PAN 2 對上 Qwen3.8-27B：對手早已在模型內部

大多數模型比較都有清楚的界線：兩個檢查點、兩家廠商，選一個。這個比較沒有，因為 Qwen 同時透過三個管道參與 PAN 2 的運作。PAN 2 將 Qwen3.5-9B 載入作為其凍結的文字編碼器，這個元件負責把結構化的世界狀態描述轉換成其 290 億參數擴散 Transformer 所消費的條件特徵。PAN 2 自家技術報告中的 PhyGround 分數，是由 Qwen3.8-27B 評判的，而本頁表面上正是拿它與這個模型相比。此外，Qwen3.8-Flash是該報告為了撰寫 PAN 2 的描述而進行基準測試的四個概念推理器之一。所以，誠實的框架並不是 PAN 2 對上 Qwen3.8-27B。而是：一個來自 MBZUAI 基礎模型研究所、低調發布且從未舉辦過發表會的影片世界模型，站在 Qwen 元件之上，部分由 Qwen 評判員評分，並與阿里巴巴一個 270 億參數、本身即為完整產品的視覺語言模型相比。真正有趣的問題是：當你在選擇要部署什麼時，這些關係當中哪些才是你該在意的。

共享 DNA 代表什麼、又不代表什麼

這並不代表這兩個模型可以相互比較。PAN 2 輸出影片；Qwen3.8-27B 輸出文字。共用編碼器並不會改變這一點，而且沒有任何基準測試能將它們相互排名。任何提出正面對決分數的人，呈現的都只是一種印象。

它真正的意思是，這項比較對於判斷來源出處格外具有參考價值。當 PAN 2 讀取你的字幕時，它是透過一個 Qwen 編碼器來讀取，而該編碼器是 MBZUAI 從自家儲存庫原封不動下載的；模型卡也明確指出，Qwen3.5-9B 的權重是按發布版本使用，並未經 MBZUAI 微調。提示驗證器所強制執行的 token 額度——軟性上限 1,480 個 token，硬性上限 1,536 個——是 Qwen3.5-9B 的額度，不是 PAN 2 的。而當報告聲稱某個 PhyGround 數值時，該數值是要求 Qwen3.8-27B 以五點量表為生成的影片評分而得出的。評審就是競爭對手。

那不是醜聞。使用強大的開源模型作為自動評分器是標準做法，而且公開披露這一點，比大多數實驗室做得更好。但這確實意味著 PAN 2 的證據鏈在三個不同環節上都經過阿里巴巴的模型家族；如果你正在評估 PAN 2，你應該知道它的哪些數字是對 PAN 2 的測量，哪些是 Qwen 眼中的 PAN 2 的測量。

Qwen3.8-27B，以自身的方式

阿里巴巴的模型則完全是另一種物件：一個擁有 270 億參數、配備視覺編碼器的因果語言模型，建構於 Qwen3.5 架構之上，採用混合式佈局——每三個 Gated DeltaNet 區塊後接一個 Gated Attention 區塊，如此重複十六次，共 64 層，隱藏維度為 5,120，填充後詞彙表大小為 248,320 個 token。原生上下文長度為 262,144 個 token，可延伸至一百萬。它採用 Apache-2.0 授權，於 2026 年 8 月 5 日上架 Hugging Face，每月下載量達 740 萬次。

廠商公布的數字很強勁，而這張模型卡是開放權重領域中較完整的之一：GPQA Diamond 89.2、HLE 30.8、LiveCodeBench v6 90.3、SWE-bench Pro 61.7、Terminal-Bench 2.1 為 73.0、OSWorld-Verified 84.3、OmniDocBench 1.5 為 91.1、CharXiv reasoning 83.7、IFBench 79.5、CoWorkBench 70.7。在 MathVision 上，它回報未使用思維鏈時為 90.0，使用時為 94.6。這些是阿里巴巴自家的評估，對比的是阿里巴巴自家的基準，而這正是本站每張廠商表格（包括 PAN 2 的）都適用的同一項但書。

• 模態 — Qwen3.8-27B：輸入文字、圖像與影片；輸出文字。PAN 2：輸入可選的首幀加上結構化說明文字；輸出 MP4。

• 規模 — Qwen3.8-27B：27B 稠密模型，64 層，約 278 億個 safetensors 參數。PAN 2：一個 29B 擴散 Transformer，BF16 下為 67.37 GB，外加一個凍結的 Qwen3.5-9B 編碼器（15.87 GB）與一個 Wan 2.2 VAE。

• 背景 — Qwen3.8-27B：原生 262,144 個 token，最高可達一百萬。PAN 2：單一說明文字上限為 1,536 個文字編碼器 token，以及一個起始影格。

• 授權 — Qwen3.8-27B：Apache-2.0。PAN 2：其自身權重採用 Apache-2.0，第三方元件則依其各自條款。

• 服務 — Qwen3.8-27B：Transformers、vLLM、SGLang、TokenSpeed，以及阿里巴巴列為即將推出的託管 Qwen Cloud 端點。PAN 2：Diffusers、vLLM-Omni 與該儲存庫自帶的 generate.py，在你的硬體上執行，且完全不託管於任何地方。

為什麼編碼器選擇是 PAN 2 卡片中最關鍵的一行

凍結一個 9B 文字編碼器、只訓練擴散主幹，是一項站得住腳的工程決策，而這也正是 PAN 2 的擴散部分之所以是 29B 而非 40B 的原因。它同時也為 PAN 2 能接收什麼樣的資訊設下了硬性上限。概念推理器寫出一段描述文字；Qwen3.5-9B 將其映射為特徵；擴散模型再依據這些特徵進行渲染。凡是 Qwen3.5-9B 無法表徵的東西，無論描述文字寫得多好，PAN 2 都無法模擬。

這說明了模型卡上明載、但多數讀者會略過的一項限制：模型對提示詞的措辭很敏感；超出訓練分布的範例得仰賴人工精修的提示詞；文字動作對靈巧操作只能粗略指定。這不是三個彼此獨立的問題。它們是同一個問題的三種面向——語言描述與固定文字編碼器之間的介面，而其中一端是 1,536 個 token 的預算與凍結的詞彙表。

將這與 Qwen3.8-27B 處理同一項工作的方式相比。它是推理器與編碼器合而為一，具備 262,144 個權杖的視窗、可依請求停用的原生思考控制、reasoning_effort 參數，以及用於跨輪保留推理脈絡的 preserve_thinking。如果你的任務是把場景與計畫描述得足夠詳細，讓下游能據此行動，那麼 Qwen3.8-27B 正是為此打造，而 PAN 2 則是用來消費其輸出。它們不是爭奪同一位置的競爭者；一個位於另一個的上游。

比較表上沒有人會列出的部署不對稱

Qwen3.8-27B 是一個大型模型，運作起來就像一般的大型模型。以 BF16 精度計算，兩千七百億個參數大約是 55 GB 的權重，這能放進單一張 80 GB 的加速器，還有空間容納 KV 快取；而且這張卡列出了四種 serving stack，另外還有一個 OpenAI 相容的託管端點即將推出。你決定採用的當天下午，它就能開始回應請求了。

PAN 2 共有六十個檔案、總計 86.17 GB，而服務成本是以節點分鐘來計算。五十個取樣器步數，且每一步都套用無分類器引導，等於每個片段都要對 29B transformer 做一百次前向傳遞。vLLM 方案的主打賣點是在四顆 B300 GPU 上，以約 119 秒生成 704×1248 影片，其中引導平行化到兩個 rank，Ulysses 序列平行化到另外兩個 rank；其預設配置是八顆 H200、BF16，並在 tile 模式下將 VAE patch 平行化到四個 rank。儲存庫自帶的推論腳本則更簡單、也更吃資源：每顆 GPU 一個 worker，各自持有完整一份 67.37 GB 的 transformer，各自處理每第 N 個 prompt。

把這兩者放在一起比較，實際結論並不接近。一次 Qwen3.8-27B 呼叫是一個請求。一段 PAN 2 短片則是一項附帶 GPU 預約的批次作業。如果你只要產出一次二十秒的影片，PAN 2 需要花一個下午設定，再加上三分鐘渲染。如果你要模擬一千個方案，你買的是節點上的時間，而真正重要的比較對象是其他影片世界模型，不是語言模型。

兩者真正交會的唯一地方

PAN 2 的預定用途是模擬推理：代理會想像每個候選行動的結果，然後選定最佳方案。這個迴路需要一個能生成候選行動的規劃器，以及一個能呈現其後果的模擬器。Qwen3.8-27B 是可信的規劃器——在 IFBench 上以 79.5 展現強大的指令遵循能力，在 CoWorkBench 上以 70.7 展現長時程辦公工作能力，在 Terminal-Bench 2.1 上以 73.0 展現代理式終端編碼能力——而且它已在這個迴路中，因為 MBZUAI 曾將它作為四名說明文字撰寫者之一，用以評判 PhyGround 和 Qwen3.8-Flash。

如果你要建立那套迴路，規劃器是你能按 token 付費購買的那一部分，模擬器則是你買不到的那一部分。Qwen3.8-27B 已上架 OrcaRouter，因此只要一組 API 金鑰，就能換來一個規劃器：具備自動容錯移轉、可指定各類請求導向何處的路由規則，以及以供應商定價零加價原樣轉嫁——包括阿里巴巴在其降價當天同步落地的調降。OrcaRouter 並不代管 PAN 2，也無法為它路由；沒有人代管 PAN 2。這樣的分野並非路由器的限制，而是市場的樣貌：代管的語言模型已是商品，代管的影片世界模型則尚不存在。

還有第二個較不顯眼的原因，說明為什麼規劃器該採用路由，而不是固定綁定。PAN 2 的報告依完整計畫完成度替四個推理模型排名，而這個排名並不是多數人會猜到的順序——Claude Opus 5.5 第一，GPT-6 Astra（中等投入）第二，Kimi K3 第三，Qwen3.8-Flash 第四。那個順序是在 MBZUAI 的提示詞上，依他們的說明文字政策與驗證器測得的。你的結果會不同。能夠不必重新改造你的技術堆疊就能重跑這項比較，這比其中任何單一模型選擇都更有價值。

這個比較該怎麼辦

如果你是來這裡挑一個的，老實說，這個問題本身就問錯了。Qwen3.8-27B 是通用視覺語言模型，你今天就能在單一加速器上部署，或下週按 token 租用。PAN 2 則是會帶來實際後果的研究產物，需要多 GPU 節點，沒有託管端點，而且截至 2026 年 11 月 11 日，它的作者從未正式發布過它——實驗室 X 帳號上一篇兩段式的貼文就是全部的發布公告。它的 Hugging Face 儲存庫可追溯至 10 月 7 日，GitHub 儲存庫則為 11 月 5 日，而發生在它身上最重大的公開事件，是 vLLM-Omni 的 Day-0 支援於 11 月 10 日合併。

真正值得做的比較範圍其實更窄。如果你的管線需要一個規劃器，Qwen3.8-27B 是個強健、文件齊備、Apache-2.0 的選擇，而這個決定屬於路由決策。如果你的管線需要在執行動作之前先看清這個動作會帶來什麼結果，PAN 2 是極少數嘗試做到這件事的開放權重模型之一；無論你留意與否，它都會跑在 Qwen 的元件上；而對它能力最誠實的總結，就是它自己在「限制」章節裡的那句話：大約每三個模擬計畫中，就有兩個包含至少一個並未實際執行的步驟。那才是你該據以規劃的數字，也是這整份比較中唯一一個沒有任何 encoder、judge 或 router 能替你改善的數字。