PAN 2 与 Genie 4：两者都将语言模型纳入循环，但只有一方明确点名

2026年末最有趣的两个世界模型构建方式相同，而两家公司都没有把这一点作为主打。PAN 2 是基础模型研究院的290亿参数开放权重世界模型，于2026年10月7日作为 Apache-2.0 检查点发布，推理和训练代码随后于11月5日发布，并于11月10日在 vLLM-Omni 中获得 Day-0 服务支持。Genie 4 是 Google DeepMind 的实时交互式世界模型，于2026年10月27日发布，它能根据文本描述生成可探索场景，让你用键盘操控，同时原生音频同步播放。把它们并排放在一起，预期的对比——开放权重对研究预览、二十秒视频对实时会话——确实存在，但很无聊。真正有趣的是，两者都把思考委托给一个语言模型，而只有 PAN 2 会告诉你用的是哪个语言模型，并允许你更换它。

披露上的这一处差异，比一张基准测试表更有价值，因为它决定了你究竟能否对系统进行推理。一个推理部分未命名的世界模型只是一个产品。一个推理部分有名称且可替换的世界模型则是一种架构。

共同的形态：推理器书写未来，渲染器绘制它

PAN 2 实现了生成式潜变量预测（Generative Latent Prediction），这一模式在 《世界模型批判》（arXiv 2507.05169）中得以形式化。一个概念推理器——任何遵循指令的语言模型——读取当前观测和所请求的动作，并将下一个世界状态写为结构化、以时间为基准的描述：事件按顺序排列，每个动作绑定到执行它的行动者，外加相机运动。一个冻结的 Qwen3.5-9B 文本编码器将该描述转换为条件特征。一个在数亿个带标注视频上从零训练的 29B 多模态扩散 Transformer 补全描述未展开的感知细节，而 Wan 2.2 VAE 将结果解码为帧。

Google 对 Genie 4 的公开描述呈现的是同样的分工，只是换了产品名称。Gemini Omni 将模拟建立在逼真的外观和行为之上；其他 Gemini 模型为连贯性和连续性提供推理；Gemini 3.8 Flash 则充当引导智能体，负责观察场景、规划步骤并检查进展。最后一个角色是循环内验证器——一个语言模型，监视世界模型并使其不偏离任务。Google 还将 Genie 4 与 Gemini 4 Argon 搭配用于多步骤机器人模拟，其中包括演示 Apptronik Apollo 人形机器人下跳棋。

所以在两个技术栈里，像素都是廉价、快速的那一半，而语言模型是决定应该发生什么的那一半。这正是该领域在 2026 年悄然趋同的形态：世界模型不是带有物理先验的视频生成器，而是规划器加渲染器，而规划器就是一个你可以计量的普通文本模型。

这种趋同正是披露差距之所以重要的原因。IFM 根据模拟计划端到端完成的频率对四个规划器进行了排名——Claude Opus 5.5 第一，中等投入的 GPT-6 Astra 第二，Kimi K3 第三，Qwen3.8-Flash 第四——并公布了排名以及产生该排名的测试框架，同时声明概念推理器按定义是可互换的。Google 点名 Gemini 3.8 Flash 参与其中，这比大多数实验室披露的更多，但对于如何替换它、如何单独定价，或如何衡量另一个模型是否会规划得更好，却什么也没有公布。

批量处理只需二十秒，或由你主导的一次会话

交互模型正好相反，这正是二者不再具有可比性、而开始成为不同工具的地方。

• 输出——PAN 2 每次调用最多返回二十秒的 704×1248 视频，帧率为每秒 24 帧；Genie 4 返回一个实时、持续存在的场景，其分辨率、帧率和时长 Google 尚未公布。

• 控制方式 — PAN 2 接收一个起始帧，以及一段由 prompt-rewriter 技能精炼过的结构化动作描述；Genie 4 接收文本提示，随后接收用于移动和镜头的连续键盘输入。

• 音频——PAN 2 没有音频功能；Genie 4 在生成视觉内容的同时，还能生成环境音、类似音乐的音频以及可交互的角色对话，Google 称这是实时世界模型中的首创。

• 批量行为——PAN 2 是一个批量预言机：一次调用，一段片段，调用内部没有反馈；Genie 4 则是一个闭环，你在第三秒的输入会改变第四秒。

• 成本——PAN 2 文档记录的默认配置是八块 H200，采用 BF16；一套 vLLM 方案可在四块 B300 上把 13 秒的 704×1248 视频跑到约 119 秒；Genie 4 没有标价，因为无法自助接入。

• 获取权限——PAN 2 的权重总计 86.17 GB，分布在采用 Apache-2.0 许可的六十个文件里，无需审核即可获取；Genie 4 是面向受信任测试者的研究预览版，并明确说明了一条路径：通过候补名单面向 AI Ultra 订阅用户开放，以及通过 Gemini API 和 Google AI Studio 面向抢先体验合作伙伴开放。

读完那份清单，实际答案就泾渭分明。如果你想问上几千遍“如果……会怎样”并给答案打分，{{1}}PAN 2{{/1}} 是两者中唯一可以在你控制的循环中调用的。如果你想探索、引导并倾听，{{2}}Genie 4{{/2}} 是两者中唯一至少还提供一个场所的——而且你很可能还进不去。

Google 未发布的规格表

Genie 4 发布公告最引人注目的是它略去的那份清单有多长：没有分辨率，没有帧率，没有参数规模，没有价格，没有实测的场景一致性时长，也没有带具名基线的基准测试。谷歌实际公布的是一组承认：一致性只能在短时段内保持，而在较长运行、复杂编辑之后或导航过程中，视觉细节和物体恒常性可能会漂移。复杂物理交互、音频准确性、世界内可读文本、空间准确性和长期一致性被列为开放研究问题。每个输出都带有 SynthID 水印。

这些都不是在回避问题。这正是研究预览应有的诚实形态，而且把漂移列为未解决问题，比大多数发布文章做得更多。但这意味着读者无法从 Genie 4 计算出任何东西：既算不出每美元能生成多少片段，也算不出每 GPU 多少秒，更算不出一场景在多久后变得不可用。买家最想要的那个数字——一次会话能保持连贯多久——恰恰是公告只做了定性描述、没有量化的那个。

PAN 2 用更差因而更有用的数字回答了同一个问题。其模型卡指出，约三分之二的模拟计划包含至少一个未执行的步骤。它表示，在长时间交互中，外观会跨片段漂移，因为每个片段最多只基于一个起始帧加文本进行模拟，并把感知记忆列为缺失环节，而非声称该问题已解决。它承认，文本能很好地表达“打开抽屉”，却很难表达“把每根手指放在这里”，这限制了灵巧操作。它给出了一个具体的捷径示例——意面在沥水之前就出现在滤锅里——并承认，模拟本应失败的计划，用模型卡的话说，尚未被测量。

最后那句承认，才是任何世界模型进入产品规格时都应附带的说明。一个只能渲染成功的模拟器，是看似合理结果的生成器，而不是坏结果的过滤器；而模拟推理的全部前提——模拟若干候选方案、比较、并按最优方案行动——都取决于模型能否向你展示某个方案失败。PAN 2 明确表示它尚未就此进行测试。Genie 4 则没有明确说明。

故障转移并非这两个模型中任何一个的功能，而它恰恰是你所需要的功能。

这两个系统都是研究产物，指向的是一个将由有生产截止期限的团队解决的问题，而这两者之间的差距，正是路由层能够体现价值的地方。PAN 2 技术栈中渲染器的那一半是你的硬件，而且永远都会是——OrcaRouter 不托管 PAN 2，也无法路由它，任何目录都无法路由一个你在自己节点上运行的 290 亿参数扩散 Transformer。可路由的是决定模拟什么的那一半，因为那一半是普通的按量计费文本工作。

IFM 排名中的全部四个规划器都已收录在 OrcaRouter 目录中：Claude Opus 5.5、GPT-6 Astra、Kimi K3 和 Qwen3.8-Flash。因此，推理器槽位是 PAN 2 流水线中你今天下午无需租用 GPU 节点就能进行基准测试的部分——通过单一密钥将提示词改写器分别指向它们，保持扩散部分固定不变，并统计你的方案存活频率。供应商目录价按 0% 加价透传，因此成本比较依据的是供应商自身的费率，而非我们的费率；自动故障转移还能在扫描中途吸收供应商波动，而不是中止运行。

同一条路线也勉强覆盖了 Genie 4 这一侧。Gemini 3.8 Flash 是 Google 所说的 Genie 4 的闭环引导智能体，而且它可通过同一个目录调用。你无法获得 Genie 4。你可以构建 Google 确实描述过的那部分架构——一个能观察生成帧、规划后续步骤并检查进度的视觉能力模型——并将它指向你确实拥有的世界模型。那不是同一个产品。它是同一个控制层，而且大部分工程工作实际上就位于这一层。

要清楚上面这个排名究竟有多少参考价值：IFM 的排序是在 IFM 自己的任务上、用 IFM 自己的测试框架、对照 IFM 自己的基线测出来的，而且没有人复现过。它只是一份候选名单，不是排行榜。把你自己的提示词在四个候选模型上跑一遍，只需要几个小时，而这是唯一适用于你问题的证据。

任何预算中都值得纳入的另一个数字是 serving 的那个数字。在 flow shift 为 9、每一步 guidance 为 2.5 的情况下，五十个采样器步骤意味着每个片段都要通过一个 29B transformer 进行一百次前向传播，这就是为什么 guidance 必须在各个 rank 之间并行化，而不是顺序执行。一个规划器如果在十步任务中每一步评估五个候选动作，就相当于要处理五十个片段；在已公布的 4×B300 配置下，这会让一个节点忙碌近两个小时，而此前还无法从输出中学到任何东西。模拟推理之所以昂贵，并不是因为模型很大，而是因为这种思路本身是一个循环。

输出、控制，以及各自都不愿谈及的时间长度

这次比较涉及六个维度，其中四个维度与质量完全无关。

• 输出——PAN 2 每次调用最多返回二十秒的 704×1248 视频，帧率为每秒 24 帧；Genie 4 返回一个实时、持续存在的场景，其分辨率、帧率和时长 Google 尚未公布。

• 控制方式 — PAN 2 接收一个起始帧，以及一段由 prompt-rewriter 技能精炼过的结构化动作描述；Genie 4 接收文本提示，随后接收用于移动和镜头的连续键盘输入。

• 音频——PAN 2 没有音频功能；Genie 4 在生成视觉内容的同时，还能生成环境音、类似音乐的音频以及可交互的角色对话，Google 称这是实时世界模型中的首创。

• 循环行为——PAN 2 是批处理式 oracle，一次调用内部没有反馈；Genie 4 是闭环，你在第三秒的输入会改变第四秒。

• 成本基准 — PAN 2 的文档默认配置是八块 H200，采用 BF16；一个方案显示，在四块 B300 上处理 13 秒的 704×1248 视频大约需要 119 秒；Genie 4 没有定价，因为不提供自助访问。

• 获取权限——PAN 2 的权重总计 86.17 GB，分布在采用 Apache-2.0 许可的六十个文件里，无需审核即可获取；Genie 4 是面向受信任测试者的研究预览版，并明确说明了一条路径：通过候补名单面向 AI Ultra 订阅用户开放，以及通过 Gemini API 和 Google AI Studio 面向抢先体验合作伙伴开放。

时长这一行才是决定大多数真实决策的那一行，也是两者最不具可比性的一行。PAN 2 正好给你二十秒，并告诉你它会在不同片段之间发生漂移，因为每一段至多是从一个起始帧加文本模拟出来的。Genie 4 给你一个长度未指定的会话，承认连贯性只在短暂会话中成立，并把长期一致性称为一个开放的研究问题。两者都不会告诉你输出在哪个时长上开始不再可信，而这个数字——不是基准分数——才是流水线真正需要的。

怎样才算得上真正的比较？

还有一点：一项共同任务。没有人让 PAN 2 和 Genie 4 在同一个问题上运行过，而且它们能否做到也并不显然——一个根据说明文字生成固定长度片段，另一个根据提示和键盘生成交互式会话。最接近共同衡量标准的，会是在给定计划下的动作遵循度，而只有 PAN 2 为此发布了评测框架：覆盖六个能力类别的 300 个单动作用例；100 个多步骤任务以 200 条提示和 456 个步骤呈现；在三个随机种子上按步骤完成度和完整计划完成度评分。十三名评审员在一项盲法成对研究中，针对 140 条提示产出了人类偏好数据，将作者方的模型与作者方的基线进行评判。这并不独立。它是可审视的，而这已是次优选择，并且比另一方提供的更多。

所以，选择可以依据现有证据尽可能直白地表述如下。如果你需要一个能够下载、审计、微调并批量查询的世界模型——而且你拥有或能够租用多 GPU 节点——那么 PAN 2 是该类别中最完整的开源发布版本，而它自己的局限性部分正是其中最有价值的一页。如果你需要一个人们可以在其中走动、并且带有声音的世界，而且你愿意等待候补名单，并基于一个没有日期、没有价格的 API 进行构建，那么 Genie 4 是更令人印象深刻的系统，也是背后有分发路径的那个。

要避免的错位，是把二者中的任何一个当作另一个的替代品。Genie 4 的广度并不能证明它能给计划打分；PAN 2 可下载的权重也不能证明它能在你操控时维持场景的连贯性。它们真正共享的，是两家公司各自独立得出的同一套架构——语言模型做决策，扩散模型负责绘制——以及在 2026 年，你仍然只能看清两者中一个的内部。