PAN 2 vs SKY-001: Một bên mô phỏng điều gì sẽ xảy ra tiếp theo, một bên vẽ ra thứ cần xây dựng

Kimi K3 xuất hiện trong cả hai tài liệu ra mắt, trong cùng một khoảng hai tuần, đảm nhận những vai trò trái ngược. Trong báo cáo kỹ thuật của PAN 2, nó là bộ suy luận khái niệm — mô hình ngôn ngữ đọc yêu cầu và viết chú thích có cấu trúc, gắn với thời gian mà một transformer khuếch tán 29 tỷ tham số biến thành video. Trong các bảng SKY-001 của Skyfall, nó là đối thủ cơ sở, được yêu cầu tự vẽ một cụm lắp ráp CAD, nơi nó tái tạo 9,5% hình học tham chiếu theo chỉ số giao trên hợp (intersection-over-union). Một bên ra mắt dùng một mô hình ngôn ngữ tiên tiến để viết kế hoạch. Bên kia đo lường các mô hình ngôn ngữ tiên tiến thất bại khi vẽ. Sự phân tách đó là chỉ dẫn tốt hơn về hai mô hình này so với nhãn mà chúng cùng mang. PAN 2 là mô hình thế giới của Viện Mô hình Nền tảng tại MBZUAI, trọng số Apache-2.0 trên Hugging Face từ ngày 7 tháng 10 năm 2026, mã nguồn từ ngày 5 tháng 11 và thông báo chính thức của chính họ vào ngày 10 tháng 11, và nó dự đoán tối đa hai mươi giây video 704×1248 từ một khung hình đầu tiên tùy chọn cùng với một hành động được mô tả bằng văn bản. SKY-001 là mô hình kỹ thuật của Skyfall AI, được công bố ngày 19 tháng 10 năm 2026, vẫn nằm trong danh sách chờ với việc triển khai thương mại dự kiến vào đầu năm 2027, và nó dự đoán chuỗi thao tác vẽ có thứ tự để tạo ra một chi tiết CAD hoặc một mặt bằng.

Không ngày nào trong hai ngày đó là hôm nay, và không có nội dung nào bên dưới được trình bày như một buổi ra mắt. Những gì sau đây là những gì mỗi mô hình thực sự tính toán, chỗ mỗi mô hình yếu theo chính các con số của nó, và mô hình nào trong hai mô hình mà vấn đề của bạn cần.

Hai điều khác nhau đang được dự đoán

Chuỗi của PAN 2 có một mô hình ngôn ngữ trong đó. Một bộ suy luận khái niệm — bất kỳ mô hình tuân theo chỉ dẫn nào — đọc quan sát và các hành động được yêu cầu rồi viết trạng thái thế giới tiếp theo dưới dạng chú thích có cấu trúc: các sự kiện theo thứ tự, hành động gắn với tác nhân, chuyển động camera. Một bộ mã hóa văn bản Qwen3.5-9B đóng băng ánh xạ chú thích đó thành các đặc trưng điều kiện. Một transformer khuếch tán đa phương thức 29B, được huấn luyện từ đầu trên video được chú thích theo cùng định dạng, dự đoán các latent mà chú thích để ngỏ, với điều kiện là chú thích đó và latent VAE của khung hình bắt đầu, và bộ giải mã Wan 2.2 kết xuất chúng. Bộ lấy mẫu mặc định là 50 bước ở flow shift 9 với classifier-free guidance 2.5 ở mọi bước, và checkpoint là 86.17 GB trải trên sáu mươi tệp.

Chuỗi của SKY-001 thì lại có một hệ thống phân cấp bên trong. Một Hierarchical Composer nhận một ý định thiết kế — một hình ảnh, văn bản hoặc một vỏ công trình kèm bản mô tả yêu cầu — tạo ra toàn bộ thiết kế, rồi tách nó theo từng cấp và tinh chỉnh từng nút lá song song. Sau đó, một Construction World Model dự đoán chuỗi trạng thái trực quan có thứ tự để dựng nên từng nút lá: trong CAD, một chuỗi trạng thái khối đặc 3D với bản phác thảo 2D được vẽ giữa mỗi cặp liên tiếp; trong BIM, một mặt bằng được vẽ từng nét một. Quá trình vẽ chạy dưới dạng diffusion qua hai lượt: một lượt triển khai thô trong không gian latent nén từ một autoencoder kiểu Matryoshka, rồi đến một bộ tinh chỉnh khôi phục độ phân giải đầy đủ. Cả hai giai đoạn đều là diffusion transformer; không giai đoạn nào dự đoán token. Skyfall chưa công bố số lượng tham số, trọng số, giấy phép hay API.

• Điều gì được dự đoán — PAN 2 dự đoán quan sát tiếp theo dưới dạng pixel, khi được cho một hành động; SKY-001 dự đoán trạng thái xây dựng tiếp theo dưới dạng một khối đặc hoặc một nét, khi được cho một ý định.

• Cách thời gian được đưa vào — PAN 2 chạy theo đồng hồ vật lý, mặc định 241 khung hình (khoảng mười giây) và tối đa 481 khung hình (hai mươi giây) ở 24 fps; SKY-001 chạy theo một trình tự thủ tục gồm khoảng 100 bước vẽ cho mỗi thành phần CAD và 70 bước cho mỗi mặt bằng, không hề có đồng hồ vật lý nào trong đó.

• Liệu có tuyên bố về vật lý hay không — PAN 2 được chấm điểm trực tiếp dựa trên tính hợp lý về mặt vật lý; tài liệu của SKY-001 hoàn toàn không đưa ra tuyên bố nào về động lực học, bởi vì thứ nó vẽ ra là một thiết kế, không phải một chuyển động.

• Đầu ra bạn nhận được — một tệp MP4 có thể xem, so với hình học mà bạn chấm điểm bằng IoU so với một hình tham chiếu.

• Trọng số — bản tải xuống theo Apache-2.0 cho PAN 2; không có nội dung nào được công bố cho SKY-001.

• Giá — thời gian GPU bạn có thể tùy chỉnh quy mô cho PAN 2; danh sách chờ cho SKY-001.

Cả hai đều là hai giai đoạn, và điểm nghẽn nằm ở những vị trí khác nhau

Điểm đặt cược kỹ thuật chung là bạn tách công việc ra. Một giai đoạn chốt cấu trúc — một mô tả có thứ tự về những gì nên diễn ra — và giai đoạn thứ hai lấp vào chi tiết mà mô tả đó để ngỏ. PAN 2 làm điều này bằng một caption và một backbone khuếch tán. SKY-001 làm điều này bằng một hệ thống phân cấp các mục tiêu con và một mô hình xây dựng cho mỗi nút lá. Đặt hai bản ra mắt cạnh nhau, câu hỏi thú vị không còn là kiến trúc nào tốt hơn mà trở thành giai đoạn nào đang thực sự ngốn chi phí của bạn.

Đối với PAN 2, đó chính là bộ lập kế hoạch, và báo cáo nói điều này hai lần. Trên Physics-IQ Verified, một benchmark image-to-video được chuẩn hóa sao cho khoảng chênh giữa hai lần quay thật của cùng một cảnh đạt 100 điểm, PAN 2 đạt 93,2 ± 0,8 khi Claude Opus 5.5 viết chú thích và 90,9 ± 0,4 với mặc định của hệ thống, trên các seed 123 đến 126. Việc đổi mô hình ngôn ngữ viết chú thích làm điểm số dịch chuyển 2,3 điểm trên thang 100 điểm, nơi điểm tuyệt đối nghĩa là không thể phân biệt với cảnh quay thật. Mô thức tương tự cũng xuất hiện trong phần hạn chế của model card: khoảng hai trong ba kế hoạch mô phỏng chứa ít nhất một bước không được thực hiện, các nghiên cứu điển hình về tác tử dựa vào những prompt được tinh chỉnh thủ công, các hành động khéo léo như vị trí từng ngón tay tiếp xúc với vật thể chỉ được chỉ định một cách thô trong văn bản, và chú thích được kiểm định theo giới hạn mềm 1.480 và dung lượng cứng 1.536 token. Bộ kết xuất không phải là vấn đề được báo cáo. Câu mô tả cảnh mới là.

Đối với SKY-001, planner không được đo như một giai đoạn riêng, vì vậy nút thắt được báo cáo là renderer. Trên benchmark xây dựng CAD của Skyfall — 1.000 linh kiện được lấy mẫu từ các đối tượng như Jaguar E-Type Roadster, cánh tay hàn FANUC ArcMate 100iB và trực thăng Bell 222, mỗi đối tượng mất khoảng 100 bước vẽ — SKY-001 tái tạo 79,7% hình học tham chiếu theo IoU trung bình, so với 79,1% của GPT-6 Astra và 76,9% của Gemini 4. Trên benchmark BIM, 1.000 mặt bằng với khoảng 70 bước vẽ mỗi mặt bằng, nó đạt 43,6% so với 42,3% của Gemini 3.8 Flash và 40,6% của GPT-6 Astra. Sáu phần mười điểm và 1,3 điểm là các mức dẫn đầu về kiến trúc. Con số tuyệt đối là chưa tới một nửa mặt bằng.

Đọc cùng nhau, và chỉ đọc để xét độ lớn tương đối trong phạm vi báo cáo của từng nhà cung cấp, planner là đòn bẩy lớn hơn trong cả hai tài liệu. Việc thay đổi bộ viết chú thích của PAN 2 đưa nó tiến xa hơn toàn bộ lợi thế kiến trúc của SKY-001 so với đối thủ gần nhất. Các benchmark là khác nhau và điểm số không thể so sánh được; điểm mấu chốt là phương sai riêng của mỗi đội nằm ở đâu.

Các benchmark không dùng chung harness, không có judge và không có baseline policy.

PAN 2 được báo cáo theo bốn cách, và ba trong số đó liên quan đến đánh giá của một bên khác. Physics-IQ Verified là một bộ điểm chuẩn công khai có bối cảnh bảng xếp hạng, và mục tham gia của PAN 2 dùng Claude Opus 5.5 làm bộ suy luận, trong khi cột mặc định của hệ thống chạy pipeline riêng của từng đối thủ theo cách IFM vận hành. PhyGround là thang điểm năm mức do Qwen3.8-27B đánh giá, nghĩa là ý kiến của một mô hình khác chứ không phải phép đo vật lý; PAN 2 đạt 3,98 và 4,11 trên hai cấu hình được báo cáo. RBench là trung bình không trọng số trên năm hạng mục nhiệm vụ và bốn hạng mục dạng thân, nhân với 100, trong đó PAN 2 đạt 83,7 và 73,5. Các đường cơ sở mô hình đóng mang dấu dao găm vì mỗi đường chỉ được tạo một lần thay vì qua nhiều seed. Ngoài ra còn có một nghiên cứu mù trên người: 140 lời nhắc, 13 người đánh giá, 1.400 so sánh theo cặp, được khớp vào mô hình Bradley–Terry với Elo đặt tâm tại 1500 và khoảng tin cậy 95%. Và có bộ khung đánh giá của chính IFM — 300 ca kiểm thử hành động đơn được chia thành 201 image-to-video và 99 text-to-video trên sáu năng lực, cộng với 100 tác vụ egocentric nhiều bước được đặt thành 200 lời nhắc và 456 bước, được báo cáo dưới dạng trung bình ± độ lệch chuẩn trên ba seed.

SKY-001 được báo cáo theo hai cách, cả hai đều của Skyfall, cả hai đều được chấm bằng IoU so với một hình dạng tham chiếu, và cả hai đều có các mô hình đối thủ do Skyfall điều khiển bằng prompting one-shot. Không có thanh sai số nào trên bất kỳ phần nào của dữ liệu đó, và chưa có bên thứ ba nào tái lập được một con số. Đọc kỹ các bảng sẽ phát hiện ra ba điều đáng biết trước khi bạn trích dẫn chúng.

Đầu tiên, các trang của chính nhà cung cấp mâu thuẫn với nhau. Bảng 3D CAD trên trang sản phẩm hiển thị SKY-001 đạt 76.1% so với GPT-6 Astra 73.4%, với Claude Opus 5.5 61.8%, Gemini 3.8 Flash 45.9%, Qwen 3.8 Max 26.6% và Kimi K3 6.5%. Bài kiểm chuẩn xây dựng báo cáo 79.7% so với 79.1%. Các tác vụ khác nhau, điểm số khác nhau, cùng tên mô hình ở cả hai — và Claude Opus 5.5, mô hình suy luận giúp nâng điểm Physics-IQ của PAN 2, chỉ xuất hiện ở một trong hai.

Thứ hai, hệ số nhân tốc độ được nêu theo ba cách trong ba tài liệu xuất bản cùng ngày: 51× trong biểu đồ blog, 49× trên trang sản phẩm, 100× trong thông cáo báo chí. Phép tính giải quyết chuyện này — 199 giây chia cho 3.9 là 51.0 — nhưng nó cho thấy những con số tiêu đề được viết bởi những người khác nhau mà không đối chiếu tác phẩm của mình.

Thứ ba, cột chi phí không được giải thích. Skyfall báo cáo $0.005 mỗi ca CAD và $0.0024 mỗi gói, và không nói liệu đó là giá niêm yết, thời gian GPU thuê, hay suy luận tự triển khai đã phân bổ. Đó là ba tuyên bố khác nhau, và sự khác biệt quan trọng nhất đối với các mô hình do chính Skyfall chạy thay vì gọi qua dịch vụ.

Không điều nào trong số đó khiến câu chuyện hiệu quả của SKY-001 trở nên sai. Lợi thế tốc độ gấp 51 lần và lợi thế chi phí gấp 150 lần so với đối thủ tốt nhất, với độ chính xác ngang bằng, là một tuyên bố có thật về một khối lượng công việc có thật. Điều đó khiến nó chưa được xác minh, và đó là một chuyện khác.

Chi phí vận hành là bao nhiêu và bao nhiêu phần trong đó có thể biết được

Tính toán của PAN 2 được công bố dưới dạng một công thức để bạn tự định giá. Triển khai mặc định là tám H200 ở BF16, với classifier-free guidance được tách trên hai rank và song song chuỗi Ulysses trên hai, và giải mã VAE được vá trên bốn tile. Công thức phục vụ báo cáo mười ba giây video 704×1248 trong khoảng 119 giây trên bốn B300. Không có giá niêm yết theo giây vì IFM không vận hành endpoint được lưu trữ; con số bạn quan tâm là mức nhà cung cấp của bạn tính cho GPU, nhân với số giây mỗi clip bạn thực sự tạo ra.

Năng lực tính toán của SKY-001 không được công bố dưới bất kỳ hình thức nào mà bạn có thể định giá. Không có số lượng tham số, không có mô tả phần cứng, không có số liệu thông lượng và không có endpoint. Những gì tồn tại là chi phí nhà cung cấp cho mỗi trường hợp mà cấu thành của nó không được tiết lộ, cùng một biểu mẫu danh sách chờ.

Sự bất đối xứng đó quyết định nhiều hơn trong phép so sánh này so với các khoảng cách benchmark. Một trong những mô hình này có thể được benchmark trên dữ liệu của chính bạn ngay chiều nay, trên phần cứng của chính bạn, với mức chi phí bạn có thể dự báo trước. Mô hình còn lại thì chỉ có thể đọc thông tin về nó.

Phần duy nhất của một trong hai stack mà bạn có thể thuê ngay hôm nay

Cả PAN 2 lẫn SKY-001 đều không có trên OrcaRouter, và cũng không thể định tuyến qua đó: PAN 2 là một checkpoint 86 GB do bạn tự triển khai, còn SKY-001 không có API để gọi. Trong pipeline của PAN 2, phần là một mô hình được lưu trữ thông thường chính là phần đầu tiên — bộ suy luận khái niệm biến yêu cầu của bạn thành một mô tả trạng thái thế giới. IFM đã đánh giá bốn mô hình trong số đó theo thứ tự hoàn thành toàn bộ kế hoạch: Claude Opus 5.5, GPT-6 Astra ở mức nỗ lực trung bình, Kimi K3 và Qwen3.8-Flash, và lưu ý rằng có thể dùng bất kỳ mô hình tuân theo chỉ dẫn nào. Qwen3.8-Flash có trong danh mục OrcaRouter, nghĩa là giai đoạn tạo mô tả của một triển khai PAN 2 có thể chạy trên một khóa với giá niêm yết của nhà cung cấp được chuyển qua với mức markup 0%, và với failover tự động nếu một nhà cung cấp bị suy giảm giữa chừng trong một lô kế hoạch. Điều đó đáng để cấu hình trước giai đoạn diffusion, chứ không phải sau: bộ lập kế hoạch là nơi có phương sai đo được, nên đây là giai đoạn mà một mô hình rẻ hơn và một nhà cung cấp thứ hai đáng để thử nghiệm đối chiếu với nhau trên chính các prompt của bạn.

Bạn thực sự đang giữ vấn đề nào vậy?

Nếu thứ bạn cần là dự đoán một hành động sẽ tác động đến một cảnh như thế nào, tính bằng pixel, trong vài giây tới — cho một tác nhân muốn hình dung kết quả trước khi lựa chọn, hoặc cho một pipeline video nơi các định luật vật lý phải được giữ đúng — thì PAN 2 là cái trong hai cái được xây dựng cho việc đó, và bạn có thể có nó ngay bây giờ. Hãy dự trù ngân sách cho giai đoạn caption và cho guardrail: IFM phát hành một kho guardrail riêng, dùng Qwen3Guard-Gen-4B để sàng lọc yêu cầu trước khi sinh và dùng bộ phân loại khung hình Q16 để sàng lọc đầu ra sau đó, và trong đánh giá nội bộ của mình, cặp này đã giảm tỷ lệ các yêu cầu text-to-video có hại tạo ra video không an toàn từ 33,9% xuống 1,5%, đồng thời chặn 11,5% yêu cầu text-to-video lành tính và 3,3% yêu cầu image-to-video lành tính. Một lớp an toàn khiến bạn mất một yêu cầu lành tính trong chín yêu cầu là chi phí sản xuất thực sự, không phải chú thích nhỏ.

Nếu thứ bạn cần là ý đồ thiết kế được chuyển thành hình học CAD hoặc BIM, thì SKY-001 là cái duy nhất trong hai cái nhắm tới việc đó, và bạn không thể có nó. Thứ thay thế trung thực hiện nay là một mô hình ngôn ngữ tiên phong được nối vào chuỗi công cụ CAD của bạn — đúng là cấu hình mà các bảng của chính SKY-001 đo, với IoU từ 9,5% đến 42,3% tùy mô hình và tác vụ. Đó là lý do danh sách chờ đang làm công việc thật chứ không phải việc tiếp thị: lựa chọn thay thế không phải một đối thủ, mà là một con số tệ hơn.

Nếu thứ bạn cần là một physics engine thì cả hai đều không phải. Các mô phỏng của PAN 2 là dự đoán, thẻ mô hình của nó nói thẳng như vậy, và danh sách hạn chế của chính nó có bao gồm những mô phỏng vẫn tiến triển trong khi vi phạm các ràng buộc vật lý — mì ống xuất hiện trong chao trước khi được xả nước. SKY-001 vẽ ra các thiết kế và không đưa ra bất kỳ tuyên bố nào về động lực học ở bất cứ đâu. Gọi một trong hai là mô hình thế giới thì chính xác theo nghĩa mà hai nhóm dùng thuật ngữ này, và gây hiểu nhầm theo nghĩa mà một game engine dùng nó.

Điều đáng theo dõi không phải là benchmark tiếp theo. Mà là liệu có ai bên ngoài hai công ty này tái lập được một con số nào đó hay không: liệu Skyfall có công bố giao thức IoU và cách hạch toán chi phí đằng sau các con số theo từng trường hợp của mình hay không, và liệu khoảng cách hiệu năng giữa pipeline mặc định của PAN 2 và bộ suy luận tốt nhất của nó có còn đứng vững khi gặp những prompt không được ai tinh chỉnh thủ công hay không. Cả hai đều là câu hỏi về cùng một giai đoạn — giai đoạn quyết định điều gì nên xảy ra, trước khi bất cứ thứ gì được vẽ ra.