PAN 2 world model open source MBZUAI

L'Istituto di Foundation Models di MBZUAI ha rilasciato il 10 novembre 2026 PAN 2, un modello di intelligenza artificiale aperto progettato per simulare le conseguenze fisiche delle azioni. Il sistema permette di prevedere cosa accade in un ambiente reale dopo una specifica sequenza di movimenti, servendo come base per addestrare robot e agenti software.

Cosa è stato annunciato

PAN 2 è un world model, ovvero un modello che simula le regole di un ambiente, composto da 29 miliardi di parametri. Il progetto è open source con licenza Apache 2.0, con pesi e codice disponibili su Hugging Face e GitHub. Il modello genera video a 24 fotogrammi al secondo, con una risoluzione di 704x1248 pixel e una durata predefinita di circa 10 secondi, arrivando fino a un massimo di 20. L'aggiunta di un pianificatore testuale migliora i risultati: senza di esso solo l'8,7% dei passaggi risulta corretto, mentre con il sistema completo si raggiunge il 75,1% di accuratezza e il 34% di piani completati.

Come funziona

L'architettura divide il lavoro in due fasi distinte. Un primo modello linguistico analizza la scena iniziale e le azioni richieste, scrivendo una descrizione testuale strutturata che dettaglia chi fa cosa e quando. Un secondo modello, addestrato da zero su centinaia di milioni di video, trasforma questa descrizione in un video realistico utilizzando un codificatore di testo da 9 miliardi di parametri e un decodificatore visivo. È come se un regista scrivesse prima la sceneggiatura dettagliata e un secondo team si occupasse esclusivamente di girare le immagini finali, garantendo che gli oggetti mantengano la loro forma e posizione anche quando la telecamera si muove.

Cosa cambia per le aziende italiane

Per le aziende che sviluppano automazione fisica, questo strumento riduce i costi di sperimentazione nel mondo reale. Per esempio, un'azienda che costruisce bracci robotici per magazzini può usare il modello per simulare il sollevamento di scatole di pesi diversi, verificando se la presa regge prima di programmare il macchinario fisico. Per esempio, uno studio di ingegneria può testare virtualmente come si muovono le persone in un nuovo layout di ufficio, generando video realistici degli spostamenti per valutare i flussi di lavoro senza dover costruire plastici fisici.

Limiti e cosa tenere d'occhio

Il modello non è interattivo e non funziona in tempo reale, quindi non può sostituire un motore grafico per applicazioni live. Richiede risorse hardware elevate: i soli pesi del modello occupano circa 58 gigabyte, a cui si aggiungono 19 gigabyte per il codificatore di testo. I dati di addestramento sono orientati a scene fisiche quotidiane e robotica, quindi i risultati potrebbero non essere adatti per generare arte stilizzata senza un addestramento aggiuntivo. Le fonti non specificano se il modello sia già conforme a specifiche normative europee sull'intelligenza artificiale, ma raccomandano l'uso di un filtro di sicurezza dedicato.

Come provarlo

Il codice e i pesi sono scaricabili da Hugging Face e GitHub. Per eseguirlo serve uno script di inferenza incluso nel repository, che supporta anche il caricamento parziale dalla memoria di sistema se l'hardware non è sufficiente. Gli sviluppatori possono utilizzare stack di inferenza aperti come vLLM-Omni, che garantisce il supporto immediato per la generazione da testo a video e da immagine a video.