PAN 2 vs Agora-2: Một bên mô phỏng hệ quả, bên kia giữ cho một thế giới tiếp tục vận hành

Hai mươi người trong cùng một thế giới nghe như thể có nhiều hơn một người đang tưởng tượng điều gì sẽ xảy ra tiếp theo. Đó chính là toàn bộ sự nhầm lẫn giữa PAN 2 và Agora-2, và đáng để gỡ rối trước khi bất kỳ ai đánh giá so sánh chúng với nhau. Agora-2 là bản xem trước nghiên cứu có thể chơi của Odyssey, được công bố ngày 21 tháng 9 năm 2026, hỗ trợ hai mươi người tham gia trong một môi trường mô phỏng chia sẻ — bốn người trong số họ là người điều khiển, mười sáu người là các chính sách đã học — và giữ cho thế giới của họ nhất quán ngay cả khi một người chơi nhìn đi chỗ khác. PAN 2 là trình mô phỏng trọng số mở 29 tỷ tham số của IFM, được phát hành dưới dạng checkpoint Apache-2.0 nặng 86,17 gigabyte, nhận một khung hình và một hành động được mô tả rồi trả về tối đa hai mươi giây video dự đoán hệ quả. Một cái là máy chủ cho một thế giới. Cái kia là câu hỏi bạn đặt cho một thế giới. Sự trùng lặp về từ vựng gần như hoàn toàn và sự trùng lặp về chức năng gần như bằng không, đó chính xác là lý do tại sao việc so sánh cứ liên tục bị thực hiện một cách tồi tệ.

Con số được truyền đi không phải là con số quan trọng

Các bài đưa tin về Agora-2 mở đầu bằng con số hai mươi, và bài đăng của chính Odyssey cũng khuyến khích cách hiểu đó. Thành phần cấu thành thú vị hơn con số. Bốn người điều khiển là người, hoạt động đồng thời, cung cấp đầu vào di chuyển và hành động; mười sáu thực thể tự trị được điều khiển bởi các chính sách quái vật và bạn đồng hành mà Odyssey huấn luyện trên cùng kho dữ liệu mà thế giới được học từ đó — các bản ghi hình Diablo II. Vậy nên phiên chơi không phải là hai mươi người trong một căn phòng. Đó là một bài toán kết xuất với một máy trạng thái rất nhỏ ở trung tâm, được khoác lên vẻ ngoài của một máy chủ trò chơi.

Kiến trúc đó là điều khiến Agora-2 trở thành một loại đối tượng khác với PAN 2. Odyssey tách riêng thứ quyết định điều gì sẽ xảy ra khỏi thứ quyết định nó trông như thế nào, và khoảng cách kích thước giữa hai phần này là con số nổi bật nhất trong báo cáo: mô hình mô phỏng có 4.457.777 tham số — khoảng 4,5 triệu, rộng bốn lớp, mười bốn nhánh chuyển động, cửa sổ lịch sử bốn bước — trong khi bộ kết xuất là một transformer flow-matching khoảng một tỷ tham số, chạy năm bước solver mỗi lần cập nhật, được điều kiện hóa trên một tiền tố 342 token mô tả bản đồ, các thực thể, hiệu ứng tạm thời, camera và danh sách.

PAN 2 làm điều ngược lại. Nó dành gần như toàn bộ năng lực của mình cho tri giác: một transformer khuếch tán đa phương thức 29B dự đoán các khung hình, và phần quyết định điều gì sẽ xảy ra không phải là một bộ mô phỏng học được mà là một mô hình ngôn ngữ viết chú thích có cấu trúc, gắn với thời gian về các sự kiện, hành động và chuyển động camera. Agora-2 đặt trí tuệ của mình vào một biểu diễn trạng thái tường minh nhỏ gọn. PAN 2 đặt trí tuệ của mình vào bộ kết xuất và giao phó việc suy luận cho văn bản.

• Quyết định điều gì xảy ra — Agora-2: một mô hình mô phỏng được học với 4,46M tham số và trạng thái thực thể tường minh; PAN 2: bất kỳ mô hình ngôn ngữ tuân theo chỉ dẫn nào viết chú thích trạng thái thế giới.

• Kết xuất nó — Agora-2: một bộ kết xuất flow-matching ~1B ở năm bước solver mỗi lần cập nhật; PAN 2: một transformer khuếch tán 29B ở năm mươi bước với guidance ở mọi bước.

• Phạm vi thời gian — Agora-2: một phiên không giới hạn kéo dài liên tục; PAN 2: tối đa 20 giây mỗi clip, tối đa một khung hình khởi đầu, trôi dần qua các clip.

• Đầu vào — Agora-2: các lệnh di chuyển và hành động từ bộ điều khiển cùng các chính sách đã học; PAN 2: một khung hình đầu tiên tùy chọn cùng mô tả hành động có cấu trúc bằng văn bản.

• Người tham gia — Agora-2: 4 con người và 16 chính sách trong một trạng thái chung; PAN 2: không có, đây là một trình tạo lô.

• Truy cập — Agora-2: không có trọng số, không có kho mã, không có giấy phép và không có giá; PAN 2: trọng số Apache-2.0, không hạn chế truy cập, cùng mã nguồn GitHub và công thức vLLM.

Tính bền vững là điều mà Agora-2 thực sự đã giải quyết

Gạt bỏ cách đóng khung nhiều người chơi, đóng góp thực sự của Agora-2 nằm ở một câu trong bài đăng của Odyssey: vì các thuộc tính thực thể được giữ lại độc lập với bất kỳ góc nhìn cụ thể nào, chúng vẫn khả dụng khi một thực thể nằm ngoài khung hình. Một trình tạo video chỉ dựa vào các khung hình gần nhất sẽ đánh mất con quái vật ngay khi bạn quay lưng. Một mô hình thế giới giữ trạng thái tường minh thì không. Đó là quyết định thiết kế tách Agora-2 khỏi mọi mô hình video có tham vọng nhiều người chơi, và là lý do hai mươi người tham gia là một tuyên bố về quản lý trạng thái chứ không phải về kết xuất.

PAN 2 không đưa ra tuyên bố như vậy, và thẻ mô hình của nó nói rõ điều đó. Mỗi clip chỉ được mô phỏng từ tối đa một khung hình khởi đầu cộng với văn bản, nên ngoại hình bị trôi dạt giữa các clip trong những tương tác dài, và thẻ này chỉ ra rằng bộ nhớ tri giác được duy trì song song với trạng thái dựa trên văn bản chính là thứ cần có để khắc phục điều đó. Nói cách khác: PAN 2 biết mình có vấn đề của Agora-2 và chưa giải quyết được nó, còn Agora-2 đã giải quyết một phiên bản của vấn đề đó bằng cách giữ thế giới đủ nhỏ để chứa trong một tensor tường minh.

Khi đọc cùng nhau, hai thiết kế bao quát toàn bộ phạm vi của lĩnh vực. Nếu thế giới của bạn có thể được mô tả bằng 4,5 triệu tham số — một lưới bản đồ, một danh sách thực thể, một tập hợp các nhánh di chuyển — thì việc duy trì trạng thái là khả thi và bạn sẽ có một phiên. Nếu thế giới của bạn là các hệ quả vật lý thuộc miền mở, bạn cần một trình kết xuất hiểu được vật liệu và tiếp xúc, và việc duy trì trạng thái trở thành một bài toán nghiên cứu mở ngay khi camera di chuyển.

Chi phí của một phiên là bao nhiêu và chi phí của một mô phỏng là bao nhiêu

Cả hai con số đều không được công bố dưới dạng giá, vì cả hai mẫu đều không được bán. Cả hai đều được công bố dưới dạng phần cứng, điều này hữu ích hơn.

Kế hoạch phục vụ của Odyssey cho một phiên chơi bốn người là bốn thẻ NVIDIA RTX PRO 4500: mỗi GPU một bộ kết xuất, trong đó một GPU cũng đảm nhận mô hình mô phỏng và các chính sách agent, nhắm tới mười lăm cập nhật latent mỗi giây so với ba mươi khung hình hiển thị mỗi giây. Báo cáo thừa nhận thẳng thắn rằng hai con số đó là mục tiêu, không phải kết quả đo — mục 8 liệt kê tốc độ khung hình duy trì và độ trễ từ đầu vào đến hiển thị trong tương tác trực tiếp đa agent là chưa được đánh giá định lượng. Chi phí huấn luyện cũng được liệt kê chi tiết: sáu mươi nghìn cập nhật trên 4.232.000 phân đoạn, rồi thêm sáu mươi nghìn cập nhật trên 4.332.800 phân đoạn, chạy trên 32 GPU B200.

Tương đương của PAN 2 là công thức vLLM: mười ba giây video 704×1248 trong khoảng 119 giây trên bốn GPU B300, với mặc định được ghi trong tài liệu là tám H200 ở BF16. Năm mươi bước sampler với classifier-free guidance ở mọi bước — một trăm lượt forward pass qua transformer 29B cho mỗi clip — là lý do guidance được song song hóa trên hai rank và song song hóa chuỗi trên hai rank nữa.

Hai cấu hình có quy mô tương tự, và đó cũng là chỗ mọi điểm giống nhau chấm dứt. Bốn card mua được một phiên duy trì hoạt động. Trên PAN 2, bốn card mua được hai phút cho mỗi mười ba giây hậu quả được kết xuất, và chi phí của một kế hoạch là chi phí của mọi ứng viên mà bộ lập kế hoạch đã xem xét. Con số của Odyssey là mức sàn thông lượng cho một trải nghiệm. Con số của IFM là giá theo mỗi câu hỏi.

Chỉ một trong số này có thể được xây dựng trong hôm nay.

Đây là phần mà sự so sánh không còn mang tính kiến trúc nữa.

Agora-2 là bản xem trước nghiên cứu với một bản demo có thể chơi được tại địa chỉ riêng của Odyssey và một báo cáo kỹ thuật. Không có trọng số, không có kho lưu trữ, không có giấy phép, không có API suy luận và không có giá. Odyssey định hình quỹ đạo hướng tới tương tác đa tác nhân bên trong các mô hình thế giới nền tảng là công việc trong tương lai, với PROWL là hướng nghiên cứu và Odyssey-3 là đích đến cuối cùng. Trên thực tế: bạn có thể chơi nó, bạn không thể xây dựng trên nó, và không bên thứ ba nào có thể cung cấp nó cho bạn.

PAN 2 là cách bố trí ngược lại. Trọng số có trên Hugging Face từ ngày 7 tháng 10 năm 2026, không giới hạn truy cập, Apache-2.0 áp dụng cho mã và trọng số của chính nó; kho GitHub với các script suy luận và huấn luyện từ ngày 5 tháng 11; hỗ trợ vLLM-Omni ngay từ Day-0 được hợp nhất ngày 10 tháng 11; một guardrail được phân phối dưới dạng kho riêng với các con số dương tính giả của riêng nó. Thông báo của IFM chỉ là một bài đăng duy nhất trên tài khoản X của chính họ — “Giới thiệu PAN 2: một mô hình thế giới nền tảng mở dành cho trí tuệ vật lý” — không có bài blog, liên kết bài báo, endpoint được lưu trữ hay trang định giá. Đó là một thông báo mỏng manh bọc quanh một hiện vật đồ sộ, điều này ngược lại với bài đăng được trau chuốt của Agora-2 quanh một bản demo đóng.

Nếu câu hỏi của bạn là "tôi có thể đưa gì vào sản xuất trong quý này", thì câu trả lời là không cái nào cả, nhưng vì những lý do khác nhau. Agora-2 không có lộ trình nào từ demo đến triển khai mà Odyssey đã mô tả. PAN 2 có một lộ trình — trọng số và công thức — cùng một hạn chế quyết định xem bạn có nên đi theo lộ trình đó hay không: khoảng hai trong ba kế hoạch mô phỏng chứa ít nhất một bước không được thực hiện, theo chính mục hạn chế của thẻ mô hình.

Mẫu hybrid mà cả hai phòng thí nghiệm đều chưa chế tạo

Câu hỏi kỹ thuật thú vị không phải là mô hình nào sẽ thắng. Mà là một hệ thống sẽ trông như thế nào khi tận dụng từng mô hình cho thế mạnh của nó, và cả hai nhà cung cấp đều không cung cấp hệ thống đó.

Hãy hình dung một agent cần lập kế hoạch bên trong một thế giới tồn tại liên tục. Thiết kế của Agora-2 cho thấy cách giữ thế giới ổn định: trạng thái tường minh, một tiền tố điều kiện có cấu trúc, các policy đủ nhỏ để chạy song song với một renderer. Thiết kế của PAN 2 cho thấy cách trả lời câu hỏi "chuyện gì xảy ra nếu" về một tương tác vật lý: đưa câu hỏi cho một mô hình ngôn ngữ, nhận về một mô tả có cấu trúc, kết xuất hệ quả, rồi nhìn vào nó. Một stack giữ trạng thái của Agora-2 và hỏi PAN 2 về phần vật lý chi tiết cao bên trong một ô của nó sẽ tốt hơn hẳn cả hai, và sẽ đòi hỏi cả hai phòng thí nghiệm phải mở ra một thứ mà họ chưa mở.

Điều bạn có thể làm hôm nay là nửa phần không cần đến cả hai mô hình. Planner của PAN 2 được định nghĩa là bất kỳ mô hình ngôn ngữ nào tuân theo chỉ dẫn, và IFM đã xếp hạng bốn mô hình trong số đó theo tỷ lệ hoàn thành toàn bộ kế hoạch: Claude Opus 5.5, GPT-6 Astra ở mức nỗ lực trung bình, Kimi K3, Qwen3.8-Flash. Cả bốn đều có trên OrcaRouter, nên giai đoạn caption của pipeline PAN 2 có thể chạy qua một endpoint với failover tự động và giá niêm yết của từng nhà cung cấp được chuyển nguyên với 0% phụ phí, hoán đổi theo từng thử nghiệm thay vì theo hợp đồng. OrcaRouter không lưu trữ PAN 2 và không thể định tuyến nó — renderer 29B vẫn nằm trên GPU của bạn — và chắc chắn nó không thể lưu trữ Agora-2, điều mà không ai có thể làm được. Điều một router có thể làm là giữ cho nửa phần suy luận linh hoạt trong khi nửa phần mô phỏng được ghim vào phần cứng bạn đã sở hữu.

Cách quyết định

Nếu bạn đang xây dựng một trò chơi, một môi trường huấn luyện cho các agent phải hoạt động trong một không gian chung, hoặc bất cứ thứ gì mà thế giới phải giữ được tính nhất quán khi nhiều tác nhân chuyển động qua đó, thì Agora-2 là mảnh nghiên cứu liên quan hơn và cũng ít sẵn có hơn. Hãy đọc báo cáo, chơi bản xem trước, và coi hai mươi người tham gia như một tuyên bố về thiết kế trạng thái chứ không phải một năng lực bạn có thể thuê.

Nếu bạn cần đánh giá các kết quả vật lý — cú nắm này có giữ được không, động tác rót này có tràn không, kế hoạch này có trụ được khi tiếp xúc với bối cảnh không — thì Agora-2 không có gì cho bạn, còn PAN 2 thì có thể tải xuống, có tài liệu, và trung thực về việc bỏ một bước trong hầu hết các kế hoạch. Hãy tính ngân sách GPU trước khi tính ngân sách kỹ thuật: bốn chiếc B300 cho hai phút mỗi mười ba giây định ra chi phí của mỗi phương án ứng viên mà bộ lập kế hoạch của bạn xem xét.

Hai thứ này sẽ còn bị đem ra so sánh một thời gian, vì "world model" hiện đang là một nhãn được gắn cho bất cứ thứ gì dự đoán được điều gì đó mang tính hình ảnh. Nhãn này chẳng làm việc gì ở đây cả. Một trong hai hệ thống là một nơi đứng yên trong khi người ta di chuyển qua nó. Hệ còn lại là một câu hỏi về điều gì xảy ra tiếp theo, được trả lời theo yêu cầu, với câu trả lời bị giới hạn ở hai mươi giây. Nhầm lẫn chúng khiến bạn tốn một phần tư thời gian kỹ thuật; phân biệt được chúng chỉ tốn một buổi chiều.