MBZUAI представи отворения световен модел PAN 2
Институтът за фундаментални модели (IFM) към MBZUAI представи PAN 2 — отворен световен модел за физически интелект. Системата симулира как дадена сцена се променя след определено действие. Тя приема текст и по избор начално изображение, след което генерира видео с прогнозирания резултат. Теглата, кодът за обучение и кодът за извеждане са публикувани под лиценза Apache 2.0.
PAN 2 съчетава голям езиков модел с дифузионен трансформатор MMDiT с 29B параметра. Езиковият модел превръща наблюдението и заявеното действие в структурирано описание на събития, действия с времеви интервали и движение на камерата. След това дифузионният модел създава видео с резолюция 704×1248 и 24 кадъра в секунда, с продължителност до 20 секунди. В стандартната конфигурация IFM използва Kimi K3, Qwen3.5-9B и декодера Wan 2.2 VAE.
Според самостоятелно отчетените от IFM тестове PAN 2 завършва всички стъпки в 34.00% от 100 многостъпкови задачи, спрямо 32.50% за MiniMax-H3. Делът на изпълнените отделни стъпки е 75.10%, почти колкото 75.12% при MiniMax-H3. Моделът изисква центрови графични процесори, като всеки работник зарежда целия модел в BF16. При премахване на езиковото разсъждение завършването на целия план спада до 0.0%.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.