PAN 2 对比 SKY-001：一个模拟接下来会发生什么，一个描绘要构建什么

Kimi K3 同时出现在两份发布文档中，时间相隔不过两周，却承担着截然相反的任务。在 PAN 2 的技术报告里，它是概念推理器——那个读取请求并写出结构化、以时间为锚的描述文本的语言模型，再由一个 290 亿参数的扩散 Transformer 将其转化为视频。在 Skyfall 的 SKY-001 表格中，它是基线竞品，被要求自行绘制 CAD 装配体，而它按交并比计算仅复现了参考几何体的 9.5%。一次发布用前沿语言模型来撰写方案。另一次则衡量前沿语言模型在绘图上的失败。这种分野比它们共有的标签更能说明这两个模型。PAN 2 是 MBZUAI 基础模型研究所的世界模型，自 2026 年 10 月 7 日起在 Hugging Face 上提供 Apache-2.0 权重，代码自 11 月 5 日起开放，并于 11 月 10 日发布官方公告；它可根据可选的首帧以及以文本描述的动作，预测最长二十秒的 704×1248 视频。SKY-001 是 Skyfall AI 的工程模型，于 2026 年 10 月 19 日发布，目前仍受等候名单限制，商业部署目标为 2027 年初；它预测可生成 CAD 零件或平面图的绘图操作有序序列。

这两个日期都不是今天，下文也没有任何内容被表述为发布。下面要说明的是：每个模型实际计算的是什么，各自按自己的数字来看弱在哪里，以及你的问题更需要两者中的哪一个。

正在预测两件不同的事情

PAN 2 的链路中包含一个语言模型。一个概念推理器——任何遵循指令的模型——读取观测和请求的动作，并将下一个世界状态写成结构化描述：按顺序的事件、绑定到行动者的动作、相机运动。一个冻结的 Qwen3.5-9B 文本编码器将该描述映射为条件特征。一个 29B 多模态扩散 Transformer 从头在按相同格式标注的视频上训练，预测该描述未确定的潜变量，并以该描述和起始帧的 VAE 潜变量为条件，然后由 Wan 2.2 解码器渲染。默认采样器为 50 步、流偏移 9，每一步使用无分类器引导 2.5，检查点为 86.17 GB，分布在六十个文件中。

SKY-001 的链路中反而包含一种层级结构。Hierarchical Composer 接收一个设计意图——一张图像、一段文本，或一个带有任务书的建筑围护结构——生成整个设计，然后逐层拆分，并并行细化每个叶节点。随后，Construction World Model 预测构建每个叶节点的有序视觉状态序列：在 CAD 中，是一串 3D 实体状态，并在每对相邻状态之间绘制 2D 草图；在 BIM 中，是一张逐笔绘制的平面图。绘制以两遍扩散方式运行：先在来自 Matryoshka 风格自编码器的压缩潜空间中进行粗粒度展开，然后由一个还原全分辨率的细化器处理。两个阶段都是扩散 Transformer；二者都不预测 token。Skyfall 尚未公布参数数量、权重、许可证或 API。

• 预测内容——给定一个动作，PAN 2 将下一个观测预测为像素；给定一个意图，SKY-001 将下一个构建状态预测为实心或描边。

• 时间如何介入——PAN 2 依赖物理时钟运行，默认 241 帧（约十秒），在 24 fps 下最多可达 481 帧（二十秒）；SKY-001 则依赖一种程序化顺序运行，每个 CAD 构件约 100 个绘制步骤，每张平面图约 70 个，其中任何地方都没有物理时钟。

• 是否声称涉及物理——PAN 2 直接按物理合理性评分；SKY-001 的材料完全没有作出任何动力学方面的声明，因为它所绘制的是一个设计，而非运动。

• 你得到的结果——一个可以观看的 MP4，对比一个需要对照参考形状按 IoU 评分的几何体。

• 权重 — PAN 2 的 Apache-2.0 下载；SKY-001 未发布任何内容。

• 价格 — 可为 PAN 2 灵活配置 GPU 时长；SKY-001 则采用等候名单。

两者都是两阶段的，而瓶颈所在的位置不同

共同的工程押注是：把任务拆开。一个阶段专注于结构——对应该发生什么给出有序描述——第二个阶段填补该描述留下的细节。PAN 2 用一个说明文字加一个扩散主干来实现。SKY-001 用子目标层级加每个叶节点的构建模型来实现。把这两个发布并排放在一起，有意思的问题就不再是哪种架构更好，而是哪个阶段才真正在让你付出成本。

对于 PAN 2 而言，这个角色是规划器，报告中也两次这样说明。在 Physics-IQ Verified 上——这是一个经过归一化的图像到视频基准，使同一场景的两段真实拍摄之间的分差计为 100 分——由 Claude Opus 5.5 撰写说明文字时，PAN 2 达到 93.2 ± 0.8；在其系统默认设置下则达到 90.9 ± 0.4，测试覆盖种子 123 到 126。更换撰写说明文字的语言模型，会使分数在百分制上移动 2.3 分，而在这个百分制中，满分意味着与真实影像无法区分。同样的模式也体现在模型卡的限制部分：约三分之二的模拟计划包含至少一个未执行的步骤；智能体案例研究依赖人工精修过的提示词；灵巧动作，例如每根手指与物体的接触位置，在文本中仅被粗略指定；说明文字则按 1,480 个 token 的软限制和 1,536 个 token 的硬容量进行校验。渲染器并不是报告中指出的问题。描述场景的那句话才是。

对于 SKY-001，规划器没有作为单独阶段进行测量，因此报告的瓶颈是渲染器。在 Skyfall 的 CAD 构建基准测试中——从 Jaguar E-Type Roadster、FANUC ArcMate 100iB 焊接机械臂和 Bell 222 直升机等对象中采样 1,000 个组件，每个组件大约需要 100 个绘图步骤——SKY-001 以平均 IoU 复现了 79.7% 的参考几何，而 GPT-6 Astra 为 79.1%，Gemini 4 为 76.9%。在 BIM 基准测试中，1,000 张平面图每张约需 70 个绘图步骤，它达到 43.6%，而 Gemini 3.8 Flash 为 42.3%，GPT-6 Astra 为 40.6%。0.6 个百分点和 1.3 个百分点的优势是架构层面的领先。绝对数值还不到半张平面图。

把两份文件放在一起读，并且只关注各厂商自己报告中的相对量级，那么在任一份文件里，规划器都是更大的杠杆。更换 PAN 2 的字幕写入器所带来的变化，比 SKY-001 相对于其最接近的竞争对手的整个架构优势还要大。这些基准测试各不相同，分数也不具可比性；关键在于每个团队自身的方差究竟落在哪里。

这些基准测试不共用测试框架、评判器或基线策略。

PAN 2 有四种报告方式，其中三种涉及他人的判断。Physics-IQ Verified 是一个带有排行榜设置的公开基准，PAN 2 的条目使用 Claude Opus 5.5 作为推理器，而系统默认列则运行每个竞争方自己的流水线，按 IFM 驱动它的方式来运行。PhyGround 是由 Qwen3.8-27B 评判的五分制量表，也就是说，这是另一个模型的意见，而非物理测量；PAN 2 在报告中给出的两个配置上分别得分 3.98 和 4.11。RBench 是五个任务类别和四个具身类别上的未加权平均值乘以 100，PAN 2 在此得分 83.7 和 73.5。闭源模型基线带有匕首标记，因为它们各只生成了一次，而不是在多个随机种子上生成。还有一项盲测人类研究：140 个提示、13 名评审、1,400 次成对比较，拟合到 Bradley–Terry 模型，Elo 以 1500 为中心，并给出 95% 置信区间。还有 IFM 自己的测试框架——300 个单动作测试用例，分为 201 个图像到视频和 99 个文本到视频，覆盖六种能力，另有 100 个多步自我中心任务，以 200 个提示和 456 个步骤呈现，报告为三个随机种子上的均值 ± 标准差。

SKY-001 有两种报告方式，二者都出自 Skyfall，二者都以 IoU 对照参考形状评分，且二者中的竞争模型都是由 Skyfall 通过单样本提示驱动的。所有这些数据都没有误差棒，也没有任何第三方复现过其中任何一个数字。仔细阅读这些表格，会发现三件在你引用它们之前值得了解的事。

首先，厂商自己的页面彼此不一致。产品页面上的 3D CAD 面板显示，SKY-001 为 76.1%，GPT-6 Astra 为 73.4%，Claude Opus 5.5 为 61.8%，Gemini 3.8 Flash 为 45.9%，Qwen 3.8 Max 为 26.6%，Kimi K3 为 6.5%。施工基准测试报告的则是 79.7% 对 79.1%。任务不同，分数不同，但两边用的是相同的模型名称——而提升了 PAN 2 的 Physics-IQ 数值的推理模型 Claude Opus 5.5，只出现在其中一个中。

其次，速度倍数在同日发布的三份文件中出现了三种说法：博客图表中为51×，产品页面上为49×，新闻稿中为100×。算术上可以确定——199秒除以3.9等于51.0——但这说明这些关键数字是由不同的人写的，他们并没有比对各自的工作。

第三，成本列没有解释。Skyfall 报告每例 CAD 病例为 $0.005、每个计划为 $0.0024，却没有说明这是标价、租用 GPU 的时间，还是自托管推理的摊销成本。这是三种不同的说法，而对于 Skyfall 自己运行而非调用的模型，这一区别最为重要。

这些都不意味着 SKY-001 的效率叙事是错的。相对于最强竞争对手，在准确率持平的情况下，拥有 51 倍速度优势和 150 倍成本优势，这是一个关于真实工作负载的真实主张。这只会让它处于未经验证的状态，而这是另一回事。

运行需要多少成本，以及其中有多少是可知的

PAN 2 的算力以一份你可以自行估价的方案发布。默认部署是八块 H200，采用 BF16，无分类器引导拆分到两个 rank，Ulysses 序列并行跨两个 rank，VAE 解码按四个 tile 分片。该服务方案报告称，在四块 B300 上，大约 119 秒可生成 13 秒的 704×1248 视频。没有每秒标价，因为 IFM 不运营托管端点；你关心的数字是你的提供商对 GPU 的收费，乘以你实际生成的每个片段的秒数。

SKY-001 的算力没有以任何可用于定价的形式公布。没有参数数量，没有硬件说明，没有吞吐量数据，也没有端点。存在的只有一项构成未披露的按案例计价的厂商成本，以及一份等候名单表单。

这种不对称性对这场比较的决定作用，比基准测试差距更大。其中一个模型今天下午就能在你自己的数据、自己的硬件上进行基准测试，而且成本可以预测。另一个则只能读读相关介绍。

两种技术栈中，你今天就能租到的唯一部分

PAN 2 和 SKY-001 都不在 OrcaRouter 上，也都无法通过它进行路由：PAN 2 是一个需要你自己部署的 86 GB 检查点，而 SKY-001 没有可供调用的 API。PAN 2 流水线中属于常规托管模型的部分是第一环——将你的请求转化为世界状态描述的概念推理器。IFM 按完整计划完成度评估了其中四款：Claude Opus 5.5、中等强度下的 GPT-6 Astra、Kimi K3 和 Qwen3.8-Flash，并指出任何指令遵循模型都可以使用。Qwen3.8-Flash 已在 OrcaRouter 目录中，这意味着 PAN 2 部署的描述生成阶段只需一个密钥即可运行，并按 0% 加价透传提供商目录价，且具备自动故障转移能力：如果某家提供商在一批计划执行到一半时性能下降。这值得在扩散阶段之前而不是之后进行配置：规划器正是实测方差所在之处，因此在这个阶段，值得用你自己的提示词让更便宜的模型和第二家提供商相互对照测试。

你实际上在纠结哪个问题？

如果你需要的正是对某个动作会在接下来几秒内对场景造成什么影响作出像素级预测——无论是给一个想在做出选择前先想象结果的智能体，还是给一条物理规律必须成立的视频流水线——那么在这两者中，PAN 2 就是为此打造的，而且你现在就能用上它。要为 caption 阶段和护栏留出预算：IFM 发布了一个单独的护栏仓库，它在生成前用 Qwen3Guard-Gen-4B 筛查请求，在生成后用 Q16 帧分类器筛查输出；在其内部评估中，这一组合将有危害的文本到视频请求中产生不安全视频的比例从 33.9% 降到 1.5%，同时也拦截了 11.5% 的良性文本到视频请求和 3.3% 的良性图像到视频请求。一个会让你每九个良性请求就损失一个的安全层，是实实在在的生产成本，而不是脚注。

如果你需要的是把设计意图转化为 CAD 或 BIM 几何体，那么 SKY-001 是两者中唯一瞄准这一目标的那一个，而你无法获得它。如今诚实的替代方案，是把前沿语言模型接入你的 CAD 工具链——而这正是 SKY-001 自己的表格所衡量的配置，根据模型和任务不同，IoU 为 9.5% 到 42.3%。这就是为什么等候名单在做的是真正的工作，而不是营销工作：替代方案不是竞争对手，而是一个更差的数字。

如果你需要的是物理引擎，那两者都不是。PAN 2 的仿真是预测，它的说明卡上明确这么写了，而且它自己列出的局限中就包括：仿真在推进的同时违反物理约束——面条还没沥干就已经出现在滤锅里。SKY-001 绘制设计，并且在任何地方都没有声称具备动力学。把两者中的任何一个称为世界模型，按这两个团队使用该术语的意义来说是准确的，而按游戏引擎使用该术语的意义来说则具有误导性。

值得关注的不是下一个基准测试，而是这两家公司之外的任何人能否复现出某个数字：Skyfall 是否会公布 IoU 协议及其每例数字背后的成本核算，以及 PAN 2 的默认流水线与它最佳推理器之间的性能差距，在接触没人手工精炼过的提示词后是否仍然成立。两者都关乎同一个阶段——在任何内容被绘制出来之前，决定应该发生什么的那个阶段。