MBZUAI旗下IFM发布开放世界模型PAN 2，290亿参数，可模拟动作的结果
由语言模型写出带时间信息的后续事件描述，再由从零训练的290亿参数扩散模型生成最长20秒的视频；权重及训练、推理代码以Apache 2.0开源。
为何重要
能让智能体在行动前预演候选动作的世界模型，是机器人和物理AI的核心方向，而多数强大的视频模型都是闭源的。PAN 2将任务拆分：多模态语言模型负责判断发生什么、何时发生，扩散模型补足视觉细节，因此每个预测都能与真实画面对照检验。它使用Qwen3.5-9B文本编码器和Wan 2.2 VAE，可在Hugging Face Diffusers和vLLM中运行。值得关注IFM所说即将发布的完整论文，以及对其规划能力的独立测试。
要点
- 由MBZUAI基础模型研究所（IFM）开发
- 290亿参数MMDiT，基于数亿条视频从零训练
- 输出704x1248、24帧/秒视频，最长20秒
- 文本编码器Qwen3.5-9B，VAE来自Wan 2.2
- 权重及训练、推理代码以Apache 2.0开源
- 支持Hugging Face Diffusers和vLLM