PAN 2 對 SKY-001：一個模擬接下來會發生什麼，一個描繪要建造什麼

Kimi K3 出現在兩份發布文件中，時間都在同一兩週內，卻扮演相反的角色。在 PAN 2 的技術報告中，它是概念推理器——這個語言模型會讀取請求，並寫出結構化、以時間為依據的說明文字，再由 290 億參數的擴散 Transformer 將其轉化為影片。在 Skyfall 的 SKY-001 表格中，它是基準競爭對手，被要求自行繪製 CAD 裝配體；以交集除以聯集（IoU）衡量，它重現了 9.5% 的參考幾何。其中一個發布使用前沿語言模型來撰寫計畫；另一個則衡量前沿語言模型在繪圖任務上的失敗。這種分野比它們共有的標籤更能作為理解這兩個模型的指引。PAN 2 是 MBZUAI 旗下基礎模型研究所（Institute of Foundation Models）的世界模型，自 2026 年 10 月 7 日起在 Hugging Face 上提供 Apache-2.0 權重，程式碼自 11 月 5 日起釋出，並於 11 月 10 日發布官方公告；它能從可選的首幀加上以文字描述的動作，預測長達二十秒的 704×1248 影片。SKY-001 是 Skyfall AI 的工程模型，於 2026 年 10 月 19 日發布，目前仍處於候補名單階段，目標於 2027 年初進行商業部署；它會預測產生 CAD 零件或平面圖的有序繪圖操作序列。

兩個日期都不是今天，以下內容也沒有任何一項被包裝成發布。接下來要說明的是每個模型實際計算了什麼、各自依其自身數字來看弱在哪裡，以及你的問題需要的是這兩者中的哪一個。

正在預測的是兩件不同的事情

PAN 2 的鏈路中包含一個語言模型。一個概念推理器——任何遵循指令的模型——會讀取觀察結果與所請求的動作，並將下一個世界狀態寫成結構化說明文字：事件依序排列、動作綁定到行為者、相機運動。一個凍結的 Qwen3.5-9B 文字編碼器會將該說明文字映射為條件特徵。一個 29B 多模態擴散 Transformer 從頭開始，在以相同格式標註的影片上訓練，會預測說明文字未交代的潛在表示，並以該說明文字與起始影格的 VAE 潛變量為條件，再由 Wan 2.2 解碼器將其渲染出來。預設取樣器為 50 步、flow shift 9，且每一步都使用 classifier-free guidance 2.5，而檢查點共 86.17 GB，分佈於六十個檔案中。

SKY-001 的鏈反而具有階層結構。Hierarchical Composer 接收設計意圖——一張圖像、一段文字，或一個附有設計任務書的建築外殼——產生完整設計，再逐層拆分，並平行細化每個葉節點。接著由 Construction World Model 預測構建每個葉節點的有序視覺狀態序列：在 CAD 中，是一連串 3D 實體狀態，並在每對相鄰狀態之間繪製 2D 草圖；在 BIM 中，則是逐筆繪製的平面圖。繪製以兩階段擴散執行：先在由 Matryoshka 式自編碼器壓縮的潛在空間中進行粗略展開，再由精修器還原全解析度。兩個階段都是擴散 Transformer；兩者都不預測 token。Skyfall 尚未公布參數量、權重、授權條款或 API。

• 預測的是什麼——PAN 2 在給定動作的情況下，將下一個觀察預測為像素；SKY-001 則在給定意圖的情況下，將下一個建構狀態預測為實體或筆畫。

• 時間如何進入——PAN 2 依據實體時鐘運作，預設為 241 幀（約十秒），在 24 fps 下最多可達 481 幀（二十秒）；SKY-001 則依程序性順序運作，每個 CAD 元件約有 100 個繪製步驟，每張平面圖約 70 個，其中完全沒有實體時鐘。

• 是否聲稱物理表現——PAN 2 直接以物理合理性評分；SKY-001 的資料完全沒有提出任何動力學主張，因為它所描繪的是設計，而非運動。

• 你會得到什麼輸出——一段可觀看的 MP4，對比於你會用 IoU 對照參考形狀來評分的幾何。

• 權重 — PAN 2 提供 Apache-2.0 授權的下載；SKY-001 則尚未發布任何內容。

• 價格 — 可為 PAN 2 調整規模的 GPU 時間；SKY-001 則為候補名單。

兩者都是兩階段，而瓶頸所在的位置不同

共同的工程押注是：把工作拆開。一個階段負責確定結構——對應該發生什麼的有序描述——第二個階段則補上該描述留下未定的細節。PAN 2 用一段說明文字和擴散主幹來做到這件事。SKY-001 則用子目標階層，以及每個葉節點一個建構模型來做到。把這兩個發布並排來看，有趣的問題就不再是哪種架構更好，而是哪個階段真正在讓你付出成本。

對 PAN 2 而言，問題就出在規劃器，而報告也兩次這麼說。在 Physics-IQ Verified 上，這是一項影像轉影片基準，經正規化後，同一場景的兩段真實拍攝之間的差距計為 100 分；PAN 2 在由 Claude Opus 5.5 撰寫說明文字時達到 93.2 ± 0.8，在其系統預設設定下則為 90.9 ± 0.4，測試涵蓋隨機種子 123 到 126。更換撰寫說明文字的語言模型，會讓分數在百分制上變動 2.3 分，而在這個尺度中，滿分代表與真實影片無法區分。同樣的模式也出現在模型卡的限制說明中：約三分之二的模擬計畫包含至少一個未執行的步驟，代理案例研究依賴人工精修提示詞，諸如每根手指與物體接觸位置等靈巧動作在文字中僅被粗略指定，而說明文字會依 1,480 的軟性上限與 1,536 個 token 的硬性容量進行驗證。渲染器不是報告所指的問題。描述場景的那句話才是。

對 SKY-001 而言，規劃器並未作為獨立階段進行量測，因此回報的瓶頸是渲染器。在 Skyfall 的 CAD 建構基準測試中，從 Jaguar E-Type Roadster、FANUC ArcMate 100iB 焊接手臂與 Bell 222 直升機等物件取樣 1,000 個元件，每個元件約需 100 個繪圖步驟；SKY-001 以平均 IoU 重現 79.7% 的參考幾何，相較之下 GPT-6 Astra 為 79.1%，Gemini 4 為 76.9%。在 BIM 基準測試中，1,000 份平面圖每份約需 70 個繪圖步驟，SKY-001 達到 43.6%，相較之下 Gemini 3.8 Flash 為 42.3%，GPT-6 Astra 為 40.6%。0.6 個百分點與 1.3 個百分點是其建築領域的領先幅度。絕對數值還不到半份平面圖。

一起看，且只就各家廠商自身報告內的相對幅度來解讀，規劃器在兩份文件中都是更大的槓桿。更換 PAN 2 的字幕撰寫器，所帶來的變動幅度，比 SKY-001 相對最接近競爭者的整體架構優勢還要大。基準不同，分數不可相比；重點在於各團隊自身的變異落在何處。

這些基準測試不共用任何測試框架、評審，也沒有共同的基線策略

PAN 2 有四種報告方式，其中三種涉及他人的判斷。Physics-IQ Verified 是具有排行榜機制的公開基準，而 PAN 2 的參賽條目使用 Claude Opus 5.5 作為推理器，系統預設欄則以 IFM 實際驅動的方式，執行各競爭者自己的流程。PhyGround 是五點量表，由 Qwen3.8-27B 評判，也就是另一個模型的意見，而非物理量測；PAN 2 在報告所述的兩種配置上分別得分 3.98 與 4.11。RBench 是對五個任務類別與四個具身類別取未加權平均再乘以 100，PAN 2 得分 83.7 與 73.5。閉源模型基線帶有劍號標記，因為它們各只生成一次，而不是跨多個隨機種子生成。還有一項盲測人類研究：140 個提示詞、13 位評審、1,400 次成對比較，並擬合至 Bradley–Terry 模型，Elo 以 1500 為中心，信賴區間為 95%。另有 IFM 自家的評測框架——300 個單一動作測試案例，拆分為 201 個影像轉影片與 99 個文字轉影片，涵蓋六種能力；外加 100 個多步驟第一人稱視角任務，以 200 個提示詞與 456 個步驟構成，並以三個隨機種子上的平均值 ± 標準差報告。

SKY-001 有兩種報告方式，兩者皆出自 Skyfall，兩者都以 IoU 對照參考形狀計分，兩者都是讓競爭模型在 Skyfall 以一次性提示驅動下所得。這些數據全都沒有誤差條，且沒有任何第三方重現過任何一個數字。仔細閱讀這些表格，會發現三件在你引用它們之前值得知道的事。

首先，廠商自家頁面彼此說法不一。產品頁上的 3D CAD 面板顯示 SKY-001 為 76.1%，相較 GPT-6 Astra 的 73.4%，Claude Opus 5.5 為 61.8%，Gemini 3.8 Flash 為 45.9%，Qwen 3.8 Max 為 26.6%，Kimi K3 為 6.5%。營建基準測試則報告 79.7%，相較 79.1%。不同的任務、不同的分數，兩邊卻有相同的模型名稱——而 Claude Opus 5.5 這個提升 PAN 2 Physics-IQ 數值的推理模型，只出現在其中一邊。

其次，速度倍數在三份同日發布的文件中有三種說法：部落格圖表寫 51×，產品頁面寫 49×，新聞稿寫 100×。算術就能定案——199 秒除以 3.9 等於 51.0——但這也說明，這些主標數字是由不同人所寫，而他們沒有比對彼此的工作。

第三，成本欄位沒有說明。Skyfall 回報每個 CAD 案例為 $0.005、每個方案為 $0.0024，卻未說明那是定價、租用 GPU 時間，還是攤銷後的自架推論成本。這是三種不同的說法，而對於 Skyfall 自行執行而非呼叫的模型，差異尤其重要。

這一切都不會讓 SKY-001 的效率說法變成错的。相較於最強的競爭對手，在準確度不相上下的情況下，擁有 51 倍的速度優勢與 150 倍的成本優勢，這是關於真實工作負載的一項真實主張。這只會讓它成為未經證實，而那是另一回事。

運行成本是多少，以及其中有多少是可得知的

PAN 2 的算力是以可讓你自行計價的配方形式公布。預設部署是八張 H200 以 BF16 執行，無分類器引導分拆到兩個 rank，Ulysses 序列平行化分拆到兩個，而 VAE 解碼則以四個 tile 分片修補。服務配方指出，在四張 B300 上，約 119 秒可生成十三秒的 704×1248 影片。沒有每秒牌價，因為 IFM 不營運託管端點；你真正在意的數字，是你的供應商對 GPU 收取的費用，乘以你實際每段生成的秒數。

SKY-001 的運算能力並未以任何可供定價的形式公布。沒有參數量、沒有硬體描述、沒有吞吐量數據，也沒有端點。目前存在的，只有一項組成未披露的每案廠商成本，以及一份候補名單表單。

這種不對稱性對這項比較的影響，比基準測試的差距更大。其中一個模型，你今天下午就能用自己的資料、在自己的硬體上進行基準測試，而且成本可以預測。另一個模型則只能靠閱讀來了解。

在任一套技術堆疊中，你今天唯一能租用的部分

PAN 2 和 SKY-001 都不在 OrcaRouter 上，也無法透過它進行路由：PAN 2 是你要自行部署的 86 GB 檢查點，而 SKY-001 沒有可呼叫的 API。PAN 2 流程中屬於一般託管模型的部分是第一個——將你的請求轉成世界狀態描述的概念推理器。IFM 依完整計畫完成度評估了其中四個模型：Claude Opus 5.5、以中等投入運行的 GPT-6 Astra、Kimi K3 和 Qwen3.8-Flash，並指出任何指令遵循模型都可使用。Qwen3.8-Flash 已列入 OrcaRouter 目錄，這意味著 PAN 2 部署的描述階段只需一把金鑰即可運行，並採用供應商列表定價以 0% 加價轉嫁，且具備自動容錯移轉；若供應商在一批計畫執行到一半時效能下降，仍可運作。這值得在擴散階段之前就配置好，而不是之後：規劃器正是量測到的變異所在，因此這個階段值得用你自己的提示詞，讓較便宜的模型與第二家供應商互相對測。

你實際上握著的是哪個問題？

如果你需要的，是預測某個動作在接下來幾秒內會以像素形式對場景造成什麼影響——對想在做出選擇前先想像結果的代理，或對物理必須成立的影片管線而言——那麼在這兩者之中，PAN 2 正是為此打造，而且你現在就能擁有它。要為字幕階段和安全防護層編列預算：IFM 提供一個獨立的安全防護儲存庫，會在生成前用 Qwen3Guard-Gen-4B 篩檢請求，並在生成後用 Q16 幀分類器篩檢輸出；在其內部評估中，這套搭配把有害文字轉影片請求產生不安全影片的比例從 33.9% 降到 1.5%，同時也攔下 11.5% 的良性文字轉影片請求和 3.3% 的良性圖片轉影片請求。每九個良性請求就讓你損失一個的安全層，是真實的生產成本，不是腳註。

如果你需要的是把設計意圖轉成 CAD 或 BIM 幾何，那麼在兩者之中，SKY-001 是唯一以此為目標的，而你無法取得它。今天誠實的替代方案，是把前沿語言模型接進你的 CAD 工具鏈——而這正是 SKY-001 自家表格所衡量的配置，依模型與任務不同，IoU 為 9.5% 到 42.3%。這就是為什麼候補名單發揮的是實質作用，而不是行銷作用：替代方案不是競爭對手，而是一個更差的數字。

如果你需要的是物理引擎，那麼兩者都不是。PAN 2 的模擬是預測，它的模型卡明確寫出這一點，而它自己列出的限制也包含模擬會在違反物理約束的情況下繼續演進——麵條在瀝乾之前就出現在瀝水盆裡。SKY-001 繪製設計，且在任何地方都未聲稱具備動力學。稱其中任何一個為世界模型，就這兩個團隊使用該詞的意義而言是準確的，但就遊戲引擎使用該詞的意義而言則會造成誤導。

值得關注的不是下一個基準測試，而是這兩家公司以外是否有人能重現某個數字：Skyfall 是否公開 IoU 協定，以及其逐案數字背後的成本核算；以及 PAN 2 的預設流程與其最佳推理器之間的效能差距，在面對沒有人手工精修過的提示詞時是否仍然存在。兩者都關乎同一個階段——在任何東西被繪製出來之前，決定應該發生什麼的那個階段。