MBZUAI 旗下 IFM 开源世界模型 PAN 2：多模态 LLM 规划「谁在何时做什么」，29B 扩散模型生成最长 20 秒模拟视频，Physics-IQ 49.38 居开源第一，Apache 2.0

核心背景与行业痛点

大语言模型预测下一个词，但机器人和 Agent 真正需要的是预测「做了这个动作之后世界会变成什么样」。现有视频生成模型画面好看，却常常不守物理规律、动作顺序乱、镜头一转物体就变了，难以拿来做决策前的预演。MBZUAI 基础模型研究院 IFM 11 月 10 日开源 PAN 2，目标就是做一个可以检查、可以复现的「先模拟再行动」的世界模型。

架构亮点与底层机制

PAN 2 沿用 IFM 提出的生成式潜变量预测（GLP）架构，分两步：多模态 LLM 读入起始画面和文字动作，写出带时间戳的结构化世界状态，包括谁在什么时候做什么、镜头怎么动；29B 参数、从零训练的 MMDiT 扩散模型再据此补全外观和运动细节，由 Wan 2.2 VAE 解码成最长 20 秒的视频。镜头运动单独描述，所以视角变化时场景本身保持一致。

权威 Benchmark 与实测跑分对比

以下为 IFM 技术报告口径：Physics-IQ Verified 排行榜设置（用 Claude Opus 5.5 做概念推理）得分 49.38，开源模型最高，Cosmos 3 Super 为 48.62，闭源 FLUX 3 为 51.11；PhyGround 4.74、RBench 57.04。100 个日常任务的多步计划中，整计划完成率 34.00%，高于 MiniMax-H3 的 32.50%；但六项能力总分 84.48，低于 MiniMax-H3 的 87.20。官方也坦言约三分之二的计划模拟仍有步骤没执行到位。

开发者实战落地与开箱指南

权重在 Hugging Face 的 IFM/PAN2，代码在 GitHub ifm-ai/PAN2，Apache 2.0 可商用；Diffusers 和 vLLM-Omni 首日支持。每个推理进程需加载完整 29B 模型，默认 50 步采样，算力门槛不低。输入最好先用官方的 Conceptual Reasoner 技能（可在 Codex / Claude Code 中使用）改写成结构化描述，官方强烈建议同时部署 pan2-guardrail 安全过滤。