PAN 2：MBZUAI傘下のIFM、エージェントの行動結果を動画で事前シミュレーションするオープンワールドモデルを公開

アラブ首長国連邦のMBZUAI傘下の基盤モデル研究所であるInstitute of Foundation Models（IFM）は、2026年11月10日、オープンなワールドモデル「PAN 2」を発表した。その基本思想は、IFMの「言語モデルが次の単語を予測するのに対し、PAN 2は『次の世界』を予測する」という言葉に集約されている。1枚の画像とテキストで記述された一連の行動から、その後に何が起こるかを最長20秒の動画として生成する。コードとモデルの重みはApache 2.0ライセンスで公開された。

2段階構成：シナリオの策定から画像化へ

PAN 2は、IFMが2025年11月のテクニカルレポートで発表した初代PANのアーキテクチャを踏襲しつつ、処理を2つのステージに分割している。IFMが「概念的推論」と呼ぶ第1ステージの言語モデルが、初期の観測結果と要求された行動を読み取り、世界の次の状態を構造化データとして書き起こす。そこには、誰がいつ何を行い、カメラがどう動くかがタイムスタンプ付きで記述される。このフォーマットでアノテーションされた数億本の動画を用いてゼロから学習された第2ステージの290億パラメータの拡散モデルが、「知覚的推論」を担当する。形状、質感、動きの詳細など、テキストでは書き切れない余白を補完する仕組みだ。最終的にWan 2.2のVAEデコーダが、この出力を704×1248ピクセル、24fpsの動画へと変換する。

この構造分離は実用面で大きな利点を持つ。指示追従性能の高い言語モデルであれば、理論上どれでも第1ステージとして代用できるからだ。モデルカードにはレポート内で検証されたモデルが完遂率順に記載されており、Claude Opus 5.5、GPT-6 Astra、Kimi K3、Qwen 3.8 Flashが並ぶ。またIFMは、コーディングエージェント用の「スキル」や、自由記述のプロンプトを規定フォーマットに書き直すローカルスクリプトも提供している。

紹介ページでは、3つの物理的側面が強調されている。時間（波の上で立ち上がるタイミングが早すぎたり遅すぎたりするサーファーのように、行動の時期が結果を左右する）、物理法則（水に注がれた牛乳、インク、油はそれぞれ挙動が異なる）、そして空間（カメラが360度回転しても部屋の構造が一貫性を保つ）の3点だ。

実行に必要な環境

IFMから直接配布されているのは拡散モデルのみで、テキストエンコーダ（Qwen3.5-9B）とVAE（Wan 2.2）はそれぞれの個別リポジトリから各ライセンスに沿ってダウンロードする必要がある。生成プロセスごとに290億パラメータのモデル全体をBF16形式で単一GPU上に展開するため、一般消費者向けハードウェアではなくデータセンター向けGPUが前提となる。IFMのスクリプトに加え、DiffusersおよびvLLMでのサポートもモデルカードに明記されている。

IFMは、別途配布されるガードレール機構「pan2-guardrail」を介した運用を強く推奨している。これは生成前のプロンプトと生成後の動画の双方をフィルタリングするものだ。利用規約では、同意のない実在人物のディープフェイク、偽情報の拡散、人間の確認を伴わない安全上重大な判断への利用などが明確に禁止されている。

今後の検証課題

公開されている比較データ（Physics-IQ Verified、PhyGround、RBench、ならびに140件のプロンプトと評価者13名によるElo方式の人間評価）は、すべてIFM自身が測定した数値だ。ガードレールの性能値も社内テストに基づくもので、有害なリクエストが問題動画につながる割合を33.9%から1.5%へと抑える一方、正常なテキスト・トゥ・ビデオ要求の11.5%を誤遮断するという。

IFMは課題についても率直に公表している。シミュレートされた計画の約3分の2で未完遂のステップが少なくとも1つ含まれること、プロンプトの言い回しに結果が左右されやすいこと、長時間のインタラクションではクリップ間で外見の一貫性が崩れることなどが挙げられている。各指が物体に触れるような微細な動作はテキストで表現しきれず、湯切り前のパスタがすでにざるの中に出現するといった、物理法則を無視した描写でシーンが進んでしまう現象も確認されている。