PAN 2 讓「假如」變得可看——也直說它在哪裡失敗

把一顆草莓丟進碗裡，你已經不用多想，就大致知道液體會怎麼濺起來。PAN 2 是 MBZUAI 基礎模型研究所（Institute of Foundation Models）的世界模型，打造它的目的，就是要懂得同一件事，並把它展現出來。給它一個起始影格，用文字描述一個動作，它就會回傳最長二十秒、704×1248、每秒 24 影格的影片，顯示該動作對場景造成了什麼影響。2026 年 11 月 11 日廣為流傳的那段示範，是任何人對這個概念所做過最清楚的說明：把草莓換成橡皮鴨，或改變液體，濺起的水花也會跟著改變，因為模型是在預測物理後果，而不是在檢索一段影片。IFM 自己在前一晚發布的公告，用一句話說明了這個賣點——「語言模型預測下一個詞。PAN 2 預測下一個世界：每個動作之後會發生什麼，並以時間、物理與空間為基礎。」

讓那句話不只是口號的，是圍繞著它的發布內容。權重採用 Apache-2.0 授權，自 2026 年 10 月 7 日起就已放在 Hugging Face 上：共 86.17 GB、分散於六十個檔案；推論程式碼隨後於 11 月 5 日在 GitHub 發布，Day-0 服務支援則於 11 月 10 日合併進 vLLM-Omni。因此，值得回答的問題不再是 PAN 2 是否存在，或誰能取得它，而是：一個可下載的 290 億參數模擬器，究竟在哪些方面做得夠好，好到你會依據它的輸出來做規劃；又在哪些地方，團隊自己的文件會告訴你不要這麼做。

這個示範是打著單一模型名號的兩階段管線。

這段草莓短片看起來像是文字轉影片生成。其實並非如此，而這個區別正是整個設計的核心。PAN 2 實作了 《世界模型批判》（arXiv 2507.05169）中所提出的生成式潛在預測（Generative Latent Prediction）模式，該模式將預測拆分為推理與渲染兩半。

推理的那一半是一個語言模型——任何能遵循指令的模型皆可——它會讀取觀察內容與所要求的動作，並把下一個世界狀態寫成結構化、具時間依據的說明文字：依序描述事件，將每個動作綁定到執行該動作的行動者，再加上攝影機運動。那段說明文字不是裝飾。它就是實際的介面。一個凍結的 Qwen3.5-9B 文字編碼器會將其映射為條件特徵，而一個從頭訓練、基於數億支以相同格式標註的影片的 29B 多模態擴散 Transformer，會補上說明文字未交代的感知細節。Wan 2.2 VAE 會將潛在表徵解碼成影格。

這意味著，這個示範真正的主張根本無關乎像素。它的主張是：對一個動作的結構化描述，就足以作為模擬器的控制訊號，使其產生在物理上連貫的結果——因此，一個代理能夠模擬數個候選計畫、加以比較，並依最佳者行動。這就是 IFM 所謂的模擬式推理，也是為什麼草莓、鴨子和被調換的液體是同一個問題的三次執行，而不是三段影片素材。

實際後果並不友善。你不能在 PAN 2 中輸入一個願望就得到一段影片。該儲存庫隨附一項提示改寫技能——一個系統提示、一個固定的負向提示，以及一個驗證器，會依據文字編碼器 1,480 個權杖的軟性上限與 1,536 個權杖的硬性上限來檢查說明文字——而模型卡明言，代理案例研究仰賴的是手工精煉的提示。自由文字在被使用之前會先被改寫。那是一個帶有介面契約的模型，不是聊天框。

報告衡量了什麼，以及它使用的措辭

IFM 發佈的評估內容比大多數影片模型發佈時更多，也比大多數更精確地標註了條件。這一切全都是團隊在自家評測框架上完成的自家工作，而模型卡也在真正重要的章節中如此註明。

• 單一動作 — 六個能力類別共 300 個測試案例，其中 201 個影像轉影片、99 個文字轉影片，準確率以百分比表示。

• 多步驟計畫 — 100 個第一人稱日常任務，以兩種方式表述，共 200 個提示與 456 個步驟，依步驟完成度與完整計畫完成度評分，並對三個隨機種子取平均。

• 公開基準測試——Physics-IQ Verified 在圖像轉影片設定上，經標準化使兩次真實拍攝之間的變異數等於 100；PhyGround 由 Qwen3.8-27B 依五分量表評判；RBench 則取五個任務類別與四個具身類別的未加權平均，再乘以 100。

• 人類偏好 — 以 140 個提示進行盲測成對比較，其中 90 個為文字轉影片、50 個為圖像轉影片，由 13 位評審在 1,400 次比較中依據動作遵循、物理與世界一致性進行評判，Elo 以 Bradley–Terry 擬合，並以 1500 為中心。

十三位審查者是個小型小組，而他們是拿作者自己的模型去對照作者自己的基準線。這仍比這個類別中多數發布所公開的證據還多，而且其框架異常謹慎：比較中的封閉模型是透過第三方推論 API 一次性生成的，而模型卡也標示了哪些列屬於單一隨機種子。這些都不會讓數字變得獨立。它讓這些數字變得可讀，而這已是次佳的情況。

每十三秒影片需要兩分鐘的 GPU

決定你能否使用 PAN 2 的數字不是基準測試分數。而是 vLLM 配方中的那個數字：它指出，一段十三秒的 704×1248 影片在四張 B300 GPU 上大約需要 119 秒，其中無分類器引導拆分到兩個 rank，Ulysses 序列平行化再拆分到另外兩個 rank。文件記載的預設配置是八張 H200，採 BF16，再加上跨四個圖塊的 VAE 補丁平行化，因為解碼一段二十秒的 704×1248 影片本身就是一個記憶體問題。

用那個數字套用採樣器設定，成本就會變成結構性的，而不是偶發性的。以流偏移 9 跑五十步，並且每一步都套用 2.5 的引導，意味著每個片段都要讓 29B Transformer 進行一百次前向傳遞。這就是為什麼引導必須平行化，而不是循序執行；也是為什麼對 PAN 2 而言，誠實的問題不是「它有多好」，而是「一次模擬要花我多少成本，而一個計畫需要多少次模擬」。一個在十步任務中、每一步評估五個候選動作的規劃器，等於要求五十個片段。依照廠商自己公布的配置，那會讓一個四 GPU 節點忙上將近兩小時，而且這還是在從輸出學到任何東西之前。

規劃器是較便宜的那一半，而 IFM 讓它保持可互換。

這條流程中有一個部分不需要 GPU 叢集，而報告明確指出它是可替換的。概念推理器被定義為任何指令遵循的語言模型，而 IFM 依據模擬計畫端到端完成的頻率，對其中四個進行了排名：Claude Opus 5.5 第一，接著是中等努力程度的 GPT-6 Astra，然後是 Kimi K3，最後是 Qwen3.8-Flash。

這四個模型全都在 OrcaRouter 目錄中，因此推理器這個位置，是 PAN 2 堆疊中唯一不必租用任何資源就能進行基準測試的一環。只要用一組 API 金鑰，就能讓提示改寫器分別指向它們；把擴散模型那一半固定在你自己的硬體上，並讓自動容錯移轉在實驗中途吸收供應商的突發狀況，而不是中止整次執行；價格則是各供應商的牌價以 0% 加價原樣轉嫁，因此供應商一旦調整價格，當天就會反映在端點上，而不是等到重新定價週期之後。OrcaRouter 不託管 PAN 2，也無法路由它——渲染器仍由你負責——但整條流程中決定要模擬什麼的那一半，是普通的計量文字工作，而且正是每次執行之間品質真正會有變化的那一半。

值得直說：上述排名是 IFM 的，是在 IFM 的任務上、以 IFM 的測試框架測量出來的。這是開始擬定候選清單的合理起點。但它不能取代你用自己的提示詞跑過四個候選項目，並計算你的計畫有多少次能撐下來。

「限制」章節是本次發行中最有用的一頁。

大多數模型卡都把自己的坦白話放在沒人會讀的段落裡。PAN 2 的模型卡則把數字擺在最前面：大約每三個模擬計畫中，就有兩個包含至少一個未實際執行的步驟。光是這一句，就重新定義了它上方的一切。一個在每三個計畫中就會漏掉一個步驟的模擬器，還不是你交給機器人之後就能撒手不管的東西——它是你拿來排序候選計畫的工具，從中挑出失敗模式是你承受得起的那些，而且迴路中要有一個檢查器。

清單上其餘的項目也同樣具體，也同樣值得照字面探信。

• 長時程一致性 — 每個片段最多只從一個起始影格加上文字模擬而來，因此在長互動中，外觀會在不同片段之間漂移；卡片將感知記憶列為缺失的一環，而非宣稱已解決。

• 提示敏感度 — 觀察與動作的措辭會改變結果，而超出訓練分佈的範例則需要人工精修的提示詞。

• 粗略的文字動作——文字能妥善表達「打開抽屜」，卻拙於表達「將每根手指放在這裡」，這限制了靈巧操作。

• 捷徑 — 模擬可以在違反物理定律的情況下繼續進行，卡片本身的例子就是義大利麵在瀝乾之前就出現在濾盆裡。

• 對失敗的忠實模擬尚未被量測——該量化研究涵蓋的是設計上要成功的開迴路計畫；至於 PAN 2 模擬那些理應失敗的計畫有多好，用卡片的話來說，尚未量測。這正是對規劃而言最重要的缺口，因為一個無法讓你看到糟糕結果的模擬器，還算不上是過濾器。

Guardrails 以獨立儲存庫的形式提供，並附有編號。

IFM 做的另一件事，是大多數開放權重影片發布都會略過的事：它隨模型一併發布了護欄，而不是只用一段文字建議應該要有護欄。pan2-guardrail 會在生成前用 Qwen3Guard-Gen-4B 篩選請求，並在生成後用 Q16 幀分類器篩選生成的影片；而模型卡報告了這麼做在兩個方向上的代價——有害的文字轉影片請求產生不安全輸出的比例從 33.9% 降至 1.5%，未觀察到不安全的圖像轉影片輸出，且有 11.5% 的良性文字轉影片請求加上 3.3% 的良性圖像轉影片請求在流程中被攔下。

那些是團隊的內部量測，不是稽核；如果你打算大規模運行這套東西，該盯著的數字就是偽陽性率：一道每九個無害請求就拒絕一個的護欄，是你產品上的設計限制，不是可有可無的註腳。公平地說，這也正是那種讓你能做出這個決定的揭露資訊。

要怎樣才能讓這不只是個令人印象深刻的示範？

三件事，按難度由低到高排列。一項失敗研究：模型卡承認，模擬本應失敗的計畫這件事並未被衡量；而在有人發表那項結果之前，PAN 2 只是合理成功的生成器，而非後果的預測器。一項獨立評估：本文中的每一項能力數據都源自 IFM，使用 IFM 的測試框架，人類研究由十三人小組進行，且沒有任何第三方重現其中任何一項。以及一條更便宜的服務路徑：公布的配置是一台四 GPU 節點，每十三秒需要兩分鐘，這對研究來說尚可，但對模擬推理實際隱含的迴圈而言則極為嚴苛。

PAN 2 仍是今年最完整的開放世界模型發布，而完整性正是重點。權重、程式碼、服務配方、帶 token 預算的提示契約、附誤報數字的護欄，以及開頭就列出失敗率的限制章節。你可以不同意它已準備好用於機器人，仍可在本週用它來問：如果改變液體會怎樣——對一個整個前提是後果可預覽的模型而言，這是合理的首次測試。