PAN 2 vs Genie 4: Cả hai đều đưa một mô hình ngôn ngữ vào vòng lặp, và chỉ một bên gọi tên nó

Hai mô hình thế giới thú vị nhất vào cuối năm 2026 đều được xây dựng theo cùng một cách, và không công ty nào nhấn mạnh điều đó ngay từ đầu. PAN 2 là mô hình thế giới trọng số mở 29 tỷ tham số của Institute of Foundation Models, được công bố dưới dạng checkpoint Apache-2.0 vào ngày 7 tháng 10 năm 2026, với mã suy luận và huấn luyện ra mắt sau đó vào ngày 5 tháng 11 và hỗ trợ serving Day-0 trong vLLM-Omni vào ngày 10 tháng 11. Genie 4 là mô hình thế giới tương tác thời gian thực của Google DeepMind, được công bố vào ngày 27 tháng 10 năm 2026, có khả năng tạo ra một cảnh có thể khám phá từ mô tả văn bản và cho phép bạn điều khiển cảnh đó bằng bàn phím trong khi âm thanh gốc phát kèm. Đặt chúng cạnh nhau và sự tương phản mà người ta mong đợi — trọng số mở so với bản xem trước nghiên cứu, hai mươi giây video so với một phiên trực tiếp — là có thật nhưng nhàm chán. Điều thú vị là cả hai đều giao việc suy nghĩ cho một mô hình ngôn ngữ, và chỉ PAN 2 cho bạn biết đó là mô hình ngôn ngữ nào và cho phép bạn thay đổi nó.

Chỉ một khác biệt đó trong cách công bố thông tin đã đáng giá hơn cả một bảng benchmark, vì nó quyết định liệu bạn có thể lý luận về hệ thống hay không. Một world model với nửa lý luận không được nêu tên là một sản phẩm. Một world model với nửa lý luận được nêu tên và có thể hoán đổi là một kiến trúc.

Hình thái chung: một bộ suy luận viết nên tương lai, một bộ kết xuất vẽ nó

PAN 2 triển khai Generative Latent Prediction, mô hình được chính thức hóa trong Critique of World Models (arXiv 2507.05169). Một bộ lập luận khái niệm — bất kỳ mô hình ngôn ngữ nào tuân theo chỉ dẫn — đọc quan sát hiện tại và các hành động được yêu cầu, rồi ghi trạng thái thế giới tiếp theo dưới dạng mô tả có cấu trúc, gắn với thời gian: các sự kiện theo thứ tự, mỗi hành động gắn với tác nhân thực hiện nó, cộng với chuyển động camera. Một bộ mã hóa văn bản Qwen3.5-9B đã đóng băng biến mô tả đó thành các đặc trưng điều kiện. Một transformer khuếch tán đa phương thức 29B được huấn luyện từ đầu trên hàng trăm triệu video có chú thích sẽ điền vào chi tiết tri giác mà mô tả còn bỏ ngỏ, và một VAE Wan 2.2 giải mã kết quả thành các khung hình.

Mô tả đã công bố của Google về Genie 4 có cùng cách phân công lao động nhưng khoác những tên sản phẩm khác nhau. Gemini Omni đặt nền tảng cho mô phỏng bằng diện mạo và hành vi thực tế; các mô hình Gemini khác cung cấp lập luận để đảm bảo tính mạch lạc và liên tục; và Gemini 3.8 Flash đóng vai trò tác nhân dẫn dắt, quan sát cảnh, lập kế hoạch các bước và kiểm tra tiến độ. Vai trò cuối cùng đó là một bộ xác minh trong vòng lặp — một mô hình ngôn ngữ theo dõi mô hình thế giới và giữ nó bám sát nhiệm vụ. Google cũng đã ghép Genie 4 với Gemini 4 Argon cho mô phỏng robot nhiều bước, bao gồm một màn trình diễn robot hình người Apollo của Apptronik chơi cờ đam.

Vậy là trong cả hai ngăn xếp, phần pixel là nửa rẻ và nhanh, còn mô hình ngôn ngữ là nửa quyết định điều gì nên xảy ra. Đây là hình thái mà lĩnh vực này đã hội tụ về vào năm 2026 mà không hề công bố: một world model không phải là trình tạo video kèm tiên nghiệm vật lý, mà là một bộ lập kế hoạch cộng với một bộ kết xuất, và bộ lập kế hoạch chính là một mô hình văn bản thông thường mà bạn có thể đo lường.

Sự hội tụ đó chính là lý do khoảng trống công bố thông tin lại quan trọng. IFM đã xếp hạng bốn trình lập kế hoạch theo tần suất một kế hoạch mô phỏng hoàn thành từ đầu đến cuối — Claude Opus 5.5 đứng đầu, GPT-6 Astra ở mức nỗ lực trung bình đứng thứ hai, Kimi K3 thứ ba, Qwen3.8-Flash thứ tư — và công bố bảng xếp hạng cùng bộ khung đã tạo ra nó, đồng thời nêu rõ rằng bộ suy luận khái niệm theo định nghĩa là có thể hoán đổi cho nhau. Google đã nêu tên Gemini 3.8 Flash trong vòng lặp, nhiều hơn mức hầu hết các phòng thí nghiệm công bố, và không công bố gì về cách bạn sẽ thay thế nó, định giá riêng nó, hoặc đo lường liệu một mô hình khác có lập kế hoạch tốt hơn hay không.

Hai mươi giây trong một lô, hoặc một phiên do bạn điều khiển

Các mô hình tương tác đối lập nhau, và đây là điểm mà hai bên không còn có thể so sánh với nhau nữa và bắt đầu trở thành những công cụ khác nhau.

• Đầu ra — PAN 2 trả về tối đa hai mươi giây video 704×1248 ở 24 khung hình/giây mỗi lần gọi; Genie 4 trả về một cảnh trực tiếp, liên tục mà Google chưa công bố độ phân giải, tốc độ khung hình và thời lượng.

• Điều khiển — PAN 2 nhận một khung hình khởi đầu cùng một chú thích hành động có cấu trúc được tinh chỉnh bởi kỹ năng viết lại prompt; Genie 4 nhận một prompt văn bản và sau đó là đầu vào bàn phím liên tục để di chuyển và điều khiển camera.

• Âm thanh — PAN 2 không có; Genie 4 tạo ra âm thanh môi trường, âm thanh tựa như âm nhạc và lời thoại nhân vật tương tác song song với hình ảnh, điều mà Google mô tả là lần đầu tiên đối với một mô hình thế giới thời gian thực.

• Hành vi theo lô — PAN 2 là một oracle theo lô: một lần gọi, một clip, không có phản hồi bên trong lần gọi; Genie 4 là một vòng lặp kín, nơi đầu vào của bạn ở giây thứ ba thay đổi giây thứ tư.

• Chi phí — Mặc định được tài liệu hóa của PAN 2 là tám H200 ở BF16, với một recipe vLLM xử lý mười ba giây video 704×1248 trong khoảng 119 giây trên bốn B300; Genie 4 không có giá vì không có quyền truy cập tự phục vụ.

• Truy cập — Trọng số của PAN 2 có dung lượng 86,17 gigabyte trải trên sáu mươi tệp theo Apache-2.0, không bị hạn chế; Genie 4 là bản xem trước nghiên cứu dành cho những người thử nghiệm đáng tin cậy, với lộ trình được nêu rõ dành cho người đăng ký AI Ultra thông qua danh sách chờ và cho các đối tác truy cập sớm thông qua Gemini API và Google AI Studio.

Đọc danh sách đó và câu trả lời thực tế tách bạch rõ ràng. Nếu bạn muốn hỏi "điều gì sẽ xảy ra nếu" vài nghìn lần và chấm điểm các câu trả lời, PAN 2 là cái duy nhất trong hai cái có thể được gọi trong một vòng lặp do bạn kiểm soát. Nếu bạn muốn khám phá, điều khiển và lắng nghe, Genie 4 là cái duy nhất trong hai cái có cung cấp một chỗ để tham gia — và có lẽ bạn chưa thể vào được.

Bảng thông số kỹ thuật mà Google không công bố

Điều gây chú ý nhất ở thông báo của Genie 4 là độ dài của danh sách những gì nó bỏ qua: không có độ phân giải, không có tốc độ khung hình, không có số lượng tham số, không có giá, không có thời lượng đo được về tính nhất quán của cảnh, không có benchmark với các baseline được nêu tên. Những gì Google công bố là một loạt thừa nhận — tính mạch lạc chỉ duy trì trong các phiên ngắn, còn chi tiết hình ảnh và tính thường tồn của vật thể có thể bị lệch trong các lần chạy dài hơn, sau những chỉnh sửa phức tạp, hoặc khi điều hướng. Các tương tác vật lý phức tạp, độ chính xác của âm thanh, văn bản trong thế giới hiển thị đọc được, độ chính xác không gian và tính nhất quán dài hạn được liệt kê là những bài toán nghiên cứu mở. Mọi đầu ra đều mang dấu thủy vân SynthID.

Không có điểm nào trong số đó là né tránh. Đó là hình hài trung thực của một bản xem trước nghiên cứu, và việc liệt kê drift như một vấn đề mở là điều mà hầu hết các bài đăng ra mắt không làm được. Nhưng điều đó có nghĩa là người đọc không thể tính toán được bất cứ thứ gì từ Genie 4: không phải số clip trên mỗi đô la, không phải số giây trên mỗi GPU, cũng không phải thời lượng mà tại đó một cảnh không còn dùng được nữa. Con số duy nhất mà người mua muốn nhất — một phiên kéo dài bao lâu vẫn còn mạch lạc — lại chính là con số mà thông báo mô tả định tính mà không định lượng.

PAN 2 trả lời cùng câu hỏi bằng một con số tệ hơn và vì thế hữu ích hơn. Thẻ mô hình của nó nêu rằng khoảng hai trong ba kế hoạch mô phỏng có chứa ít nhất một bước không được thực hiện. Nó cho biết ngoại hình bị trôi dạt giữa các clip trong các tương tác dài vì mỗi clip chỉ được mô phỏng từ tối đa một khung hình khởi đầu cộng với văn bản, và gọi bộ nhớ tri giác là mảnh ghép còn thiếu thay vì tuyên bố rằng nó đã được giải quyết. Nó thừa nhận rằng văn bản diễn đạt "mở ngăn kéo" tốt và "đặt từng ngón tay ở đây" kém, điều này giới hạn thao tác khéo léo. Nó đưa ra một ví dụ cụ thể về lối tắt — mì ống xuất hiện trong rổ lọc trước khi được xả nước — và thừa nhận rằng việc mô phỏng các kế hoạch lẽ ra phải thất bại thì, theo lời thẻ, chưa được đo lường.

Lời thừa nhận cuối cùng đó là điều nên đi theo bất kỳ mô hình thế giới nào vào bản đặc tả sản phẩm. Một trình mô phỏng chỉ có thể hiển thị thành công là máy tạo ra các kết quả có vẻ hợp lý, chứ không phải bộ lọc cho những kết quả xấu, và toàn bộ tiền đề của lập luận mô phỏng — mô phỏng nhiều kế hoạch ứng viên, so sánh, hành động theo kế hoạch tốt nhất — phụ thuộc vào việc mô hình có thể cho bạn thấy một kế hoạch thất bại. PAN 2 nói thẳng rằng nó chưa được kiểm thử về điều đó. Genie 4 không nói rõ theo hướng nào.

Failover không phải là tính năng của mô hình nào trong hai mô hình, và đó lại chính là tính năng bạn cần.

Cả hai hệ thống này đều là những sản phẩm nghiên cứu nhắm vào một vấn đề mà sẽ được các nhóm có hạn chót vận hành thực tế giải quyết, và khoảng cách giữa hai điều đó chính là nơi một lớp định tuyến khẳng định được chỗ đứng của mình. Phần renderer của ngăn xếp PAN 2 là phần cứng của bạn và sẽ luôn như vậy — OrcaRouter không lưu trữ PAN 2 và không thể định tuyến nó, và không danh mục nào có thể định tuyến một diffusion transformer 29 tỷ tham số mà bạn đang chạy trên node của riêng mình. Thứ có thể định tuyến được là phần quyết định sẽ mô phỏng cái gì, bởi vì phần đó là công việc văn bản tính phí thông thường.

Cả bốn planner mà IFM đã xếp hạng đều có trong danh mục OrcaRouter: Claude Opus 5.5, GPT-6 Astra, Kimi K3 và Qwen3.8-Flash. Điều đó khiến vị trí reasoner trở thành phần duy nhất của pipeline PAN 2 mà bạn có thể benchmark ngay chiều nay mà không cần thuê một node GPU — chỉ cần trỏ prompt-rewriter vào từng mô hình thông qua một khóa duy nhất, giữ cố định nửa diffusion, và đếm xem các kế hoạch của bạn sống sót với tần suất ra sao. Giá niêm yết của nhà cung cấp được chuyển thẳng với mức markup 0%, vì vậy việc so sánh chi phí dựa trên mức giá của chính các nhà cung cấp chứ không phải của chúng tôi, và cơ chế chuyển đổi dự phòng tự động sẽ hấp thụ một trục trặc từ phía nhà cung cấp giữa đợt quét thay vì hủy bỏ lượt chạy.

Cùng một lộ trình ấy cũng bao phủ phía Genie 4, nhưng chỉ ở phạm vi hẹp. Gemini 3.8 Flash là mô hình mà Google mô tả là tác nhân dẫn đường trong vòng lặp của Genie 4, và nó có thể được gọi thông qua cùng danh mục. Bạn không thể có được Genie 4. Bạn có thể xây dựng phần kiến trúc mà Google đã mô tả — một mô hình có khả năng thị giác theo dõi các khung hình được tạo ra, lập kế hoạch cho các bước tiếp theo và kiểm tra tiến độ — rồi hướng nó vào một mô hình thế giới mà bạn thực sự sở hữu. Đó không phải là cùng một sản phẩm. Đó là cùng một lớp điều khiển, và chính là lớp nơi phần lớn công việc kỹ thuật thực sự diễn ra.

Hãy rõ ràng về giá trị của bảng xếp hạng ở trên: thứ tự của IFM được đo trên các tác vụ của IFM bằng harness của IFM, so với các đường cơ sở của chính IFM, và chưa ai tái lập được nó. Đây là một danh sách rút gọn, không phải bảng xếp hạng. Chạy các prompt của riêng bạn qua bốn ứng viên chỉ mất vài giờ làm việc và là bằng chứng duy nhất áp dụng cho vấn đề của bạn.

Con số khác đáng đưa vào bất kỳ ngân sách nào là con số phục vụ. Năm mươi bước sampler ở flow shift 9 với guidance 2.5 ở mọi bước nghĩa là một trăm lượt forward pass qua một transformer 29B cho mỗi clip, đó là lý do guidance phải được song song hóa trên các rank thay vì chạy tuần tự. Một planner đánh giá năm hành động ứng viên mỗi bước trong một tác vụ mười bước đang yêu cầu năm mươi clip, mà với cấu hình bốn-B300 đã công bố thì đó là một node bận trong phần lớn hai giờ trước khi học được bất cứ điều gì từ đầu ra. Suy luận mô phỏng không đắt vì mô hình lớn. Nó đắt vì ý tưởng là một vòng lặp.

Đầu ra, kiểm soát và điều mà mỗi thứ từ chối nói về thời lượng

Sáu khía cạnh tạo nên sự so sánh, và bốn trong số đó hoàn toàn không nói về chất lượng.

• Đầu ra — PAN 2 trả về tối đa hai mươi giây video 704×1248 ở 24 khung hình/giây mỗi lần gọi; Genie 4 trả về một cảnh trực tiếp, liên tục mà Google chưa công bố độ phân giải, tốc độ khung hình và thời lượng.

• Điều khiển — PAN 2 nhận một khung hình khởi đầu cùng một chú thích hành động có cấu trúc được tinh chỉnh bởi kỹ năng viết lại prompt; Genie 4 nhận một prompt văn bản và sau đó là đầu vào bàn phím liên tục để di chuyển và điều khiển camera.

• Âm thanh — PAN 2 không có; Genie 4 tạo ra âm thanh môi trường, âm thanh tựa như âm nhạc và lời thoại nhân vật tương tác song song với hình ảnh, điều mà Google mô tả là lần đầu tiên đối với một mô hình thế giới thời gian thực.

• Hành vi vòng lặp — PAN 2 là một oracle theo lô không có phản hồi bên trong một lần gọi; Genie 4 là một vòng lặp kín, nơi đầu vào của bạn ở giây thứ ba thay đổi giây thứ tư.

• Cơ sở chi phí — Mặc định được ghi nhận của PAN 2 là tám H200 ở BF16, với một công thức xử lý mười ba giây video 704×1248 trong khoảng 119 giây trên bốn B300; Genie 4 không có giá vì không có quyền truy cập tự phục vụ.

• Truy cập — Trọng số của PAN 2 có dung lượng 86,17 gigabyte trải trên sáu mươi tệp theo Apache-2.0, không bị hạn chế; Genie 4 là bản xem trước nghiên cứu dành cho những người thử nghiệm đáng tin cậy, với lộ trình được nêu rõ dành cho người đăng ký AI Ultra thông qua danh sách chờ và cho các đối tác truy cập sớm thông qua Gemini API và Google AI Studio.

Hàng thời lượng là hàng quyết định phần lớn các quyết định thực tế, và cũng là hàng mà hai bên ít có thể so sánh được nhất. PAN 2 cho bạn đúng hai mươi giây và nói rằng nó bị trôi giữa các clip vì mỗi clip được mô phỏng từ tối đa một khung hình khởi đầu cộng với văn bản. Genie 4 cho bạn một phiên có độ dài không xác định, thừa nhận rằng tính mạch lạc chỉ duy trì trong các phiên ngắn, và gọi tính nhất quán dài hạn là một bài toán nghiên cứu mở. Cả hai đều không cho bạn biết thời lượng mà tại đó đầu ra không còn đáng tin cậy, và con số đó — chứ không phải điểm benchmark — mới là thứ một pipeline thực sự cần.

Điều gì sẽ khiến đây trở thành một so sánh thực sự?

Một điểm: một nhiệm vụ chung. Chưa ai chạy PAN 2 và Genie 4 trên cùng một câu hỏi, và không rõ liệu có thể làm vậy hay không — một bên tạo ra các clip có độ dài cố định từ một chú thích, bên kia tạo ra một phiên tương tác từ một lời nhắc và bàn phím. Thứ gần nhất với một thước đo chung sẽ là mức tuân thủ hành động theo một kế hoạch được mô tả, và chỉ PAN 2 đã công bố một harness cho việc đó: 300 ca hành động đơn trên sáu nhóm năng lực, 100 nhiệm vụ nhiều bước được đặt dưới dạng 200 lời nhắc và 456 bước, được chấm điểm dựa trên hoàn thành từng bước và hoàn thành toàn bộ kế hoạch qua ba seed. Mười ba người đánh giá đã tạo ra các con số về sở thích của con người trên 140 lời nhắc trong một nghiên cứu so sánh cặp mù, đánh giá mô hình của các tác giả so với các baseline của chính các tác giả. Đó không phải là độc lập. Nó dễ hiểu, đó là điều tốt thứ hai, và còn hơn những gì phía bên kia đưa ra.

Vậy nên lựa chọn, được nói thẳng thắn nhất như bằng chứng cho phép. Nếu bạn cần một mô hình thế giới có thể tải xuống, đánh giá, tinh chỉnh và truy vấn theo lô — và bạn sở hữu hoặc có thể thuê một nút đa GPU — thì PAN 2 là bản phát hành mở hoàn chỉnh nhất trong hạng mục này, và chính phần giới hạn của nó là trang giá trị nhất trong đó. Nếu bạn cần một thế giới mà một người có thể đi lại bên trong, có âm thanh, và bạn sẵn sàng chờ trong danh sách chờ và xây dựng dựa trên một API không có ngày và không có giá, thì Genie 4 là hệ thống ấn tượng hơn và là hệ thống có lộ trình phân phối phía sau.

Điều cần tránh là coi bên này như vật thay thế cho bên kia. Độ bao quát của Genie 4 không phải bằng chứng rằng nó có thể chấm điểm một kế hoạch; trọng số có thể tải về của PAN 2 không phải bằng chứng rằng nó có thể giữ cho một cảnh nhất quán trong khi bạn điều khiển. Điều chúng thực sự chia sẻ là kiến trúc mà cả hai công ty đã tự mình đạt tới — một mô hình ngôn ngữ quyết định, một mô hình khuếch tán vẽ — và việc vào năm 2026 bạn vẫn chỉ có thể nhìn vào bên trong một trong hai.