PAN 2 mô phỏng điều gì xảy ra sau một hành động
PAN 2 là mô hình thế giới open-weight 29 tỷ tham số của Viện Mô hình Nền tảng tại MBZUAI, biến một khung hình khởi đầu và hành động được mô tả bằng văn bản thành video thể hiện hệ quả của hành động ấy. Mô hình PAN 2 đáng chú ý không chỉ vì tạo video, mà vì nó nhắm tới việc dự đoán cảnh sẽ đổi khác thế nào.
Demo dâu tây cho thấy ý tưởng dễ hiểu nhất: thả một quả dâu vào bát, rồi đổi nó thành vịt cao su hoặc thay chất lỏng, tia bắn tóe cũng đổi theo. Đó là dấu hiệu của việc mô hình dự đoán hệ quả vật lý thay vì chọn lại một đoạn phim có sẵn. PAN 2 nhận ảnh mở đầu và mô tả hành động, rồi tạo video tối đa 20 giây, độ phân giải 704×1248 ở 24 khung hình mỗi giây. Demo thuyết phục, nhưng một cảnh ngắn chưa đủ chứng minh rằng mô hình có thể giữ thế giới nhất quán qua các tương tác dài.
Sự kiện gắn với tác nhân, không chỉ là đường đi của camera
Khác biệt quan trọng nằm ở cách mô hình nhận lệnh. PAN 2 dùng các sự kiện có thứ tự theo thời gian, gắn từng hành động với tác nhân thực hiện; chuyển động camera chỉ là một trường thông tin trong nhiều trường. Cách tổ chức đó khiến “người đặt quả dâu vào bát” có ý nghĩa hơn một mô tả chung về cảnh đang chuyển động.
Hy-Nomas đi theo hướng khác: nó nhận văn bản cùng quỹ đạo camera liên tục, tập trung mô phỏng góc nhìn di chuyển xuyên qua cảnh. Vì vậy, hai mô hình không đơn thuần là phiên bản lớn nhỏ hay tốt kém của nhau. PAN 2 hợp với câu hỏi “điều gì xảy ra khi tác nhân làm việc này?”, còn Hy-Nomas nhấn vào “cảnh trông ra sao khi camera đi theo đường kia?”. Đây là lựa chọn về giao diện điều khiển và mục đích sử dụng, không phải một bảng xếp hạng chất lượng.
Tải được không đồng nghĩa chạy rẻ hay dễ
PAN 2 có trọng số Apache-2.0 trên Hugging Face từ ngày 7 tháng 10 năm 2026; kho mã nguồn xuất hiện ngày 5 tháng 11. Trọng số gồm 60 tệp, tổng dung lượng 86,17 GB. Đến ngày 10 tháng 11, hỗ trợ tạo video từ văn bản và hình ảnh được hợp nhất vào vLLM-Omni lúc 16:03 UTC; trang công thức triển khai được bổ sung lúc 20:55 UTC. Bài đăng giới thiệu từ nhóm phát triển xuất hiện lúc 17:00 UTC, giữa hai mốc đó. Thứ tự phát hành lạ lùng này có nghĩa là đường chạy mô hình được chuẩn bị trước khi thông báo công khai đầy đủ.
Mốc hiệu năng cho thấy đây chưa phải công cụ nhẹ nhàng cho người dùng phổ thông: công thức vLLM nêu rằng một video 13 giây ở độ phân giải 704×1248 mất khoảng 119 giây trên bốn GPU B300. Đây là thời gian chạy, không phải mức giá, và không nên biến nó thành một con số chi phí tiền tệ. Với planner thử năm hành động ứng viên ở mỗi bước trong tác vụ mười bước, tổng cộng cần tạo 50 clip; cấu hình được công bố tương ứng gần hai giờ tải cho một nút bốn GPU. Vì thế, khả năng thuê phần lập kế hoạch có thể giúp thử nghiệm dễ tiếp cận hơn, nhưng chi phí tính toán vẫn là rào cản thực tế.
Giá trị hiện tại: mô phỏng hữu ích, chưa phải thế giới bền vững
Điểm yếu đáng lưu ý là mỗi clip chỉ được mô phỏng từ tối đa một khung hình mở đầu cùng văn bản. Trong chuỗi tương tác dài, ngoại hình có thể trôi dạt giữa các clip, làm giảm độ tin cậy nếu người dùng muốn lập kế hoạch dựa trên một trạng thái thế giới liên tục. Một video trông hợp lý vẫn chưa đồng nghĩa mô hình đã theo dõi chính xác mọi vật thể và biến đổi qua nhiều bước.
Dẫu vậy, PAN 2 là một mô hình open-weight đáng quan tâm vì nó đưa hành động của tác nhân vào trung tâm thay vì chỉ điều khiển góc nhìn. Trọng số, mã nguồn và tích hợp framework đã lần lượt mở ra những cách tải và triển khai cụ thể; song dung lượng lớn, yêu cầu phần cứng cao và độ trôi giữa clip giới hạn phạm vi ứng dụng. Kết luận hợp lý lúc này: xem PAN 2 như một bộ mô phỏng hệ quả hành động đầy hứa hẹn để thử nghiệm, chưa phải nền tảng đủ ổn định cho các kế hoạch dài hạn.
