PAN 2 對決 Genie 4：兩者都把語言模型放進了迴路，但只有一方會明講出來

2026 年末最有趣的兩個世界模型建構方式相同，而兩家公司都沒有把它當作主打。PAN 2 是 Institute of Foundation Models 的 290 億參數開放權重世界模型，於 2026 年 10 月 7 日以 Apache-2.0 檢查點形式發布，推論與訓練程式碼接著於 11 月 5 日發布，並於 11 月 10 日在 vLLM-Omni 中提供首日服務支援。Genie 4 是 Google DeepMind 的即時互動式世界模型，於 2026 年 10 月 27 日發表，能從文字描述生成可探索的場景，讓你用鍵盤操控，同時原生音訊會同步播放。將兩者並排比較，預期的對比——開放權重對上研究預覽、二十秒影片對上即時工作階段——確實存在，但很乏味。有趣的是，兩者都把思考工作委派給語言模型，而只有 PAN 2 會告訴你是哪個語言模型，並讓你更換。

光是揭露方式上的這一處差異，就比一整張基準測試表更有價值，因為它決定了你究竟能不能對這個系統進行推理。一個推理部分無名的世界模型，是一個產品。一個推理部分有名、且可替換的世界模型，則是一套架構。

共同的形態：推理者書寫未來，渲染者描繪它

PAN 2 實作了 Generative Latent Prediction，此模式形式化於 Critique of World Models（arXiv 2507.05169）。概念推理器——任何遵循指令的語言模型——會讀取當前觀察與所要求的動作，並將下一個世界狀態寫成結構化、具時間依據的描述：事件依序排列，每個動作都綁定到執行該動作的行為者，外加攝影機運動。凍結的 Qwen3.5-9B 文字編碼器會將該描述轉換為條件特徵。一個從頭在數億支標註影片上訓練的 29B 多模態擴散 Transformer 會補足描述未涵蓋的感知細節，並由 Wan 2.2 VAE 將結果解碼為影格。

Google 對 Genie 4 的公開描述，同樣是相同分工，只是換上了不同的產品名稱。Gemini Omni 讓模擬以逼真的外觀與行為為基礎；其他 Gemini 模型提供推理能力，以維持連貫性與持續性；而 Gemini 3.8 Flash 則扮演引導代理，負責觀察場景、規劃步驟並檢查進度。最後這個角色是迴路內的驗證器——一個語言模型監督世界模型，並讓它保持在任務上。Google 也將 Genie 4 與 Gemini 4 Argon 搭配，用於多步驟機器人模擬，其中包括展示 Apptronik Apollo 人形機器人下西洋跳棋。

所以，在兩種堆疊中，像素都是便宜、快速的那一半，而語言模型則是決定應該發生什麼的那一半。這就是該領域在 2026 年悄然匯聚出的形態：世界模型不是帶有物理先驗的影片生成器，而是規劃器加渲染器，而規劃器是一個你可以計量的普通文字模型。

这种趋同正是披露缺口之所以重要的原因。IFM 依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；并连同产生该排名的测试框架一起公布了排名，同时声明概念推理器按定义就是可互换的。Google 表示 Gemini 3.8 Flash 也在回路中，这比大多数实验室披露得更多，却没有公布任何关于如何替换它、如何单独定价，或如何衡量另一个模型是否会规划得更好的信息。

批次作業二十秒，或由你主導的工作階段

互動模型彼此截然相反，而這正是兩者不再能相提並論、開始成為不同工具的分界點。

• 輸出——PAN 2 每次呼叫最多回傳二十秒的 704×1248 影片，幀率為每秒 24 幀；Genie 4 則回傳一個即時、持續存在的場景，其解析度、幀率和持續時間 Google 尚未公布。

• 控制 — PAN 2 採用一張初始影格，加上一段結構化動作說明，並由 prompt-rewriter skill 精煉；Genie 4 則採用文字提示，之後透過連續鍵盤輸入來控制移動與鏡頭。

• 音訊 — PAN 2 完全沒有；Genie 4 在生成視覺畫面的同時，還能產生環境音、類音樂音訊與互動式角色對話，Google 稱這是即時世界模型的首創。

• 批次行為 — PAN 2 是批次式的預言機：一次呼叫、一個片段，呼叫過程中沒有回饋；Genie 4 則是閉環系統，你在第三秒的輸入會改變第四秒的結果。

• 成本 — PAN 2 文件記載的預設配置是八張 H200、採用 BF16；一份 vLLM 配方顯示，十三秒的 704×1248 影片在四張 B300 上約需 119 秒；Genie 4 則沒有價格，因為沒有自助式存取。

• 取得方式——PAN 2 的權重為 86.17 GB，分散於六十個檔案，採 Apache-2.0 授權且無需申請；Genie 4 則是供受信任測試者使用的研究預覽版，官方表示將透過候補名單開放給 AI Ultra 訂閱者，並透過 Gemini API 與 Google AI Studio 提供給早期存取合作夥伴。

讀完那份清單，實際答案就涇渭分明。如果你想問「如果……會怎樣」幾千次並替答案評分，兩者之中只有 PAN 2 能在你控制的迴圈裡呼叫。如果你想探索、操控並聆聽，兩者之中只有 Genie 4 真的提供一個場所——而你大概還進不去。

Google 未公布的規格表

Genie 4 發布消息最引人注目之處，在於它略去不列的清單有多長：沒有解析度、沒有幀率、沒有參數量、沒有價格、沒有實測的場景一致性持續時間，也沒有具名基線的基準測試。Google 實際公布的是一連串承認：連貫性僅能在短暫工作階段中維持，而視覺細節與物體恆存性在較長時間執行、複雜編輯後或移動導覽時可能出現漂移。複雜物理互動、音訊準確度、世界內可辨識文字、空間準確性與長期一致性，都被列為未解的研究問題。每一項輸出都帶有 SynthID 浮水印。

那些都不是在迴避問題。這正是研究預覽版誠實的樣貌，而且把漂移列為未解問題，已經比大多數發布文章做得多。但這意味著讀者無法從 Genie 4 算出任何東西：算不出每美元能換多少片段、每顆 GPU 能換多少秒，也算不出一場景在多久後會變得不可用。買家最想要的那個數字——一次工作階段能維持連貫多久——正是公告只用質性描述、卻沒有量化的那個數字。

PAN 2 用一個更差、因此更有用的數字回答同一個問題。其模型卡指出，大約每三個模擬計畫中就有兩個包含至少一個未執行的步驟。它表示，在長互動中，外觀會在各片段之間漂移，因為每個片段最多只從一個起始影格加上文字模擬而來；它將感知記憶列為缺失的一環，而非聲稱此問題已解決。它承認，文字能很好地表達「打開抽屜」，卻很糟地表達「把每根手指放在這裡」，這限制了靈巧操作。它給出一個具體的捷徑例子——義大利麵在瀝乾前就出現在濾鍋裡——並承認，模擬本應失敗的計畫，用模型卡的話來說，尚未被衡量。

最後那項坦承，正是任何世界模型進入產品規格時都該附上的說明。一個只能呈現成功的模擬器，是看似合理結果的產生器，而不是壞結果的過濾器；而模擬式推理的整個前提——模擬數個候選計畫、比較、再依最佳者行動——取決於模型能否讓你看到某個計畫失敗。PAN 2 明確表示，它尚未針對這一點接受測試。Genie 4 則未表態。

容錯移轉並非這兩款模型的功能，而這正是你需要的功能。

這兩個系統都是研究產物，指向一個終將由背負生產期限的團隊解決的問題，而這兩者之間的落差，正是路由層得以立足之處。PAN 2 堆疊中的渲染器那一半是你的硬體，而且永遠都會是——OrcaRouter 不託管 PAN 2，也無法路由它；沒有任何目錄能路由你在自己節點上執行的 290 億參數擴散 Transformer。可路由的是決定要模擬什麼的那一半，因為那一半是普通的按量計費文字工作。

IFM 排名納入的全部四款規劃器都在 OrcaRouter 目錄中：Claude Opus 5.5、GPT-6 Astra、Kimi K3 與 Qwen3.8-Flash。因此，推理器槽位是 PAN 2 流程中你今天下午就能做基準測試、又不必租用 GPU 節點的部分——只要透過單一金鑰，把提示改寫器分別指向這四款模型，並讓擴散部分保持不變，再計算你的計畫能存活多少次。供應商列表價格以 0% 加成原樣傳遞，因此成本比較採用各家廠商自己的費率，而不是我們的費率；而且自動容錯移轉可在掃描過程中吸收供應商的短暫波動，不會讓整個執行中斷。

同一條路線也涵蓋 Genie 4 這一側，只是範圍有限。Gemini 3.8 Flash 是 Google 描述為 Genie 4 迴圈內引導代理的模型，而且它可透過同一份型錄呼叫。你拿不到 Genie 4。你可以建構 Google 確實描述過的那部分架構——一個具備視覺能力的模型，持續監看生成的影格、規劃下一步並檢查進度——再把它指向你手上確實擁有的世界模型。那不是同一個產品。那是同一個控制層，而大部分的工程實作其實都落在這一層。

要清楚了解上述排名的價值：IFM 的排序是在 IFM 的任務上、以 IFM 的評測框架、對照 IFM 自家的基準所測得，而且沒有人重現過。它只是一份候選名單，不是排行榜。用你自己的提示詞跑過四個候選項目，只需幾小時的工作，卻是唯一適用於你自身問題的證據。

另一個值得納入任何預算的數字，是推論服務的那個數字。五十個取樣步、flow shift 為 9，且每一步的 guidance 為 2.5，代表每個片段都要對 29B transformer 進行一百次前向傳遞，這就是為什麼 guidance 必須跨 rank 平行化，而不是循序執行。一個在十步任務中每一步都評估五個候選動作的規劃器，等於要求五十個片段；在已公布的 four-B300 配置下，這會讓一個節點忙上將近兩小時，而在此之前還沒從輸出中學到任何東西。模擬式推理之所以昂貴，不是因為模型很大，而是因為這個構想是一個迴圈。

輸出、控制，以及各自對時長避而不談的部分

這項比較涵蓋六個面向，而其中四個與品質完全無關。

• 輸出——PAN 2 每次呼叫最多回傳二十秒的 704×1248 影片，幀率為每秒 24 幀；Genie 4 則回傳一個即時、持續存在的場景，其解析度、幀率和持續時間 Google 尚未公布。

• 控制 — PAN 2 採用一張初始影格，加上一段結構化動作說明，並由 prompt-rewriter skill 精煉；Genie 4 則採用文字提示，之後透過連續鍵盤輸入來控制移動與鏡頭。

• 音訊 — PAN 2 完全沒有；Genie 4 在生成視覺畫面的同時，還能產生環境音、類音樂音訊與互動式角色對話，Google 稱這是即時世界模型的首創。

• 迴圈行為 —— PAN 2 是批次式的神諭，單次呼叫內不含任何回饋；Genie 4 則是閉迴路，你在第三秒的輸入會改變第四秒的結果。

• 成本基準——PAN 2 文件記載的預設配置是八張 H200、BF16；其中一項配置方案可在四張 B300 上，於約 119 秒內處理完十三秒的 704×1248 影片；Genie 4 沒有價格，因為沒有自助式存取。

• 取得方式——PAN 2 的權重為 86.17 GB，分散於六十個檔案，採 Apache-2.0 授權且無需申請；Genie 4 則是供受信任測試者使用的研究預覽版，官方表示將透過候補名單開放給 AI Ultra 訂閱者，並透過 Gemini API 與 Google AI Studio 提供給早期存取合作夥伴。

時長那一列，才是決定大多數真實決策的依據，卻也是兩者最難以相比的一列。PAN 2 給你整整二十秒，並告訴你它會在不同片段之間漂移，因為每個片段最多只根據一個起始影格加上文字模擬而來。Genie 4 則給你長度未指定的工作階段，承認連貫性只在短暫的工作階段中成立，並把長期一致性稱為未解的研究問題。兩者都不會告訴你輸出在什麼時長之後就不再可信，而那個數字——不是基準測試分數——才是管線真正需要的。

要怎麼做才能讓這成為真正的比較？

有件事：一個共同的任務。沒有人曾在同一個問題上跑過 PAN 2 和 Genie 4，而且它們能否做到並不明顯——一個從文字說明產生固定長度片段，另一個從提示與鍵盤產生互動式工作階段。最接近共同衡量方式的，會是在所描述計畫下的動作遵循度，而只有 PAN 2 發表了對此的測試框架：橫跨六個能力類別的 300 個單一動作案例、以 200 個提示與 456 個步驟提出的 100 個多步驟任務，並在三個隨機種子上依步驟完成度與完整計畫完成度評分。十三位審查者在 140 個提示上以盲測成對研究產生人類偏好數據，評判作者們的模型相對於作者們的基線模型。那並不獨立。它是可理解的，而這是次佳選擇，且比其他一方所提供的更多。

所以，在證據允許的範圍內，把選擇說得最直白些。如果你需要一個能下載、稽核、微調並批次查詢的世界模型，而且你擁有或能租用多 GPU 節點，那麼 PAN 2 是這個類別中最完整的開源發布，而它自己的限制章節是其中最有價值的一頁。如果你需要的是一個真人可以在裡面走動、有聲音的世界，而且你願意等待候補名單，並基於一個沒有時程也沒有價格的 API 來開發，那麼 Genie 4 是更令人印象深刻的系統，也是背後有發行管道的那一個。

要避免的錯配，是把兩者中的任何一個當成另一個的替代品。Genie 4 的廣度並不證明它能評判一份計畫；PAN 2 可下載的權重也不證明它能在你操控時維持場景的連貫。它們真正共享的，是兩家公司各自獨立得出的架構——由語言模型做決定、由擴散模型來繪製——以及這個事實：到了 2026 年，你仍然只能看進兩者之中其中一個的內部。