O Instituto de Modelos Fundamentais (IFM) da MBZUAI lançou o PAN 2, um modelo mundial aberto para inteligência física. O modelo mundial PAN 2 recebe uma cena e uma ação em texto e simula o resultado como vídeo. O IFM anunciou no X em 10 de novembro de 2026. Pesos, código de treinamento e código de inferência são disponibilizados sob Apache 2.0. Para desenvolvedores de robótica e agentes, o objetivo é simples: testar um plano em simulação antes de executá‑lo. TL;DR Tamanho: transformador de difusão de 29B parâmetros (MMDiT), denso. Entradas: texto mais, opcionalmente, o primeiro quadro. Saída: vídeo 704×1248 em 24 fps, até 20 s. Executa em: GPUs de data‑center. Cada trabalhador mantém o modelo completo de 29B em BF16, com descarregamento de blocos como fallback. Desempenho: lidera 6 modelos testados em planos completos. Sobrepõe o MiniMax-H3 em ações únicas e preferência humana. Melhor: 34,0% de conclusão de plano completo em 100 tarefas multi‑passo, o maior de todos os modelos testados (autorreferência). Pior: aproximadamente 2 em 3 planos falham em um passo. Sistema Physics‑IQ padrão: 37,48 vs 42,91 para MiniMax-H3. Resumo: Melhor: um modelo mundial totalmente aberto que lidera em planos multi‑passo. Pior: planos longos ainda falham com frequência, e as necessidades de hardware são altas. O que é o PAN 2? O PAN 2 é um modelo mundial de propósito geral do IFM que simula como uma cena muda após uma ação. Ele segue a arquitetura Generative Latent Prediction (GLP) do artigo Critique of World Models do IFM. Sucessor do PAN, lançado em novembro de 2025. O objetivo é raciocínio simulado. Um agente propõe planos, o PAN 2 simula cada um e o agente age no melhor. Como o PAN 2 funciona? O PAN 2 divide a simulação em dois tipos de raciocínio: Raciocínio conceitual: Um LLM lê a observação e as ações solicitadas. Ele escreve o próximo estado mundial como JSON estruturado: eventos, ações temporizadas vinculadas a atores e movimento da câmera. Qualquer LLM orientado a instruções pode desempenhar esse papel. O relatório do IFM usa o Kimi K3 por padrão. Raciocínio perceptual: Um MMDiT de 29B prevê os latentes de vídeo. O IFM o treinou do zero em centenas de milhões de
Fonte: MarkTechPost
Publicado em 2026-11-11