PAN 2 把「如果採取這個行動，會發生甚麼」變成可觀看的影片。這個由 MBZUAI 基礎模型研究所（Institute of Foundation Models，IFM）開發的世界模型（world model），會接收現有畫面、可選文字描述及以文字表達的行動，模擬最多 20 秒的變化，方便代理（agent）先比較不同選擇再採取行動。
它的設計取捨在於把語意與視覺分工處理。大型語言模型（large language model，LLM）負責理解情境、列出事件時序與鏡頭運動，再由 latent diffusion model 把結構化描述轉成影片；當中的 29B 參數 MMDiT（Multimodal Diffusion Transformer）負責細節生成。這種安排不是單靠影片模型猜測物理與因果，而是先建立可檢查的行動與時間關係。
目前模型可透過 Hugging Face、Diffusers 與 vLLM 使用，亦有本地部署文件，毋須自行拼接推理流程。不過 29B 參數版本對 GPU 記憶體和運算資源要求不低，影片生成速度亦會限制逐個方案試算的實務節奏。
PAN 2 採用的 Generative Latent Prediction（GLP）架構，源自《Critique of World Models》研究；模型資料頁亦涵蓋多步計劃、人手評估、安全護欄與已知訓練限制。
- 輸入可包含圖片、文字及文字行動描述
- 模擬影片長度可達 20 秒
- LLM 負責概念推理，latent diffusion model 負責視覺生成
- 29B 參數模型提供公開權重與部署路徑
研究團隊、影片生成開發者，以及需要預先推演操作後果的 robotic（機器人）與 Agentic 系統團隊，都可把 PAN 2 當作方案評估工具。