PAN 2: il modello di mondo aperto dell'IFM simula in video le conseguenze di un'azione prima che un agente agisca

L’Institute of Foundation Models (IFM), il laboratorio di modelli di base dell’università emiratina MBZUAI, ha presentato il 10 novembre 2026 PAN 2, un modello di mondo aperto. Il suo principio si riassume in una formula dell’IFM: un modello linguistico predice la parola successiva, PAN 2 predice «il mondo successivo». A partire da un’immagine e da azioni descritte via testo, genera un video, fino a 20 secondi, di ciò che accadrebbe dopo. Il codice e i pesi sono pubblicati sotto licenza Apache 2.0.

Due livelli: prima lo scenario, poi l’immagine

PAN 2 riprende l’architettura del primo PAN, descritto dall’IFM in un rapporto tecnico a novembre 2025, articolandola su due livelli. Un modello linguistico, che l’IFM definisce «ragionamento concettuale», analizza l’osservazione iniziale e le azioni richieste, redigendo poi lo stato successivo del mondo sotto forma di descrizione strutturata: chi fa cosa, in quale momento e come si muove la cinepresa. Un modello di diffusione da 29 miliardi di parametri, addestrato da zero su centinaia di milioni di video annotati in questo stesso formato, gestisce il «ragionamento percettivo»: colma ciò che il testo lascia aperto (geometria, materiali, dettagli del movimento). Il decoder del VAE di Wan 2.2 trasforma poi il risultato in un video da 704 × 1248 pixel a 24 fotogrammi al secondo.

Questa suddivisione comporta un vantaggio pratico: qualsiasi modello linguistico capace di seguire con precisione le istruzioni può svolgere il ruolo di primo livello. La documentazione cita quelli testati nel rapporto, classificati in base al tasso di piani portati a compimento: Claude Opus 5.5, GPT-6 Astra, Kimi K3 e Qwen 3.8 Flash. L’IFM fornisce inoltre una «skill» per agenti di codice e uno script locale per riformattare una richiesta libera nel formato previsto.

La pagina di presentazione pone l’accento su tre aspetti: il tempo (modificare il momento di un’azione cambia l’esito, come un surfista che si alza troppo presto o troppo tardi sull’onda), la fisica (latte, inchiostro e olio versati nell’acqua non si comportano allo stesso modo) e lo spazio (una stanza rimane la stessa quando la cinepresa compie un giro completo a 360 gradi).

I requisiti di funzionamento

L’IFM pubblica esclusivamente il modello di diffusione; l’encoder di testo (Qwen3.5-9B) e il VAE (Wan 2.2) si scaricano dai rispettivi repository, con le proprie licenze. Ogni processo di generazione carica l’intero modello da 29 miliardi di parametri su una GPU, in BF16: parliamo di schede da data center, non di hardware consumer. La scheda tecnica annuncia il supporto all’interno di Diffusers e vLLM, oltre allo script fornito dall’IFM.

L’IFM raccomanda caldamente l’uso congiunto di un guardrail distribuito a parte, pan2-guardrail, che filtra la richiesta prima della generazione e successivamente il video prodotto. La documentazione esclude in particolare deepfake di persone reali non consenzienti, disinformazione e decisioni critiche per la sicurezza senza convalida umana.

Cosa resta da verificare

I confronti pubblicati (Physics-IQ Verified, PhyGround, RBench, preferenza umana Elo su 140 prompt e 13 valutatori) sono stati interamente prodotti dall’IFM. Anche i numeri relativi al guardrail derivano da test interni: ridurrebbe dal 33,9% all‘1,5% la quota di richieste dannose che sfociano in un video problematico, bloccando però l‘11,5% delle richieste lecite da testo a video.

L’IFM si mostra trasparente riguardo ai limiti: circa due piani simulati su tre contengono almeno un passaggio non eseguito; il modello risulta sensibile alla formulazione; l’aspetto visivo tende a deviare da una clip all’altra nelle interazioni prolungate; i gesti di precisione (come il punto esatto di contatto di ogni dito su un oggetto) rimangono difficili da descrivere a parole; e una simulazione può avanzare violando le leggi della fisica, mostrando ad esempio della pasta già nello scolapasta prima ancora che venga scolata.