PAN 2 与 Gemma 4 12B：模拟器与推理器并非对手

互联网上的每个对比页面都想要一个赢家，而这一篇诚实地讲不可能有赢家，因为 PAN 2 和 Gemma 4 12B 执行的不是同一项任务。PAN 2 是来自 MBZUAI 基础模型研究所（Institute of Foundation Models）的 290 亿参数视频扩散 Transformer，它接收一张图像和一段动作描述，返回最长二十秒、704×1248 的视频，展示接下来会发生什么。Gemma 4 12B Unified 是来自 Google DeepMind 的 119.5 亿参数无编码器多模态语言模型，它接收文本、图像和音频，返回文本。一个渲染后果；另一个谈论后果。如果你来是想找一张将它们相互排名的基准测试表，那么这样的表并不存在，也不可能存在——它们没有共同的评测。真正存在的是一个真实的决策，因为这两者越来越多地被部署在同一条流水线中：推理器写下计划，模拟器向你展示该计划会产生什么效果。所以有用的问题不是哪个更好，而是你的问题实际需要哪一个，以及各自会让你付出多少持有成本。

这种不匹配，直白地说

G​emma 4 12B 有公开的评测表，而 PAN 2 没有；这种不对称并不是质量信号，而是类别信号。G​oogle 公布 MMLU Pro、GPQA Diamond、AIME、LiveCodeBench 以及其他十几个文本和视觉基准，是因为语言模型是用一套存在多年的共同标尺来衡量的。PAN 2 的模型卡公布 Physics-IQ Verified、PhyGround、RBench 和一项人类偏好研究，是因为视频世界模型是用最近才发明的测量工具来衡量的，而且这些工具大多由构建这些模型的实验室发明。

• 参数 — PAN 2：单个多模态扩散 Transformer 中的 29B，同时加载了冻结的 Qwen3.5-9B 文本编码器和 Wan 2.2 VAE。G​emma 4 12B：11.95B，48 层，无编码器，原始图像块和音频波形直接投影到解码器的嵌入空间。

• 输入与输出——PAN 2：可选的首帧加上结构化的世界状态描述，输出为 MP4。G​emma 4 12B：文本、图像、音频和视频输入，文本输出，具备 256K token 上下文和原生系统提示支持。

• 许可证 — PAN 2：其自身代码与权重采用 Apache-2.0，第三方组件遵循各自的条款。G​emma 4 12B：依据 G​emma 4 许可条款采用 Apache-2.0。

• 磁盘上的权重——PAN 2：在 IFM/PAN2 仓库的六十个文件中总计 86.17 GB，其中 67.37 GB 是 transformer 本身，15.87 GB 是文本编码器。Gemma 4 12B：约 120 亿个 BF16 参数，大致仅为 transformer 本身的四分之一。

每一项实际上擅长什么，以其自身证据来判断

Gemma 4 12B 的数据是两者中更清晰易读的，而且对于这一规模来说相当可观。厂商报告的 MMLU Pro 为 77.2%、GPQA Diamond 为 78.8%、AIME 2026 无工具为 77.5%、LiveCodeBench v6 为 72.0%，Codeforces 评分为 1659，使其明显领先于上一代——Gemma 3 27B 在相同项目上的得分分别为 67.6%、42.4%、20.8%、29.1% 和 110。在视觉方面，它取得 MMMU Pro 69.1% 和 MATH-Vision 79.7%。在长上下文方面，MRCR v2 在 128K 下、使用八个 needle 时达到 43.4%。这些是 Google 对自家模型的自行评估，模型卡也如此说明；应将其视为有充分记录的厂商声明，而非独立结论。

PAN 2 没有可与之相提并论的东西，也不假装有。它的主张更狭窄，也更奇特：一个以结构化、以时间为依据的描述为条件的扩散模型，将能足够好地模拟某一行动的物理与因果后果，使智能体在选定一个候选方案之前能够比较各个候选方案。支撑这一主张的是一项跨六个能力类别的 300 例单行动研究、一项包含 456 个步骤的 200 个提示的多步研究，以及一项包含 1,400 次比较的盲测人类偏好测试。这三项都出自该团队自己。它们没有一项能迁移到 Gemma 4 12B 所被测量的任何内容上。

部署问题才是比较见分晓的关键所在。

在这里，这两个模型不再无法比较，因为两者都必须运行在你付费的硬件上。

Gemma 4 12B 可在单块消费级或工作站 GPU 上以 BF16 运行；量化后，所需资源会大幅减少。它在标准推理栈中获得了首日支持，拥有 262K 词汇表，并提供一套有成文记录的采样和思考模式默认值。如果你的工作负载是文档理解、工具调用或长上下文推理，那么这是一种乏味、已被充分验证的部署方式，真正有意思的决策全都集中在提示词设计上。

PAN 2 的部署一点也不无聊。vLLM recipe 自己打出的标题就是：13 秒的 704×1248 视频在四块 B300 GPU 上大约需要 119 秒，其中无分类器引导跨两个 rank 并行，Ulysses 序列并行也跨两个 rank。默认配置是八块 H200，使用 BF16。采样器运行 50 步，每一步都开启引导——每个片段都要让一个 29B transformer 做 100 次前向传递——所以并行不是可选项。而且条件格式不是自由文本：模型期望的是结构化的世界状态描述，仓库还附带一个 prompt-rewriter skill，并配有验证器，会针对文本编码器的预算强制执行 1,480 个 token 的软限制和 1,536 个 token 的硬容量。

最后那个细节才是决定大多数评估的关键。你不能把愿望输入 PAN 2 就得到一段视频。你必须按顺序描述事件、把动作绑定到主体上，并指定镜头运动，而且模型卡明确说明，智能体案例研究依赖的是手工精炼过的提示词。G​emma 4 12B 会很乐意接收一段散文式文字，并在第一次尝试时就给你有用的结果。如果你想知道 PAN 2 在实际使用中是什么感觉，诚实的答案是：它感觉像是一个带有接口契约的模型，而不是一个聊天框。

这两者在同一系统中应归属何处

这种比较之所以不断出现，是因为如今智能体工作同时需要这两部分。一个在文本中规划、在真实环境中行动的智能体，既需要推理器来决定做什么，也越来越需要一个模拟器来预览做这件事会是什么样。G​emma 4 12B 可以充当推理器——它足够小，可以与其他技术栈组件同处一处部署；它能处理图像和音频输入；而且其指令遵循和工具使用得分正是该模型的关键所在。PAN 2 可以充当模拟器，而它自身的架构假定类似 G​emma 的模型已经在环路中：概念上的推理器被定义为任何指令遵循语言模型，报告按模拟计划端到端完成的频率对其中四个进行了排名——Claude Opus 5.5 居首，其次是中等努力水平的 GPT-6 Astra，然后是 Kimi K3，最后是 Qwen3.8-Flash。

如果你的系统是这种形态，那么真正的对比根本就不是 PAN 2 与 Gemma 4 12B。而是 PAN 2 加上一个推理器，而成本和质量的波动恰恰就取决于推理器的选择。

这正是路由器真正干活、而非做营销工作的地方。模拟那一半必须在你自己的 GPU 上运行——没有人托管 PAN 2，MBZUAI 也不例外——但推理那一半可以是一次按量计费的 API 调用；而在 Claude Opus 5.5、GPT-6 Astra 和 Qwen3.8-Flash 之间切换，找出哪一个最常完成你的计划，是路由问题，不是采购问题。Qwen3.8-Flash 已接入 OrcaRouter，因此你可以通过一个具备自动故障转移的 API 密钥，用三个规划器针对你自己的 PAN 2 部署做基准测试，价格按提供商列表价，并转嫁 0% 加价。OrcaRouter 不托管 PAN 2，也无法路由它。它可以让流水线中便宜的那一半保持弹性，而昂贵的那一半则固定绑定到硬件上。

什么会改变这个比较？

截至 2026 年 11 月 11 日，有两件事都不存在。第一，由并非 PAN 2 作者的人对其进行独立评估——在那之前，其能力声明都只是厂商自述，也应当这样看待。第二，PAN 2 的托管端点或真正的发布说明——该实验室 X 账号上的那一条帖子不算——这会令是否自托管的决定变成价格比较，并让本页的部署部分一夜之间过时。

G​emma 4 12B 两者都不需要。它是一个已发布、有文档、广泛部署的模型，在 Hugging Face 上每月下载量超过 180 万次，其评估表已经过社区数月使用，以找出薄弱之处。采用它的风险几乎为零。采用 PAN 2 的风险则在于，你要花一周时间搭建基础设施，而这个模型的局限性部分指出，大约三分之二的模拟计划包含至少一个未执行的步骤。这句话不是跳过它的理由。它是让你在租用 GPU 之前弄清楚自己到底在买什么的理由。

如何选择

如果你需要理解并回答文本、图像或音频，PAN 2 不是候选方案，再多的 GPU 预算也无法让它成为候选。请选择 G​emma 4 12B，或选择更大的 G​emma 4 变体中的一个，如果 12B 的数字还不够。如果你需要在采取行动之前看到它会是什么样——机器人操作、第一人称任务模拟、物理推理评估——G​emma 4 12B 也做不到这一点，而 PAN 2 是少数会尝试的开放权重模型之一。如果你需要一个两者都能做的智能体，答案是一个技术栈，而不是一个模型，而有趣的工程就在于它们之间的接口：PAN 2 所要求的结构化描述格式，正是像 G​emma 4 12B 这样的推理模型必须被教会生成的产物。