Por Canuto  

El Instituto de Modelos Fundacionales de MBZUAI presentó PAN 2, un modelo abierto que transforma instrucciones y escenas en simulaciones de video para probar planes de acción. Su rendimiento destaca en tareas de varios pasos, aunque las pruebas reportadas por sus desarrolladores muestran límites importantes y una elevada exigencia de hardware.
***

  • PAN 2 tiene 29.000 millones de parámetros y puede generar videos de hasta 20 segundos; sus pesos y códigos se publican con licencia Apache 2.0.
  • El modelo obtuvo 34% de éxito en planes completos, el mejor resultado entre seis sistemas evaluados en esa prueba, según cifras del IFM.
  • Aproximadamente dos de cada tres planes aún fallaron algún paso, y MiniMax-H3 superó a PAN 2 en preferencias humanas y evaluación de capacidades individuales.

El Instituto de Modelos Fundacionales (IFM) de la Universidad de Inteligencia Artificial Mohamed bin Zayed (MBZUAI) lanzó PAN 2, un modelo abierto diseñado para simular cómo cambia una escena cuando alguien ejecuta una acción. El sistema recibe instrucciones en texto y puede incorporar un primer fotograma; luego genera un video que representa el resultado previsto. El anuncio se difundió el 11 de noviembre de 2026. El IFM publicó los pesos, el código de entrenamiento y el código de inferencia bajo licencia Apache 2.0.

La propuesta apunta a la robótica y a los agentes de inteligencia artificial: antes de ejecutar un plan en el mundo físico, el sistema podría generar una simulación y ayudar a comparar posibles resultados. Ese uso no equivale a demostrar que una acción funcionará en condiciones reales, pero permite evaluar secuencias de instrucciones mediante una representación visual. La evaluación publicada por el propio IFM muestra avances en planes de varios pasos y, a la vez, fallas frecuentes que limitan cualquier lectura triunfalista.

Un modelo del mundo con dos componentes de razonamiento

PAN 2 es el sucesor de PAN, presentado en noviembre de 2025, y sigue la arquitectura Generative Latent Prediction descrita por el IFM en su trabajo Critique of World Models. El enfoque busca que un agente proponga una o varias acciones y que el modelo simule sus consecuencias para orientar la elección. En vez de tratar la generación de video como un fin aislado, el instituto presenta la simulación como una pieza del proceso de planificación.

El sistema separa esa tarea en razonamiento conceptual y razonamiento perceptual. En la primera etapa, un modelo de lenguaje interpreta la observación y las acciones solicitadas, y construye una descripción estructurada del estado siguiente en formato JSON. Esa representación puede incluir eventos, acciones temporizadas asociadas con actores y movimiento de cámara, por lo que convierte una petición en texto en instrucciones más ordenadas para la etapa visual.

El papel de planificador no está atado a un único modelo de lenguaje: el IFM afirma que puede cumplirlo cualquier LLM capaz de seguir instrucciones y usa Kimi K3 como configuración predeterminada en su informe. Para la generación visual, PAN 2 emplea un transformador de difusión multimodal (MMDiT) denso de 29.000 millones de parámetros, entrenado desde cero con cientos de millones de videos anotados. Un codificador de texto Qwen3.5-9B congelado condiciona la generación y un decodificador VAE de Wan 2.2 produce los fotogramas finales.

Las pruebas de ablación del instituto indican que el planificador conceptual influye de forma decisiva en los resultados medidos. Sin ese razonamiento, la finalización de planes completos cae de 34% a 0%, mientras que la finalización por pasos desciende de 75,1% a 8,7%; una reescritura limitada al formato recupera parte del desempeño y lleva el primer indicador a 27,8%. El IFM también retiró del conjunto de entrenamiento material de videojuegos, animación y simulación después de una etapa inicial; en una prueba a ciegas, una versión de 9.000 millones de parámetros entrenada sin ese material ganó 58% de las votaciones.

Resultados destacados, con ventajas y rezagos

Las cifras disponibles proceden de evaluaciones que el propio IFM reporta: su suite comprende seis capacidades, 300 casos de acción individual y 100 tareas de varios pasos. En finalización de un plan completo, PAN 2 obtuvo 34%, frente a 32,5% de MiniMax-H3, 26,77% de FLUX 3 y 24,49% de Seedance 2.5. Es el mejor resultado de ese grupo en esa prueba, pero también significa que cerca de dos tercios de los planes no concluyeron todos sus pasos satisfactoriamente.

La diferencia se estrecha al medir cada paso por separado: PAN 2 alcanzó 75,1%, prácticamente igual al 75,12% de MiniMax-H3. En la evaluación agregada de las seis capacidades, el modelo de MBZUAI registró 84,48%, frente a 87,2% de MiniMax-H3, que lideró las seis categorías. Por eso, el mejor resultado de PAN 2 en planes completos no implica una superioridad general ni que resuelva mejor cada acción individual.

En Physics-IQ Verified, bajo la configuración de clasificación, PAN 2 logró 49,38 puntos y quedó primero entre los modelos abiertos, mientras que el modelo cerrado FLUX 3 marcó 51,11. En RBench, el sistema obtuvo 57,04, por encima de 56,16 para MiniMax-H3 y 50,64 para Cosmos 3 Super. En preferencias humanas, sin embargo, PAN 2 alcanzó un Elo de 1.595 al utilizar el razonador GPT-6 Astra, por debajo de los 1.620 de MiniMax-H3.

La comparación entre sistemas también refleja diferencias de diseño y disponibilidad. Según la tabla del IFM, MiniMax-H3 cuenta con un transformador denso de 33.000 millones de parámetros, un codificador Qwen3-VL-32B y Context-IR alojado; Cosmos 3 Super utiliza una arquitectura de mezcla de transformadores de 64.000 millones, y LTX-2.5 un transformador de 22.000 millones según los nombres de sus archivos de checkpoint. PAN 2 acepta distintos LLM como planificadores, y su licencia Apache 2.0 permite acceder tanto al código de entrenamiento como al de inferencia.

Requisitos técnicos y cautelas para su uso

PAN 2 admite generación de texto a video e imagen a video, y puede utilizarse mediante Hugging Face Diffusers, vLLM, FastVideo o el script generate.py del repositorio. La configuración predeterminada establece 50 pasos de muestreo, un flow shift de 9 y guidance de 2,5; un clip típico contiene 241 fotogramas, equivalentes a unos 10 segundos. El máximo divulgado alcanza 20 segundos, con resolución de 704 por 1.248 píxeles y una frecuencia de 24 fotogramas por segundo.

El costo práctico de esa capacidad es considerable: cada worker de GPU carga el modelo completo de 29.000 millones de parámetros en BF16, con descarga por bloques como alternativa de respaldo. El IFM no publicó cifras de memoria de video ni tiempos de generación, de modo que los desarrolladores no disponen en el material divulgado de una referencia concreta para estimar esos requisitos. La información disponible sí deja claro que está pensado para GPU de centro de datos y no describe una ejecución ligera en equipos de uso general.

El IFM recomienda usar descripciones estructuradas y ofrece una habilidad de Razonador Conceptual para Claude Code y Codex que transforma texto libre en instrucciones más adecuadas. Las descripciones tienen un límite estricto de 1.536 tokens, otra restricción que los usuarios deberán considerar al diseñar tareas complejas. Además, el instituto aconseja utilizar por separado pan2-guardrail: en sus propias pruebas, esa herramienta redujo de 33,9% a 1,5% las salidas inseguras ante solicitudes dañinas de texto a video, aunque también bloqueó 11,5% de las solicitudes benignas.

El lanzamiento ofrece un modelo abierto para experimentar con simulaciones físicas y permite inspeccionar tanto los pesos como el proceso de entrenamiento, una diferencia relevante frente a sistemas cuyo código de entrenamiento no se divulga. Sin embargo, los resultados son auto-reportados, dependen de configuraciones específicas y no eliminan la brecha entre generar un video plausible y garantizar que un robot pueda ejecutar la acción representada. PAN 2 sobresale en una evaluación de planes completos, pero sus tasas de fallo y sus necesidades de cómputo sitúan el proyecto como una herramienta en desarrollo, no como prueba de que la planificación física autónoma ya esté resuelta.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados