PAN 2 在發布公告之前就已具備服務路徑

2026 年 11 月 10 日 16:03 UTC，一個為 PAN 2 文字轉影片與圖像轉影片生成新增首日支援的拉取請求完成合併至 vLLM-Omni。同日 20:55 UTC，第二個拉取請求新增了說明如何提供其服務的指南頁面。PAN 2 是來自 MBZUAI 的 Institute of Foundation Models 的 290 億參數影片擴散 Transformer，而這兩次合併之所以成為重點，原因在於它們到來的順序。Hugging Face 儲存庫可追溯至 2026 年 10 月 7 日，GitHub 儲存庫則可追溯至 11 月 5 日，因此在五週內，該模型唯一的公開痕跡就是儲存庫中介資料。我能找到的第一方聲明，是該實驗室自家的 X 帳號 @IFM_AI 的一則貼文，時間戳為 11 月 10 日 17:00 UTC——在 vLLM-Omni 合併後五十六分鐘，且比指南頁面早了近四小時。貼文寫道「隆重推出 PAN 2：一個用於物理智能的開放基礎世界模型」，附有一段影片，且除了自身之外未連結到任何東西。沒有部落格文章、沒有論文 URL、沒有託管端點、沒有定價頁面、沒有新聞稿。所以服務路徑確實先於公告，而公告到來時，比合併還小：幾百個讚和兩段文字。現有的，是 86.17 GB 的 Apache-2.0 檢查點、一個框架整合，以及一則推文。

實際上線了什麼，順序又是如何？

發生了四件各自獨立的事，而將它們混為一談，正是讓一次低調釋出被誤認為正式發布的原因。

• 權重 — Hugging Face 上的 IFM/PAN2，儲存庫建立於 2026 年 10 月 7 日 23:42 UTC，最後修改於 2026 年 11 月 9 日 21:52 UTC，並有一次提交新增安全檢查器支援，作為 Diffusers 模組化管線元件。六十個檔案，86.17 GB，無存取限制，Apache-2.0。

• 程式碼——github.com/ifm-ai/PAN2，建立於 2026 年 11 月 5 日，並在當天 20:13 UTC 推送了單一提交。這不是那種 README 已失效的研究資料堆：裡面有推論腳本、環境版本鎖定、訓練設定、prompt-rewriter 技能，以及部署、訓練與推論的文件。

• 服務路徑——vLLM-Omni PR #8602，為 Day-0 文字轉影片與圖片轉影片提供支援，已於 11 月 10 日 16:03 UTC 合併；以及 vLLM recipe PR #10126，於同日晚間 20:55 UTC 合併。

• 該聲明——@IFM_AI 於 X，11 月 10 日 17:00 UTC：「推出 PAN 2：一個用於物理智能的開放基礎世界模型。」兩段文字、一支影片，沒有貼文、論文或頁面的連結。

這樣的順序並不尋常，而真正讓它顯得更奇怪、而非更正常的，正是那則公告。通常實驗室會先發布公告、公布權重，接著框架支援會在接下來幾週內陸續到位，同時使用者會提交問題。但在這裡，框架合併先發生，公告在五十六分鐘後才出現，而訓練配方則又在四小時後才到。這個模型短暫生命中最具份量的公開產物仍是一個 pull request，這說明了這次發布是如何進行的：像是給會讀儲存庫的人的一次產物投放，而社群貼文幾乎像是事後才附上的。

儲存庫會告訴你什麼

比大多數發布文章更進一步。PAN 2 是世界模型，而非帶有電影色彩的影片生成器——這項區分是架構性的，而非修辭性的。它實作了《世界模型批判》（arXiv 2507.05169）中所描述的生成式潛在預測模式，並將工作拆成兩部分。概念推理器，也就是任何遵循指令的語言模型，會讀取觀察內容與要求的動作，並將下一個世界狀態寫成結構化、以時間為依據的說明文字：事件按順序排列、動作綁定到行動者、攝影機運動。凍結的文字編碼器會將該說明文字映射為條件特徵。接著，一個 29B 多模態擴散 Transformer，從頭在數億支以相同格式標註的影片上訓練，預測說明文字未涵蓋的感知細節。再由 Wan 2.2 VAE 解碼潛在表示，得到的影片最長可達 20 秒、解析度 704×1248、每秒 24 幀。

已公開的配置具體到足以估算成本。Transformer 配置列出 44 層、32 個注意力頭（每個頭 128 維）、patch 大小 1×2×2、97 個輸入通道與 48 個輸出通道。預設取樣器為 50 步，flow shift 為 9，每一步的 classifier-free guidance 為 2.5。預設長度為 241 幀，約十秒；上限為 481 幀。文字編碼器是 Qwen3.5-9B，凍結且未經修改，而 VAE 是 Wan 2.2 的。兩者皆從各自的儲存庫下載——MBZUAI 不重新散布它們，模型卡也謹慎地註明這一點。

儲存庫裡也附帶了一個 prompt-rewriter 技能，包含系統提示、固定的負向提示，以及一個會依據文字編碼器的 token 預算來檢查說明文字的驗證器：軟性上限為 1,480 個 token，硬性容量為 1,536 個。那是這批釋出內容中最有用的單一產物。它告訴你，模型其實不太能妥善處理自由文字，而團隊也知道這件事。

它不會告訴你的事

幾乎涵蓋了買家會問的所有內容。沒有價格，因為沒有 API。MBZUAI 沒有提供託管端點。也沒有獨立基準：模型卡上的數字是團隊自己的，是在他們自己的測試框架上測得的，而且模型卡對相關條件異常坦率——Physics-IQ Verified 經過正規化，使兩次真實拍攝之間的變異數等於 100，PhyGround 由 Qwen3.8-27B 以五點量表評分，RBench 則是五個任務類別與四個具身類別的未加權平均值。這些都是站得住腳的選擇，但沒有一項是第三方驗證。

人類評估是本次發布中最有力的證據，也是最受限的一項。針對 140 個提示詞進行盲測成對偏好比較——90 個文生影片、50 個圖生影片——由 13 位評審在 1,400 次比較中，依動作遵循、物理與世界一致性評判，Elo 以 Bradley–Terry 擬合，並以 1500 為中心。13 位評審是小規模評審團，而且他們評的是團隊自家模型與基線模型的對比。這比多數實驗室公開的還多。但這不是排行榜。

而限制部分比這類文體的一般寫法更直白：約三分之二的模擬計畫至少包含一個未實際執行的步驟。那單一句話是本次發布中最重要的數字，而它正是發表文章會刻意埋沒的那個數字。

製程配方中的產能數字才是真正的重點

框架支援之所以重要，是因為 recipe 所宣稱的內容，而不是因為加了 logo。vLLM recipe 頁面指出，PAN 2 能在四張 B300 GPU 上以約 119 秒生成 13 秒的 704×1248 影片，做法是跨兩個 rank 使用無分類器引導（classifier-free-guidance）平行化，並跨兩個 rank 使用 Ulysses 序列平行化。預設配置是八張 H200、採 BF16，而文件記載的 serve 指令則在 tile 模式下加入跨四個 rank 的 VAE patch 平行化——這個細節之所以重要，只因為解碼一段 20 秒的 704×1248 影片本身就是個記憶體問題。

對照取樣器設定來看這些數字。五十步且每一步都啟用引導，意味著每個片段都要讓 29B transformer 進行一百次前向傳遞。這就是為什麼該指南以平行而非循序的方式執行引導。這也是為什麼關於 PAN 2 的實際問題不是「它有多好」，而是「一個片段要花我多少成本」，而依照廠商自家配方，答案是一台四 GPU 節點，每十三秒影片要花兩分鐘。沒有人公布過更便宜的配置，而該配方預設八顆 H200，這暗示四顆 B300 的配置是勉強擠出來的，而非寬裕的底線。

如果你想試試看，規劃師就是你可以租用的部分。

PAN 2 的兩階段設計有一個奇特的實際後果。昂貴的那一半——29B 擴散主幹——是你必須自行託管的那一半，因為沒有人把它當作服務提供，而 MBZUAI 也尚未打造一個。便宜的那一半，也就是撰寫結構化世界狀態描述的概念推理器，是一個普通的文字模型，可以是任何遵循指令的模型。

這正是路由器發揮價值之處。PAN 2 報告評估四個推理模型，並依完整計畫完成度排名：Claude Opus 5.5 居首，接著是中等投入的 GPT-6 Astra、Kimi K3，然後是 Qwen3.8-Flash。Qwen3.8-Flash 在 OrcaRouter 上，因此你可以只用一個 API 金鑰驅動 PAN 2 的圖說階段，並具備自動容錯移轉，而不必在擴散模型堆疊旁另外架設第二個本地模型，還能以供應商定價付費，且0% 加價轉嫁。渲染器留在你的 GPU 上；規劃器則不必如此。

請清楚說明那是什麼、不是什麼。OrcaRouter 不託管 PAN 2，也無法路由它——任何地方都沒有可路由的託管 PAN 2。它能做的是，讓世界模型管線的語言部分繼續跑在計量 API 上，同時讓你依自身硬體來衡量影片部分。如果你更想在本地執行這兩個階段，儲存庫也支援這種做法，而 prompt-rewriter 腳本正是為此情況而附帶提供。

什麼情況才算是公告？

三件事，按重要性遞增排列。來自 IFM 或 MBZUAI 的一則貼文、論文或頁面，其中指名 PAN 2 並說明發布日期或版本——11 月 10 日的推文滿足了前半部分，但未滿足後半部分。一個託管的推論端點，這將使成本比較成為可能——可與封閉式影片模型比較，而不是與 GPU 租賃比較。以及由非該模型作者的人所進行的獨立基準測試——由第三方對 Physics-IQ、PhyGround 或 RBench 評分，且使用團隊並未選擇的提示。

至少在這些項目中的第一項完整到位之前，對 PAN 2 的誠實描述是：一個 Apache-2.0 研究產物，具備可運作的服務路徑、有文件記載的提示格式、坦誠的限制章節、一則社群貼文，且背後沒有任何商業方案。這比預印本多，但比產品少。11 月 10 日上線的框架支援並沒有讓它成為正式發布；它只是讓不想為了取得第一幀而修補儲存庫的人也能跑起來。

重點

PAN 2 是罕見情況：工程進度跑在文書作業前面。如果你正在打造代理模擬、機器人評估或物理推理研究，而且手上有四 GPU 節點，權重就在那裡、訓練配方就在那裡，兩階段設計的文件也記載得足以重現。如果你需要每段影片的價格、服務等級協議，或是有供應商可以聯絡，這些目前都還不存在，而 11 月 10 日的那幾次合併也沒有創造出這些東西。這個模型低調推出——如果「推出」這個詞真的能用來形容一個儲存庫、一次合併和一篇兩段貼文的話。它是否終究會以買家認得的方式正式發布，與它是否有效是兩回事，而今天只有其中一個有答案。