PAN 2: el world model open source de MBZUAI

El Instituto de Foundation Models de MBZUAI lanzó el 10 de noviembre de 2026 PAN 2, un modelo de inteligencia artificial abierto diseñado para simular las consecuencias físicas de las acciones. El sistema permite predecir qué ocurre en un entorno real tras una secuencia específica de movimientos, sirviendo de base para entrenar robots y agentes de software.

Qué se ha anunciado

PAN 2 es un world model, es decir, un modelo que simula las reglas de un entorno, compuesto por 29.000 millones de parámetros. El proyecto es de código abierto con licencia Apache 2.0, con los pesos y el código disponibles en Hugging Face y GitHub. El modelo genera vídeos a 24 fotogramas por segundo, con una resolución de 704x1248 píxeles y una duración predeterminada de unos 10 segundos, llegando hasta un máximo de 20. La adición de un planificador textual mejora los resultados: sin él, solo el 8,7 % de los pasos es correcto, mientras que con el sistema completo se alcanza un 75,1 % de precisión y un 34 % de planes completados.

Cómo funciona

La arquitectura divide el trabajo en dos fases distintas. Un primer modelo de lenguaje analiza la escena inicial y las acciones solicitadas, escribiendo una descripción textual estructurada que detalla quién hace qué y cuándo. Un segundo modelo, entrenado desde cero con cientos de millones de vídeos, transforma esta descripción en un vídeo realista utilizando un codificador de texto de 9.000 millones de parámetros y un decodificador visual. Es como si un director escribiera primero el guion detallado y un segundo equipo se encargara exclusivamente de rodar las imágenes finales, garantizando que los objetos mantengan su forma y posición incluso cuando la cámara se mueve.

Qué cambia para las empresas

Para las empresas que desarrollan automatización física, esta herramienta reduce los costes de experimentación en el mundo real. Por ejemplo, una empresa que construye brazos robóticos para almacenes puede usar el modelo para simular el levantamiento de cajas de distintos pesos, comprobando si la pinza aguanta antes de programar la maquinaria física. Asimismo, un estudio de ingeniería puede probar virtualmente cómo se mueven las personas en un nuevo diseño de oficina, generando vídeos realistas de los desplazamientos para evaluar los flujos de trabajo sin tener que construir maquetas físicas.

Límites y qué tener en cuenta

El modelo no es interactivo ni funciona en tiempo real, por lo que no puede sustituir a un motor gráfico para aplicaciones en directo. Requiere recursos de hardware elevados: solo los pesos del modelo ocupan unos 58 gigabytes, a los que se suman 19 gigabytes para el codificador de texto. Los datos de entrenamiento están orientados a escenas físicas cotidianas y robótica, por lo que los resultados podrían no ser adecuados para generar arte estilizado sin un entrenamiento adicional. Las fuentes no especifican si el modelo cumple ya con las normativas europeas específicas sobre inteligencia artificial, pero recomiendan el uso de un filtro de seguridad dedicado.

Cómo probarlo

El código y los pesos se pueden descargar de Hugging Face y GitHub. Para ejecutarlo se necesita un script de inferencia incluido en el repositorio, que también admite la carga parcial desde la memoria del sistema si el hardware no es suficiente. Los desarrolladores pueden utilizar pilas de inferencia abiertas como vLLM-Omni, que garantiza soporte inmediato para la generación de texto a vídeo y de imagen a vídeo.