể xuất sang Unreal Engine và Unity. Amap — mảng bản đồ của Alibaba — đã ra mắt nó tại dạ tiệc Street Stars ở Hàng Châu vào ngày 10 tháng 9 năm 2026, giới thiệu đây là mô hình thế giới đô thị 3D gốc đầu tiên và tuyên bố chỉ mất khoảng mười phút để tạo ra một môi trường quy mô một kilômét trên một GPU tiêu dùng duy nhất. Đầu ra là một địa điểm, không phải một khoảnh khắc: bạn khám phá nó, bạn không chờ nó hiện ra.

Đặt cạnh nhau, hình dạng của sự không khớp là quá rõ ràng.

• Đầu ra — PAN 2 trả về MP4 dài 20 giây ở 704×1248 và 24 fps; ABot-Earth 0.7 trả về cảnh 3DGS có cấu trúc LOD, có thể xuất sang Unreal và Unity.

• Đầu vào — PAN 2 nhận một khung hình đầu tiên cùng với chú thích hành động có cấu trúc; ABot-Earth 0.7 nhận ảnh vệ tinh hoặc lời nhắc văn bản.

• Phạm vi thời gian — PAN 2 mô phỏng các giây phía trước, và trôi dạt qua các clip vượt quá mốc đó; ABot-Earth 0.7 bất động theo thời gian, một ảnh chụp nhanh về một địa điểm không biến đổi.

• Thiết bị — Cấu hình phục vụ mặc định được ghi nhận của PAN 2 là tám H200 ở BF16, với công thức bốn B300 cho mười ba giây trong 119 giây; ABot-Earth 0.7 được tuyên bố chạy trên một GPU cấp tiêu dùng cho một kilômét trong mười phút.

• Truy cập — PAN 2 là Apache-2.0 trên Hugging Face, không bị hạn chế, có mã nguồn trên GitHub; ABot-Earth 0.7 không có trọng số, không có API công khai và tính năng tạo chỉ dành cho người được mời.

• Đánh giá độc lập — không bên nào có. Cả hai bộ số liệu đều đến từ chính các phòng thí nghiệm đã xây dựng nên các mô hình.

Thời gian và không gian không phải là cùng một trục.

Sự phân biệt nằm bên dưới tất cả những điều đó đáng được nêu rõ vì nó thay đổi mục đích của từng mô hình. ABot-Earth mở rộng một cảnh vật trong không gian: từ một ô ảnh vệ tinh, nó tổng hợp nên các tòa nhà, đường phố và không gian nội thất mà bạn sẽ thấy nếu bay đến đó, và nó giữ chúng nhất quán khi bạn di chuyển từ toàn cảnh thành phố xuống mức đường phố. Tuyên bố của nó là độ bao phủ và độ trung thực ở quy mô lớn.

PAN 2 mở rộng một cảnh theo thời gian: từ một khung hình và một hành động được mô tả, nó dự đoán các khung hình tiếp theo, và điều nó đang cố làm cho đúng là chuỗi nhân quả — sự bắn tóe thay đổi khi vật thể thay đổi, vì khối lượng và diện tích bề mặt đã thay đổi, và mô hình đã học được mối quan hệ đó thay vì ghi nhớ một cú bắn tóe. Cách diễn đạt của IFM là một mô hình ngôn ngữ dự đoán từ tiếp theo và PAN 2 dự đoán thế giới tiếp theo, và bản demo được lan truyền vào ngày 11 tháng 11 năm 2026 khiến điều đó trở nên cụ thể: thả một quả dâu tây vào một cái bát, sau đó đổi nó thành một con vịt cao su, rồi thay đổi chất lỏng, và ba mô phỏng khác nhau theo những cách tuân theo vật lý.

Một ứng dụng cần cái này hiếm khi cần cái kia. Một nhóm robot đang đánh giá các phương án nắm bắt ứng viên cần trục của PAN 2. Một sản phẩm bản đồ, một triển khai bản sao số hay một studio game đang xây dựng môi trường cần đến ABot-Earth. Vùng giao thoa là một dải hẹp, nơi ai đó muốn đặt một thành phố được tạo ra vào mô phỏng rồi làm động những gì diễn ra bên trong nó — và ở đó, hai bên sẽ bổ trợ thay vì cạnh tranh, nếu nửa sau có thể có được.

Phép so sánh thực sự đáng quan tâm: bạn có chạy được nó không?

Về năng lực, hai bên không thể so sánh được và chưa ai từng thử so sánh chúng. Về mua sắm, chúng khác biệt một trời một vực.

Câu chuyện truy cập của PAN 2 đầy đủ một cách bất thường đối với một bản phát hành nghiên cứu. Trọng số được đưa lên vào ngày 7 tháng 10 năm 2026 cùng với model card, các cấu hình và một kỹ năng viết lại prompt; kho GitHub chứa các script suy luận và huấn luyện theo sau vào ngày 5 tháng 11; vLLM-Omni đã hợp nhất hỗ trợ text-to-video và image-to-video Day-0 vào ngày 10 tháng 11 và một trang recipe ra mắt cùng buổi tối hôm đó, ghi lại cấu hình bốn-B300 và mặc định tám-H200. IFM đã đăng thông báo trên X lúc 17:00 UTC ngày 10 tháng 11 — năm mươi sáu phút sau khi hợp nhất framework — với nội dung "Giới thiệu PAN 2: một mô hình thế giới nền tảng mở cho trí tuệ vật lý." Không có bài đăng blog, không có liên kết bài báo, không có endpoint được host, không có giá. Nhưng bản thân thứ đó có thể tải xuống, và giấy phép cho phép sử dụng thương mại.

Câu chuyện tiếp cận của ABot-Earth 0.7 thì ngược lại. Trang trải nghiệm đang hoạt động, nhưng tính năng tạo chỉ dành cho người được mời — giao diện mô tả việc tạo là bản beta và cung cấp đơn xin vào danh sách trắng. Không có giá công bố, không có biểu giá và không có tài liệu dành cho nhà phát triển mô tả cách một hệ thống bên ngoài sẽ gọi nó. Bản phát hành 0.5 vào tháng 6 đã đưa một báo cáo kỹ thuật lên arXiv và một kho lưu trữ trên GitHub, và kho lưu trữ đó là nơi chứa báo cáo chứ không phải bản triển khai; không có gì được công bố cùng 0.7 cho thấy các trọng số đã được mở. Trang web cũng hoàn toàn bằng tiếng Trung giản thể, không có trình chuyển đổi ngôn ngữ, nên việc đánh giá nó bằng tiếng Anh đồng nghĩa với việc dựa vào tài liệu báo chí của Amap.

Với hầu hết các đội, điều đó kết thúc việc so sánh trước khi năng lực được bàn đến. Một mô hình mà bạn không thể gọi không phải là ứng viên; nó là thước đo cho diện mạo của danh mục này khi nó trở nên có thể truy cập được.

Amap có những gì mà IFM không có, và vì sao điều đó không thể chuyển sang được

Lý do ABot-Earth 0.7 đáng được xem trọng bất chấp vấn đề truy cập là vì đây không phải bản demo trong phòng thí nghiệm. Nó vận hành Flying Street View 2.0, tính năng dành cho người dùng đã thay thế các chuyến bay qua tuyến cố định bằng không gian 3D tự do khám phá, và Amap cho biết hơn 880 triệu người đã sử dụng bề mặt Street Stars mà nó nằm trong. Các thử nghiệm đang diễn ra tại một số địa điểm được chọn ở các thành phố gồm Bắc Kinh và Hàng Châu, với những trường hợp sử dụng mà công ty nêu cụ thể: kiểm tra tầm nhìn từ một ghế cụ thể trong nhà hát, điều hướng bên trong trung tâm thương mại, đánh giá địa hình trước chuyến đi.

Đằng sau đó là một vị thế về dữ liệu mà không phòng thí nghiệm mô hình nào có thể sao chép nhanh — Amap nêu gần một tỷ người dùng hoạt động hàng tháng, số cuộc gọi định vị Beidou vào giờ cao điểm hàng ngày tiến gần một nghìn tỷ, cùng dữ liệu không gian-thời gian tích lũy qua nhiều thập kỷ bao gồm mạng lưới đường bộ, điểm ưa thích và giao thông trực tiếp. Kiến trúc 3DGS là công trình đã công bố. Còn kho ngữ liệu bên dưới thì không.

Không điều nào trong số đó giúp ích cho một nhà phát triển bên ngoài, và đây chính là phần mà các bài đưa tin ra mắt thường lướt qua. Những con số nổi bật của Amap — mười phút mỗi kilômét vuông, nhanh hơn tới 1.000 lần so với tái dựng truyền thống với chi phí khoảng 1/100, hơn 196 quốc gia và vùng lãnh thổ, đầu ra 3DGS sẵn sàng cho Unreal và Unity — đều do nhà cung cấp tự công bố, không có con số nào được tái lập độc lập, và được cung cấp kèm một danh sách cho phép thay vì một endpoint. Việc triển khai cho người dùng tiêu dùng tự nó là một dạng bằng chứng rằng hệ thống vận hành ở quy mô lớn. Đó không phải bằng chứng rằng bạn có thể chạy nó.

Nơi mỗi linh kiện khẳng định vị trí của mình trong một bản dựng.

Hãy giả sử trong chốc lát rằng bạn có thể có cả hai, vì đó là tình huống mà ngành hàng này đang hướng tới. Sự phân tách thật rõ ràng.

PAN 2 là một bộ lọc cho các hành động ứng viên. Thiết kế của nó giả định một agent đã nằm trong vòng lặp: bộ lập luận khái niệm là bất kỳ mô hình ngôn ngữ tuân theo chỉ dẫn nào, và IFM đã xếp hạng bốn mô hình trong số đó theo mức hoàn thành toàn bộ kế hoạch — Claude Opus 5.5, GPT-6 Astra ở mức nỗ lực trung bình, Kimi K3, Qwen3.8-Flash — điều này cho thấy hình dạng dự định là một bộ lập luận đề xuất các kế hoạch và một bộ mô phỏng kết xuất hệ quả của chúng để bộ lập luận có thể chọn một kế hoạch. Chi phí của vòng lặp đó là thứ cần tính đến khi lập kế hoạch, chứ không phải chất lượng video: năm mươi bước lấy mẫu với hướng dẫn ở mỗi bước là một trăm lượt truyền xuôi qua một transformer 29B cho mỗi clip, và một kế hoạch năm ứng viên, mười bước là năm mươi clip.

Khe bộ suy luận đó là phần duy nhất của ngăn xếp không cần cụm GPU, và cả bốn mô hình được xếp hạng của IFM đều nằm trong danh mục OrcaRouter. Điều khiển bộ viết lại lời nhắc qua một khóa API cho phép bạn hoán đổi bộ lập kế hoạch theo từng thử nghiệm thay vì theo từng hợp đồng, với tính năng chuyển đổi dự phòng tự động hấp thụ sự suy giảm của nhà cung cấp và giá niêm yết của nhà cung cấp được chuyển tiếp với mức phụ phí 0%, vì vậy thay đổi giá của nhà cung cấp có hiệu lực trên endpoint ngay trong ngày diễn ra thay vì sau một chu kỳ mua sắm. OrcaRouter không vận hành PAN 2 và không thể định tuyến nó — phần khuếch tán vẫn nằm trên phần cứng của bạn — nhưng phần quyết định mô phỏng cái gì là công việc văn bản tính phí thông thường, và đó chính là nơi phương sai giữa các lần chạy thực sự nằm.

ABot-Earth là một {{1}}nhà máy môi trường{{/1}}. Đầu ra tự nhiên của nó là một nơi để đặt mọi thứ vào: một sân huấn luyện cho các tác nhân hiện thân, một bản sao số, dữ liệu lái xe tổng hợp, một sân khấu cho mô phỏng. Nếu có ngày nó phát hành API, quy trình làm việc mà nó cho phép sẽ là {{2}}bổ trợ cho quy trình của PAN 2 chứ không dư thừa{{/2}} — tạo thế giới một lần, rồi mô phỏng các hành động bên trong đó — và các định dạng xuất mà Amap đã quảng bá chính là điểm nối.

Điều gì sẽ thay đổi trang này

Đối với ABot-Earth 0.7, có một điều trên hết: một API được công bố kèm mức giá. Chính bước đó biến một danh sách trắng thành một ứng viên và khiến việc so sánh chi phí với hóa đơn GPU của PAN 2 trở nên có ý nghĩa. Đằng sau đó là ba ẩn số nhỏ hơn — liệu có báo cáo kỹ thuật 0.7 xuất hiện hay không, vì bản 0.5 đã có một báo cáo trong vài ngày; liệu trọng số có mở, điều sẽ khiến nó trở thành một đề xuất thực sự khác biệt cho các nhóm mô phỏng mà Amap nói đang chào mời; và liệu có ai ngoài Amap tái lập được tuyên bố mười phút mỗi kilômét vuông trên phần cứng họ sở hữu hay không.

Đối với PAN 2, phần còn thiếu là một nghiên cứu về thất bại. Thẻ mô hình của nó thừa nhận rằng khoảng hai trong ba kế hoạch mô phỏng có chứa ít nhất một bước không được thực hiện, và rằng mức độ trung thực khi nó mô phỏng các kế hoạch lẽ ra phải thất bại vẫn chưa được đo lường. Một trình mô phỏng không thể cho bạn thấy một kết cục xấu thì chỉ là một nửa bộ lọc. Đánh giá độc lập các con số về năng lực cũng sẽ hữu ích; mọi con số trong báo cáo của IFM đều đến từ bộ khung đánh giá của IFM, với một hội đồng gồm mười ba người đánh giá cho nghiên cứu con người.

Nên chọn cái nào

Nếu bạn cần một địa điểm — một thành phố, nội thất một tòa nhà, địa hình, bất cứ thứ gì mà nếu không thì bạn sẽ dựng lại bằng dữ liệu khảo sát — PAN 2 không thể giúp được bạn, và ABot-Earth 0.7 là hệ thống ấn tượng hơn, nhưng bạn chưa thể có nó, nên câu trả lời thực tế là hãy cứ ở lại với pipeline tái dựng hiện tại của bạn và chờ đợi một API. Nếu bạn cần biết một hành động sẽ làm gì trước khi thực hiện nó, ABot-Earth hoàn toàn không giúp được gì cho bạn — một cảnh tĩnh thì không có hậu quả nào bên trong nó — và PAN 2 là một trong số ít những mô hình open-weight thực sự cố gắng làm điều đó, với trọng số, mã nguồn, công thức phục vụ và tỷ lệ thất bại đều được công bố.

Sự so sánh mà người ta tìm kiếm, cứ như thể đây là những sản phẩm đối thủ trên kệ, không hề tồn tại. Cái tồn tại là một phạm trù — mô hình thế giới — đang tách ra theo một trục mà phần lớn các bài đưa tin không buồn gọi tên. Một bên mô hình hóa vị trí của sự vật. Bên kia mô hình hóa điều sẽ xảy ra tiếp theo. Vào cuối năm 2026, chỉ một trong số chúng đi kèm một liên kết tải xuống.