El IFM de MBZUAI publica PAN 2, un modelo del mundo abierto de 29.000 millones de parámetros que simula el resultado de acciones
Un modelo de lenguaje describe con tiempos lo que ocurre después y un modelo de difusión de 29.000 millones entrenado desde cero lo convierte en vídeo de hasta 20 segundos; pesos y código bajo Apache 2.0.
Por qué importa
Los modelos del mundo que permiten a un agente ensayar acciones antes de actuar son una apuesta central de la robótica y la IA física, y la mayoría de los buenos modelos de vídeo son cerrados. PAN 2 divide la tarea: un modelo de lenguaje multimodal decide qué ocurre y cuándo, y el modelo de difusión aporta el detalle visual, de modo que cada predicción puede compararse con imágenes reales. Usa el codificador de texto Qwen3.5-9B y el VAE de Wan 2.2 y funciona en Diffusers y vLLM. Hay que esperar el artículo completo anunciado por IFM y pruebas independientes de su planificación.
Datos clave
- Desarrollado por el Institute of Foundation Models (IFM) de MBZUAI
- MMDiT de 29.000 millones entrenado desde cero con cientos de millones de vídeos
- Vídeo 704x1248 a 24 fps, hasta 20 segundos
- Codificador Qwen3.5-9B; VAE de Wan 2.2
- Pesos y código de entrenamiento e inferencia bajo Apache 2.0
- Compatible con Diffusers y vLLM