PAN 2 يفتح أوزانه، وتجربة استبعاد واحدة تشرح التصميم كله

في 10 نوفمبر، أصدر معهد نماذج الأساس في جامعة MBZUAI نموذج PAN 2 مع الأوزان وشيفرة التدريب وشيفرة الاستدلال تحت رخصة Apache 2.0. قليلة هي نماذج العالم التي تنشر شيفرة تدريبها، والبيان الصحفي يعتمد على هذه النقطة ويشير إليها أكثر من مرة. لكن ما يستحق القراءة هو المدونة التقنية، لأنها تحتوي على تجربة استبعاد واحدة تعيد تعريف ما هو هذا النظام.
أعطِ PAN 2 مشهداً أولياً وفعلاً موصوفاً بالكلمات، فيُخرج ما يصل إلى عشرين ثانية من الفيديو تُظهر ما يحدث بعد ذلك. المسألة هنا ليست جودة الصورة، بل ما إذا كان التسلسل يشكّل سلسلة معقولة من النتائج الفيزيائية، وهذا شيء آخر مختلف تماماً، وأصعب بكثير في القياس.
مُستدِلّان، ونقطة حفظ واحدة
البنية هي ما يسميه المعهد Generative Latent Prediction، وهي تقسم العمل إلى نصفين.
يقرأ نموذج لغوي متعدد الوسائط الصورة الأولية والفعل المطلوب، ثم يكتب وصفاً منظماً موقوتاً بالطوابع الزمنية للحالة التالية للعالم. من يتحرك. ومتى. وكيف تتحرك الكاميرا. هذا الوصف بصيغة JSON لا بنثر، وهذا مهم لأنه يصبح واجهة قابلة للفحص.
بعد ذلك يملأ محوّل انتشار متعدد الوسائط بـ29B معامل ما تتركه اللغة مفتوحاً. وقد دُرِّب من الصفر على لقطات حقيقية اختيرت بحسب الديناميكا الفيزيائية لا بحسب جمال الصورة. التلامس. التشوّه. طريقة تكسّر الموجة. يضبطه مشفّر نصي مجمّد Qwen3.5-9B، ويفكّ ترميز الإطارات VAE من Wan 2.2.
نقطة الحفظ المنشورة تتعامل مع النص إلى فيديو والصورة إلى فيديو. الإعدادات الافتراضية 704 في 1248، و24 إطاراً في الثانية، و50 خطوة أخذ عينات، وCFG 2.5، وحتى 20 ثانية. تُوصف حركة الكاميرا منفصلة عن حركة الممثلين، وبهذا يبقى المشهد متماسكاً عندما يتغيّر موقع النظر.
المخطِّط الافتراضي لدى المعهد هو Kimi K3. وفي إعداد القائمة على Physics-IQ Verified استخدموا Claude Opus 5.5 كمستدِلّ مفاهيمي. هذا التفصيل يستحق التذكّر، لأنه يعني أن الرقم الرئيسي هو جزئياً كلام عن نموذج لغوي يملكه غيرهم.
تجربة الاستبعاد هي الخبر
هذا هو الجدول الذي يستحق أن يُقتبس أكثر من ترتيب النموذج في القائمة.
أزل خطوة الاستدلال المفاهيمي ومرّر الفعل مباشرة إلى نموذج الانتشار، فتهبط نسبة إتمام الخطط متعددة الخطوات من 34.0% إلى 0.0%. وتهبط نسبة إتمام الخطوة الواحدة من 75.1% إلى 8.7%.
أعد كتابة الموجّه بالصيغة المنظمة نفسها مع الاحتفاظ بالتنسيق السطحي فقط، فتعود نسبة إتمام الخطة الكاملة إلى 27.8%. أي أن معظم القيمة في الاستدلال، وقليل جداً منها في التنسيق، وشيء صغير في البنية نفسها.
مرة أخرى بكلمات بسيطة. من دون مخطِّط يقرّر من يفعل ماذا ومتى، لا يستطيع نموذج الفيديو إتمام مهمة متعددة الخطوات على الإطلاق. لا على نحو سيئ فحسب، بل صفر تماماً. ما يُباع كمولّد فيديو أقرب إلى مُصيّر مركّب على مُجدوِل، والاستدلال الفيزيائي يسكن في المُجدوِل.

هذا التأطير يفسّر أيضاً نمط الفشل الذي يعترف به المعهد. نحو خطتين من كل ثلاث خطط محاكاة ما زالت تُسقط خطوة واحدة على الأقل. واحدة من ثلاث تنجح. وتذكر بطاقة النموذج نمطاً محدداً: المحاكاة تتخطى أحياناً خطوة فيزيائية ضرورية مع أنها تتقدّم نحو النتيجة المطلوبة. الإطار الأخير المقنع يستطيع أن يخفي تسلسلاً مكسوراً. وإن نظرت إلى الثانية الأخيرة فقط، فسوف تصدّقه.
أين يقف
خطط متعددة الخطوات على 100 مهمة يومية، نسبة إتمام الخطة الكاملة:
| النموذج | إتمام الخطة الكاملة |
|---|---|
| PAN 2 | 34.00% |
| MiniMax-H3 | 32.50% |
| FLUX 3 | 26.77% |
| Seedance 2.5 | 24.49% |
في الأبعاد الستة التي يستخدمها المعهد للذكاء الفيزيائي، وهي الاتساق الفيزيائي والتماسك السببي واستمرار الكيانات وتحقيق القيود وثبات زاوية النظر وديناميكا الهدف، يسجّل PAN 2 مجموعاً قدره 84.48. ويسجّل MiniMax-H3 نحو 87.20. أي أن PAN 2 يتقدّم في إنهاء الخطة ويتأخر في القدرات الفردية داخلها، وهذا شكل غريب ومحدد جداً للنتيجة. هو أفضل في إبقاء التسلسل على مساره من إتقان أي إطار منفرد فيه.
يضع Physics-IQ Verified نموذج PAN 2 عند 49.38 مع Opus 5.5 كمخطِّط. وهذا أفضل رقم بين الأوزان المفتوحة، أمام Cosmos 3 Super عند 48.62 وخلف FLUX 3 المغلق عند 51.11. أما PhyGround فـ4.74، وRBench 57.04. وفي مقارنة بشرية معتمة حول الالتزام بالفعل والمعقولية الفيزيائية واتساق العالم، جاء PAN 2 في المرتبة الثانية بين النماذج المفتوحة الأربعة التي جُرِّبت.
كل هذه الأرقام من تقرير المعهد نفسه. وإعداد القائمة العامة يعلنه المؤلفون، وهذه هي العادة المعتادة في هذا المجال، والتحفّظ المعتاد أيضاً.
تركيبه
الأوزان على Hugging Face في IFM/PAN2. والشيفرة في ifm-ai/PAN2، مع مستودع منفصل ifm-ai/pan2-guardrail لمرشّح الأمان، ويوصي المعهد بشدة بتشغيله إلى جانبه. والدعم موجود من اليوم الأول في Diffusers وvLLM-Omni.
عتبة الحوسبة عالية، والتوثيق الرسمي لا يخفي ذلك. كل عامل استدلال يحمّل النموذج الكامل بحجم 29B ويأخذ حصة من الموجّهات، فزيادة كروت الرسوميات تشتري تزامناً لا سرعة في طلب واحد. وخيارات التفريغ تنقل الكتل بين ذاكرة المعالج وكارت الرسوميات، ومقدار الفائدة يعتمد كلياً على عتادك.
هناك تفصيل في سير العمل يسهل إغفاله وهو مهم. يوفّر المعهد مهارة Conceptual Reasoner تعمل في Codex أو Claude Code، والتوصية أن يعاد بها كتابة الموجّهات النصية الحرة إلى تعليقات منظمة قبل التوليد. هذه هي تجربة الاستبعاد وقد صارت قراراً في المنتج. وهندسة الموجّهات هنا تعني إنتاج جدول عمل صالح للاستخدام، لا اختيار صفات أجمل.
التجربة الأولى المعقولة صغيرة وثابتة. احفظ الصورة الأولية والموجّه المعاد كتابته والإعداد والمخرج معاً، حتى إذا ساء تسلسل ما تستطيع أن تميّز: هل السبب وصف فعل غامض، أم موجّه منظم أسقط شرطاً، أم مرحلة الفيديو التي فقدت جسماً، ويوفّر عليك ذلك الكثير من التخمين.
لمن هذا
يقول المعهد صراحة إن هذا أساس للوكلاء، وليس لعبة لمقاطع عرض. الحلقة المقصودة هي: يقترح الوكيل فعلاً، ويحاكي PAN 2 نتيجته، ويقارن الوكيل النتائج ويعدّل، ثم تعود الملاحظات الجديدة إلى الداخل. ولكي تستحق هذه الحلقة التشغيل، يجب أن تكون المحاكاة قابلة للتحقق مقابل الواقع، لا مقنعة فحسب.
هنا تأتي أهمية نسبة 34%. إذا اكتملت خطة من ثلاث وفقدت اثنتان خطوة، فإن وكيلاً يستخدم هذا للتخطيط سيخطئ بما يكفي لتحتاج إلى مدقّق داخل الحلقة، وربما إلى إنسان. الفريق يقول ذلك. الاتساق العالمي طويل الأمد ما زال مفتوحاً، وحساسية الموجّه موثّقة، والاتساق بين المقاطع موثّق كمشكلة.
ومع ذلك، هناك أمران يجعلان التنزيل يستحق. الأوزان وشيفرة التدريب تتيحان إعادة إنتاج الإخفاقات بدل أخذها على الثقة. وتجربة استبعاد المخطِّط تعطيك اختباراً نظيفاً ورخيصاً: بدّل النموذج اللغوي، وأبقِ كل شيء آخر، وراقب هل تتحرك نسبة إتمام الخطط. هذا استخدام أفضل بكثير لساعة بعد الظهر من إعادة تشغيل قائمة ترتيب.
ما يسأله PAN 2 فعلاً هو أين يجب أن يسكن الاستدلال الفيزيائي. في Physics-IQ يتأخر بضع نقاط عن FLUX 3 المغلق، وفي الخطط الكاملة يتقدّم على كل النماذج المختبَرة بما فيها المغلقة. وهاتان النتيجتان لا تتفقان إلا إذا كان الاستدلال يحدث في المخطِّط وكان العمود الفقري الانتشافي يقوم بالتصيير. أرقام PAN 2 نفسه تشير إلى النموذج اللغوي، وإلى نموذج فيديو أقرب إلى فاكّ ترميز جيد جداً من عقل.
مقالات ذات صلة
خادم واحد ومذيعة ذكاء اصطناعي واحدة: داخل الكود الذي يُشغّل بثًا ليليًا
open-yoki هو الكود الإنتاجي لمذيعة ذكاء اصطناعي تبث كل ليلة على Binance Square، بعد نزع الشخصية والصوت وكل ما يمس المال. متصفح Chrome يرسم الإطار، وffmpeg يدفع RTMP، ومجلد Markdown يحدد مزاجها وما تنشره.
Pinky يدع الـ agent يقود هاتفك، ويُبقي زر الإرسال مضغوطًا حتى تنقر على «السماح»
يوصّل Pinky أي agent يعمل بـ MCP بهاتف iPhone أو Android حقيقي، ويفرض الموافقة في بوابته هو لا في prompt. تطبيقات البنوك غير مرئية، وحقول كلمة المرور ممنوعة، وعلى Android 13 يحصل الـ agent على شاشة ثانية مخفية.
SeedRealtime من ByteDance يلتقط إطارين في الثانية ويقرر بنفسه متى يتكلم
يجمع Doubao-Seed-Realtime-1.0 إطارات الكاميرا وإطارات الشاشة والصوت في جلسة واحدة ثنائية الاتجاه، بإطارين في الثانية كحد أقصى. القرارات المثيرة هي معدل الإطارات، والكلام التلقائي، وردّ التدقيق الذي يأتي مفعّلاً من المصنع.
أحدهم وضع قوانين العالم في git، فصار بالإمكان عمل blame لمادة قانونية
يحفظ global-law نصوص القوانين في كل بلد داخل مستودع git يمثّل فيه كل commit قانونًا يدخل حيّز التنفيذ في تاريخ معروف. يمكنك تشغيل log وblame وshow وdiff على مادة ما، والسؤال عمّا كان ساريًا في كل بلد في يوم معيّن، وتسليم المدوّنة كاملة إلى مساعد عبر MCP.