MBZUAI เปิดตัว PAN 2 เวิลด์โมเดลโอเพนซอร์ส 29B สำหรับ Physical AI

Institute of Foundation Models (IFM) ภายใต้ MBZUAI เปิดตัว PAN 2 เวิลด์โมเดลโอเพนซอร์สเพื่อพัฒนาความฉลาดทางกายภาพ (Physical Intelligence) โดยโมเดลนี้สามารถรับข้อมูลฉากและการกระทำในรูปแบบข้อความ เพื่อจำลองวิดีโอผลลัพธ์ที่เกิดขึ้นจริง

IFM ได้ ประกาศเรื่องนี้บน X เมื่อวันที่ 10 พฤศจิกายน 2026 พร้อมปล่อยทั้งค่าน้ำหนักโมเดล (Weights), training code และ Inference Code ภายใต้สัญญาอนุญาต Apache 2.0 เพื่อให้นักพัฒนาหุ่นยนต์สามารถทดสอบแผนงานในโปรแกรมจำลองก่อนลงมือปฏิบัติจริงในโลกเวิร์ค

TL;DR

• ขนาด: ใช้ Diffusion Transformer (MMDiT) พารามิเตอร์ 29B รองรับอินพุตข้อความและเฟรมภาพเริ่มต้น สร้างวิดีโอความละเอียด 704×1248 ที่ 24 fps ได้นานสูงสุด 20 วินาที
• การใช้งาน: รันบน GPU ระดับ Data Center โดยแต่ละ Worker จะโหลดโมเดล 29B เต็มรูปแบบในฟอร์แมต BF16 พร้อมระบบ Block Offloading สำรอง
• ประสิทธิภาพ: นำหน้าโมเดลอื่นในการทดสอบด้านแผนงานเต็มรูปแบบ (Full Plans) แต่ยังตามหลัง MiniMax-H3 ในด้านการกระทำเดี่ยวและความพึงพอใจของผู้ใช้งาน
• จุดแข็ง: อัตราความสำเร็จแผนงานเต็มรูปแบบ (Full-plan Completion) อยู่ที่ 34.0% จาก 100 งานหลายขั้นตอน ซึ่งสูงที่สุดในกลุ่มโมเดลที่ทดสอบ
• ข้อจำกัด: แผนงานราว 2 ใน 3 ยังมีขั้นตอนตกหล่น โดยมีคะแนน Physics-IQ พื้นฐานอยู่ที่ 37.48 เทียบกับ MiniMax-H3 ที่ทำได้ 42.91
• สรุป: เป็นเวิลด์โมเดลโอเพนซอร์สที่โดดเด่นด้านงานหลายขั้นตอน แต่แผนงานยาวๆ ยังมีความผิดพลาดและต้องการทรัพยากรฮาร์ดแวร์สูง

PAN 2 คืออะไร?

PAN 2 คือเวิลด์โมเดลอเนกประสงค์จาก IFM ที่ใช้จำลองการเปลี่ยนแปลงของสถานการณ์หลังการกระทำ โดยพัฒนาบนสถาปัตยกรรม Generative Latent Prediction (GLP) จากงานวิจัย Critique of World Models ซึ่งต่อยอดมาจาก PAN รุ่นแรกที่เปิดตัวเมื่อปี 2025

หัวใจสำคัญคือการสร้าง "การใช้เหตุผลเชิงจำลอง" (Simulative Reasoning) ซึ่งช่วยให้เอเจนท์สามารถเสนอแผนงานหลายรูปแบบ แล้วให้ PAN 2 จำลองผลลัพธ์ของแต่ละแผนเพื่อให้เอเจนท์เลือกดำเนินการตามแนวทางที่ดีที่สุด

PAN 2 ทำงานอย่างไร?

ระบบของ PAN 2 แบ่งการใช้เหตุผลออกเป็น 2 ส่วนหลัก:

• การใช้เหตุผลเชิงแนวคิด (Conceptual Reasoning): ใช้ LLM (ค่าเริ่มต้นคือ Kimi K3) วิเคราะห์สถานการณ์และการกระทำที่ได้รับ แล้วสรุปสถานะถัดไปของโลกเป็น JSON ที่ระบุเหตุการณ์ การกำหนดเวลาของผู้กระทำ และการเคลื่อนที่ของกล้อง
• การใช้เหตุผลเชิงการรับรู้ (Perceptual Reasoning): ใช้ MMDiT ขนาด 29B ทำนายค่า Latents ของวิดีโอ โดยฝึกฝนใหม่ตั้งแต่ต้นด้วยวิดีโอพร้อมคำบรรยายหลายร้อยล้านชุด ใช้ Qwen3.5-9B เป็นตัวกำหนดเงื่อนไข และใช้ Wan 2.2 VAE ในการเรนเดอร์เฟรม

ผลการทดสอบชี้ว่า LLM มีบทบาทสำคัญอย่างยิ่ง หากตัดส่วนการใช้เหตุผลเชิงแนวคิดออก อัตราความสำเร็จของแผนงานจะลดลงจาก 34.0% เหลือ 0.0% ทันที นอกจากนี้ IFM ยังพบว่าการคัดกรองข้อมูลที่ไม่เกี่ยวข้อง เช่น ฟุตเทจเกมหรือเพลงออกจากการฝึก ช่วยให้โมเดลได้รับคะแนนโหวตความพึงพอใจสูงขึ้น

ประสิทธิภาพบนเกณฑ์มาตรฐาน

จากการรายงานของ IFM ในการทดสอบการกระทำเดี่ยว 300 กรณี และงานหลายขั้นตอน 100 งาน พบผลลัพธ์ดังนี้:

• Full-plan Completion: ทำได้ 34.00% สูงกว่า MiniMax-H3 (32.50%) และ FLUX 3 (26.77%)
• Physics-IQ Verified: คะแนน 49.38 ขึ้นแท่นอันดับหนึ่งในกลุ่มโอเพนซอร์ส ตามหลังเพียง FLUX 3 ที่เป็นโมเดลแบบปิด (51.11)
• Human Elo: อยู่ที่ 1595 คะแนน (วัดโดย GPT-6 Astra) ตามหลัง MiniMax-H3 ที่ได้ 1620 คะแนน

ตารางเปรียบเทียบ PAN 2 กับคู่แข่ง

การใช้งานและข้อควรระวัง

PAN 2 รองรับการสร้างวิดีโอทั้งจากข้อความ (T2V) และจากภาพ (I2V) โดยสามารถรันผ่าน Hugging Face Diffusers, vLLM หรือ FastVideo ได้ทันที

ผู้ใช้งานควรใช้ร่วมกับ pan2-guardrail เพื่อความปลอดภัย ซึ่งจากการทดสอบพบว่าช่วยลดการสร้างเนื้อหาที่ไม่เหมาะสมจาก 33.9% เหลือเพียง 1.5% แม้จะมีการบล็อกคำสั่งปกติไปบ้างราว 11.5% ก็ตาม

ประเด็นสำคัญ

• PAN 2 ผสาน LLM Planner เข้ากับโมเดล Diffusion 29B ที่ฝึกใหม่ทั้งหมด
• ครองอันดับหนึ่งด้านความสำเร็จแผนงานหลายขั้นตอนที่ 34.0%
• ปล่อยค่าน้ำหนักและโค้ดทั้งหมดเป็นโอเพนซอร์สภายใต้ Apache 2.0
• ระบบวางแผนโดย LLM คือหัวใจหลักที่ขาดไม่ได้สำหรับประสิทธิภาพโมเดล