MERCADOS:
BTC $81,317 ▲ +4.29%
ETH $2,529 ▲ +5.04%
SOL $184 ▲ +3.57%
IA STATUS Online RELOJ --:--:-- ART
🗓️ Congresos y Eventos

PAN 2, el modelo de mundo abierto de 29B que simula el futuro antes de que tu robot lo arruine

PAN 2, el modelo de mundo abierto de 29B que simula el futuro antes de que tu robot lo arruine

El Institute of Foundation Models (IFM) de MBZUAI anunció PAN 2, un modelo de mundo abierto para inteligencia física, según publicó en X el 10 de noviembre de 2026. La propuesta es simple y potente para quien desarrolla robótica o agentes: le das una escena y una acción en texto, y el modelo simula el resultado como video. Pesos, código de entrenamiento y de inferencia se liberan bajo licencia Apache 2.0, algo que en este segmento casi nadie ofrece.

Qué es PAN 2 y cómo razona

PAN 2 es un modelo de mundo de propósito general que simula cómo cambia una escena después de una acción. Sigue la arquitectura Generative Latent Prediction (GLP) del paper Critique of World Models de IFM y sucede a PAN, lanzado en noviembre de 2025. La idea central es el razonamiento simulativo: un agente propone planes, PAN 2 los simula uno por uno, y el agente ejecuta el mejor. Probás el plan en simulación antes de actuar en el mundo real.

La simulación se divide en dos tipos de razonamiento:

  • Razonamiento conceptual: un LLM lee la observación y las acciones pedidas, y escribe el próximo estado del mundo como JSON estructurado: eventos, acciones temporizadas ligadas a actores y movimiento de cámara. Cualquier LLM que siga instrucciones puede cumplir ese rol; el informe de IFM usa Kimi K3 por defecto.
  • Razonamiento perceptual: un MMDiT de 29B parámetros predice los latentes del video. IFM lo entrenó desde cero sobre cientos de millones de videos anotados, con un encoder de texto Qwen3.5-9B congelado como condicionamiento, y el decoder VAE de Wan 2.2 renderiza los fotogramas finales.

Las ablaciones de IFM muestran que el LLM es clave: sin razonamiento conceptual, la compleción de planes completos cae del 34,0% al 0,0% y la compleción de pasos del 75,1% al 8,7%. Una reescritura solo de formato recupera parte del terreno y llega al 27,8%. Además, IFM descartó footage de gameplay, animación y simulación tras el entrenamiento temprano: un modelo de prueba de 9B entrenado sin ese material ganó el 58% de las votaciones a ciegas.

Números: dónde gana y dónde pierde

Atención: todos los números son auto-reportados por IFM, sobre su propia suite de pruebas con 6 capacidades en 300 casos de acción única y 100 tareas multi-paso.

  • Compleción de planes completos: 34,00%, la más alta de los 6 modelos testeados, contra 32,50% de MiniMax-H3, 26,77% de FLUX 3 y 24,49% de Seedance 2.5.
  • Compleción de pasos: 75,10%, prácticamente empatado con MiniMax-H3 (75,12%).
  • 6 capacidades en general: 84,48% vs 87,20% de MiniMax-H3, que lidera las 6 categorías.
  • Physics-IQ Verified (configuración de leaderboard): 49,38, primero entre los modelos abiertos; el cerrado FLUX 3 saca 51,11.
  • RBench: 57,04 vs 56,16 de MiniMax-H3 y 50,64 de Cosmos 3 Super.
  • Elo humano: 1595 con un reasoner GPT-6 Astra, detrás de MiniMax-H3 (1620).

El contraste es claro: PAN 2 domina los planes multi-paso, pero MiniMax-H3 sigue ganando en acciones individuales y en preferencia humana. Y el punto flojo no es menor: alrededor de 2 de cada 3 planes se saltean algún paso, y en la métrica Physics-IQ con configuración por defecto marca 37,48 contra 42,91 de MiniMax-H3.

PAN 2 frente a MiniMax-H3, Cosmos 3 Super y LTX-2.5

Según la comparación publicada, con puntajes tomados de la model card de PAN 2 y ejecutados por IFM (el blog de IFM reporta cifras distintas de planes para Cosmos 3 Super y LTX-2.5):

  • PAN 2 (IFM, MBZUAI): generador MMDiT de 29B; planner con cualquier LLM más encoder Qwen3.5-9B congelado; clips de hasta 20 s a 704×1248 y 24 fps; sin audio; licencia Apache 2.0; código de entrenamiento disponible; 34,00% de compleción de planes; Physics-IQ Verified 49,38; Elo humano 1595.
  • MiniMax-H3 (MiniMax): transformer denso de 33B (unos 13B en ramas AdaLN cacheables); encoder Qwen3-VL-32B con Context-IR alojado; clips de 15 s, 24 fps, 768p (2K vía módulo alojado); audio estéreo; licencia MiniMax H3 Community; código de entrenamiento no divulgado; 32,50% de planes; Physics-IQ 39,79; Elo 1620.
  • Cosmos 3 Super (NVIDIA): Mixture-of-Transformers de 64B; torre autoregresiva integrada; 400 fotogramas; audio sí; licencia OpenMDW 1.1; framework en GitHub; 13,83% de planes; Physics-IQ 48,62; Elo 1380.
  • LTX-2.5 (Lightricks): transformer de 22B (según nombres de archivos de checkpoint); encoder de texto basado en Gemma; clip máximo no divulgado; audio sí; licencia LTX-2.x Community; código de entrenamiento no divulgado; 13,00% de planes; Physics-IQ no reportado; Elo 1346.

Cómo ejecutarlo (y qué vas a necesitar)

PAN 2 soporta text-to-video e image-to-video y se puede correr desde Hugging Face Diffusers, vLLM, FastVideo o el generate.py del repositorio. El sampler por defecto usa 50 pasos, flow shift 9 y guidance 2,5. Un clip por defecto genera 241 fotogramas, unos 10 segundos. Acá viene la limitación grande para la mayoría: cada worker de GPU carga el modelo completo de 29B en BF16, con block offloading como alternativa, así que estamos hablando de GPUs de data center. IFM no publica cifras de VRAM ni tiempos de generación.

Los prompts funcionan mejor como captions estructuradas, con un presupuesto duro de 1.536 tokens. Para simplificarlo, IFM incluye un skill de Conceptual Reasoner para Claude Code y Codex que reescribe texto libre al formato ideal.

Un detalle de seguridad que conviene tomar en serio: IFM recomienda fuertemente el guardrail separado pan2-guardrail. En sus pruebas, redujo los outputs inseguros ante pedidos T2V dañinos del 33,9% al 1,5%, aunque también bloqueó el 11,5% de pedidos benignos.

Balance final

PAN 2 combina un planner LLM con un modelo de difusión de 29B entrenado desde cero, lidera la compleción de planes completos con 34,0% y es el primer modelo abierto en Physics-IQ Verified. El costo: los planes largos siguen fallando seguido, MiniMax-H3 gana en acciones simples y preferencia humana, y los requisitos de hardware son altos. Para quien trabaja en robótica y quiere testear planes en simulación con una base 100% abierta, hoy es la opción más completa del menú.

Fuente: MarkTechPost.

Fuente: MarkTechPost (Open Source, GitHub & Agentes)

MP

Sobre Valeria Rossi

Cronista de Congresos, Webinars & Comunidad

Especialista en herramientas de IA aplicada, automatización de flujos de trabajo, prompting y productividad empresarial para Tecno Saberes.

🚀 Potenciá tu criterio digital y habilidades en IA

Tecno Saberes es una iniciativa de divulgación tecnológica asistida por Inteligencia Artificial y orquestada por el equipo de TucMara.com.

←
→