PAN 2 与 MiniCPM5-2B：一个发布数据，另一个发布提示词

OpenBMB 于 2026 年 9 月 6 日发布了 MiniCPM5-2B，并在发布这个 25.2 亿参数检查点的同时，公布了训练语料库：用于网页预训练的 UltraX-Preview、带有 L0 到 L3 分级管理机制的 UltraData-Code、包含 50 万条智能体样本的 UltraData-SFT-Agent-2609，以及包含超过 8 万条强化学习样本的 UltraData-RL-2609。这是不同寻常的公开之举，也是进行这次比较的正确视角。PAN 2 由 MBZUAI 基础模型研究所悄然发布，没有发布文章，也没有托管端点，它做的事情相近但并不相同：它公开了自己的提示词。该仓库附带一个概念推理器技能，其中包含系统提示词、固定负向提示词，以及一个 token 预算校验器，用于校验其扩散主干所期望的结构化世界状态描述；此外还附带生成该模型所用的训练配置。一个实验室公开了数据，另一个实验室公开了接口。两者都没有同时公开数据和接口，而哪一个对你更有用，完全取决于你试图构建什么。

两项披露，均不完整

MiniCPM5-2B 的数据发布是真实且具体的。模型卡列出了数据集名称、给出了链接，并说明了每个数据集各自的贡献——分层管理的代码数据、智能体 SFT 样本，以及涵盖数学、代码、通用知识和长上下文推理的 RL 样本。但它没有提供的是混合比例、排序、去污流程或每个来源的 token 数。你能看到原料，却看不到配方。

PAN 2 的提示词发布情况则正好形成镜像。说明文字规范已被完整规定：世界状态描述必须包含什么、事件的顺序、动作如何绑定到主体、镜头运动如何表达，以及文本编码器 token 的硬性上限为 1,536、软性目标为 1,480。它没有提供的，是教会模型读懂这些说明文字的语料库——“数亿个以相同格式标注的视频”，既没有数据集卡片，也没有发布。

所以，如果你需要弄清一个小型语言模型为何会有这样的表现，MiniCPM5-2B 能提供更多可用的线索。如果你需要让视频模型生成你所要求的片段，PAN 2 能给你更多。这两个发布版本都比中位水平更透明，而它们也都在透明度变为竞争劣势的那一刻止步。

这些数字，以及它们的价值所在

MiniCPM5-2B 是一个拥有 2,516,756,480 个参数的稠密 Llama 架构模型——排除嵌入层后为 19.8 亿参数，42 层，16 个查询头对 2 个键值头，上下文长度为 131,072 个 token，支持英语和中文。OpenBMB 声称其达到了 2B 级开源最优水平，在其对比集中的平均得分为 53.9，而该集合中最佳更大模型的平均得分为 51.1。各项单独成绩才让这一说法变得有意思：LiveCodeBench v6 为 69.1，AIME 2026 为 86.5，MMLU-Pro 为 70.8，GPQA Diamond 为 70.2，SWE-bench Verified 为 46.4，τ²-Bench Telecom 为 97.1，AA-LCR 为 59.0，NoLiMa 为 68.1。

这些都是厂商在厂商选定的对比集上报告的结果，而这个对比集很能说明问题：它包括 Gemma-4-E2B-it、Gemma-4-E4B-it、Qwen3.5-2B、Qwen3.5-4B、LFM2.5-2.6B 和 LFM2.5-8B-A1B。在 AA-LCR 上，报告出的差距是 MiniCPM5-2B 为 59.0，而 LFM2.5-2.6B 为 5.3，Gemma-4-E2B-it 为 17.0。在 SWE-bench Verified 上则是 46.4，对比 6.0、2.0 和 3.0。这些差距足够大，测试框架的差异无法解释它们，但测试框架仍然是 OpenBMB 的，而且没有人独立复现过该表。

PAN 2 没有那种表格，因为视频世界模型并不像代码和数学那样有共享的评测工具。它取而代之的是一个结构化的局限性部分，比任何厂商基准都更直白：约三分之二的模拟计划至少包含一个未执行的步骤；外观会在不同片段间漂移，因为每个片段最多只从单帧加文本开始；文本动作只能粗略指定灵巧操作；模型可能让模拟在违反物理约束的情况下继续推进，给出的例子是意面在沥水前就出现在滤水篮里。

• 它是什么 —— MiniCPM5-2B：一个 2.52B 的稠密文本模型，面向端侧助手、编程智能体与工具工作流。PAN 2：一个 29B 的扩散 Transformer，可将某一动作的后果渲染为视频。

• 输出 — MiniCPM5-2B：文本。PAN 2：MP4，最长 20 秒，分辨率 704×1248，帧率 24 fps。

• 上下文或时间跨度——MiniCPM5-2B：131,072 个 token，在 OpenBMB 的评测框架上，AA-LCR 为 59.0、NoLiMa 为 68.1。PAN 2：只有一张起始帧加一段说明文字，因此长时间交互会出现漂移，卡片上也已注明这一点。

• 许可证 — MiniCPM5-2B：Apache-2.0，支持英语和中文。PAN 2：其自身权重采用 Apache-2.0 许可，其中 Qwen3.5-9B 和 Wan 2.2 遵循各自的条款。

• 硬件 — MiniCPM5-2B：单张消费级 GPU；模型卡中记录了 vLLM、SGLang 和 llama.cpp 路径以及多芯片后端。PAN 2：在 vLLM 配置方案中默认使用八块 H200；四块 B300 处理十三秒视频约需 119 秒。

设备端宣称与节点级现实的对比

MiniCPM5-2B 的设计目标是在真正重要的方面做到小：不只是参数少，而是提供一条有文档记录的路径，让它能运行在你已经拥有的硬件上。这张卡上附带了 vLLM、SGLang 和 llama.cpp 的快速上手指南，并注明在 llama.cpp 路径中，-c 8192 用于设置上下文长度——这句话只会出现在由真正在笔记本电脑上运行过它的人编写的文档里。它还记录了 FlagOS，这是一个多芯片后端，可让同一套权重在不同加速器上运行。这是一个面向手机、单板计算机和廉价推理设备的部署方案。

PAN 2 的部署叙事在每个维度上都截然相反，原因在于算术，而非草率。五十个采样器步骤，每一步都使用无分类器引导，意味着每个片段都要通过一个 29B transformer 进行一百次前向传播。该方案将引导并行到两个 rank，将序列长度并行到另外两个 rank，然后在 tile 模式下将 VAE patch 并行到四个 rank，因为解码二十秒的 704×1248 本身就是内存难题。你没法在笔记本电脑上跑这个，团队也没有假装可以。

值得注意的是，这两个模型都没有托管在任何地方。MiniCPM5-2B 每月下载量超过一百万，却没有第一方 API；PAN 2 没有 API，而且截至 2026 年 11 月 11 日，其实验室账号只发了一条社交媒体帖子，背后什么都没有——没有端点，没有论文链接，也没有定价。如果你想用其中任何一个，就只能自己部署运行。

规划那一半可以在哪里租到

PAN 2 的架构使其中的一部分可以分离出来，而这正是大多数团队不应自行构建的部分。概念推理器——也就是将一次观察和一项请求动作转换为扩散主干所消费的结构化描述的语言模型——明确可以是任何指令遵循模型。报告根据模拟计划端到端完成的频率对四个模型进行了排名：Claude Opus 5.5、GPT-6 Astra（中等强度）、Kimi K3，然后是 Qwen3.8-Flash。该卡片还指出，任何指令遵循的 LLM 都可以使用，而超出训练分布通常需要手工精炼的提示词。

这让推理器成为一个你会想重新审视的运营选择，而通过路由器重新审视它，比进行四次采购对话更便宜。Qwen3.8-Flash 已在 OrcaRouter 上；一个支持自动故障转移的 API 密钥，让你可以按提供商标价，在多个规划器上运行相同的说明文字生成工作负载，并享受0% 加价直通，然后保留最常完成你的计划的那个。OrcaRouter 不托管 PAN 2——没有可路由的托管版 PAN 2——也不托管 MiniCPM5-2B。渲染器和小模型留在你的硬件上；规划器则是商品化组件。

对于 MiniCPM5-2B，权衡方式有所不同，这一点值得说明。端侧模型的存在正是为了避免按量计费的调用，而一个能在手机上运行的 2B 模型，并不会因为绕开它转而路由到别处而变得更好。如果你的理由是隐私、延迟或离线运行，那么路由就是错误答案，MiniCPM5-2B 才是正确的模型。如果你的理由是成本，那就诚实比较：一个在自身平均基准上得分 53.9 的 2B 模型，要让它在你的任务上达到同等水平，所需的工程时间可能比按量调用一个更大的模型还要多。

每个版本实际上有什么用途

MiniCPM5-2B 是一个肩负明确使命的模型：在其用户关心的基准测试中成为最好的 2B 级开放模型，能够在设备端运行，并附带数据，让社区可以基于它进行构建，而不是绕开它。这是一个成熟的版本，其文档体系反映了多次迭代——三套推理服务栈的快速入门、工具调用章节、cookbook、微调配方，以及多芯片后端。

PAN 2 是一个研究产物，其主张的完整程度实属罕见。它论证道，模拟式推理——即智能体在做出选择之前先想象其候选行动的结果——是一种可以主动构建的能力，而不是一种只能寄望其自行涌现的能力；并且它把这一论证实现为一个两阶段系统，其背后有一套已发表的范式（{{2}}《世界模型批判》{{/2}}{{3}}中提出的生成式潜在预测表述，arXiv 2507.05169）。2026 年 11 月 10 日上线的框架支持让它变得可以运行。当天下午实验室自己的 X 账号上发布的一篇两段话的帖子并没有让它真正发布，此后也再没有其他消息。{{/3}}《世界模型批判》中提出的生成式潜在预测表述，arXiv 2507.05169）。2026 年 11 月 10 日上线的框架支持让它变得可以运行。当天下午实验室自己的 X 账号上发布的一篇两段话的帖子并没有让它真正发布，此后也再没有其他消息。

这两个发布版本没有哪个比另一个更好。它们是对不同问题的回答，是在不同的信心阶段发布的。一个实验室在说：“这是一个你可以信任的小模型，这里就是构建它所投入的东西。”另一个则在说：“这是一个能做新事情系统，这里正是它失败的地方。”只有当你清楚哪句话描述的是你的项目时，对它们进行比较才有用。