MBZUAI випустив відкриту світову модель PAN 2
Інститут фундаментальних моделей (IFM) при MBZUAI представив PAN 2 — відкриту світову модель для фізичного інтелекту. Система моделює, як сцена зміниться після заданої дії. На вхід можна подати текст і, за бажанням, початковий кадр, а на виході формується відео з прогнозованим результатом. Ваги, код навчання та код інференсу доступні за ліцензією Apache 2.0.
PAN 2 поєднує велику мовну модель із дифузійним трансформером MMDiT на 29B параметрів. Мовна модель перетворює спостереження та запитану дію на структурований опис подій, дій із часовими межами й руху камери. Далі дифузійна модель генерує відео роздільністю 704×1248 і частотою 24 кадри на секунду, тривалістю до 20 секунд. У типовій конфігурації IFM використовує Kimi K3, текстовий енкодер Qwen3.5-9B і декодер Wan 2.2 VAE.
За власними даними IFM, PAN 2 повністю виконав 34.00% зі 100 багатокрокових завдань, тоді як показник MiniMax-H3 становив 32.50%. Частка виконаних окремих кроків дорівнювала 75.10%, майже стільки ж, як 75.12% у MiniMax-H3. Для роботи потрібні серверні GPU, причому кожен робочий процес зберігає всю модель у BF16. В експерименті без мовного етапу міркування виконання повного плану знизилося до 0.0%.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.