PAN 2: el modelo de mundo abierto del IFM simula en vídeo las consecuencias de una acción antes de que un agente actúe

El Institute of Foundation Models (IFM), el laboratorio de modelos fundacionales de la universidad emiratí MBZUAI, presentó el 10 de noviembre de 2026 PAN 2, un modelo de mundo abierto. Su principio se resume en una fórmula del IFM: un modelo de lenguaje predice la siguiente palabra, PAN 2 predice «el siguiente mundo». A partir de una imagen y de acciones descritas en texto, genera un vídeo, de hasta 20 segundos, de lo que ocurriría a continuación. El código y los pesos están publicados bajo licencia Apache 2.0.

Dos niveles: el guion y, después, la imagen

PAN 2 retoma la arquitectura del primer PAN, descrita por el IFM en un informe técnico en noviembre de 2025, dividiéndola en dos niveles. Un modelo de lenguaje, al que el IFM denomina «razonamiento conceptual», lee la observación inicial y las acciones solicitadas, y redacta después el siguiente estado del mundo en forma de descripción estructurada: quién hace qué, en qué momento y cómo se mueve la cámara. Un modelo de difusión de 29 mil millones de parámetros, entrenado desde cero con cientos de millones de vídeos anotados en este mismo formato, se encarga del «razonamiento perceptivo»: completa lo que el texto deja abierto (geometría, materiales, detalles del movimiento). A continuación, el decodificador del VAE de Wan 2.2 transforma el resultado en un vídeo de 704 × 1248 píxeles a 24 fotogramas por segundo.

Esta división conlleva una consecuencia práctica: cualquier modelo de lenguaje que siga bien las instrucciones puede asumir el rol del primer nivel. La ficha técnica menciona los evaluados en el informe, clasificados según su tasa de planes completados con éxito: Claude Opus 5.5, GPT-6 Astra, Kimi K3 y Qwen 3.8 Flash. El IFM también proporciona una «habilidad» para agentes de programación y un script local para reescribir una solicitud libre en el formato esperado.

La página de presentación hace hincapié en tres aspectos: el tiempo (cambiar el momento de una acción altera el desenlace, como un surfista que se pone de pie demasiado pronto o demasiado tarde sobre la ola), la física (la leche, la tinta y el aceite vertidos en agua no se comportan igual) y el espacio (una habitación sigue siendo la misma cuando la cámara da un giro completo).

Requisitos para ponerlo en marcha

El IFM solo publica el modelo de difusión; el codificador de texto (Qwen3.5-9B) y el VAE (Wan 2.2) se descargan desde sus propios repositorios, bajo sus respectivas licencias. Cada proceso de generación carga el modelo completo de 29 mil millones de parámetros en una GPU, en BF16: hablamos de tarjetas para centros de datos, no de hardware de consumo. La ficha anuncia compatibilidad con Diffusers y vLLM, además del script del IFM.

El IFM recomienda encarecidamente utilizarlo tras una barrera de seguridad distribuida por separado, pan2-guardrail, que filtra la petición antes de la generación y, posteriormente, el vídeo generado. La ficha excluye expresamente los deepfakes de personas reales sin su consentimiento, la desinformación y la toma de decisiones críticas para la seguridad sin supervisión humana.

Aspectos pendientes de verificación

Las comparativas publicadas (Physics-IQ Verified, PhyGround, RBench, preferencia humana en Elo sobre 140 prompts y 13 evaluadores) han sido elaboradas en su totalidad por el IFM. Las cifras de su barrera de seguridad proceden asimismo de pruebas internas: reduciría del 33,9% al 1,5% la proporción de peticiones dañinas que generan un vídeo problemático, pero bloquearía el 11,5% de las peticiones legítimas de texto a vídeo.

El IFM se muestra transparente respecto a las limitaciones: aproximadamente dos de cada tres planes simulados contienen al menos un paso que no llega a ejecutarse; el modelo es sensible a la redacción; la apariencia visual se degrada de un clip a otro en interacciones prolongadas; los movimientos minuciosos (donde cada dedo toca un objeto) siguen describiéndose con dificultad mediante texto; y una simulación puede avanzar haciendo trampas con la física, como unos espaguetis que aparecen en el escurridor antes de haber sido colados.