机の上にある物を押すと、その後どう動くでしょうか。この問いには、位置、動き、接触、タイミングが関わります。複数の行動を計画するAIにとって、細かな判断のずれが最終的な結果を左右することがあります。

PAN 2は、こうした問題に動画のシミュレーションを通じて取り組むモデルです。MBZUAIが設立したInstitute of Foundation Models(IFM)が2026年11月10日に公開しました。研究者は、ある行動を取ったときに場面がどう変わるかを調べられます。

今回の公開によって、開発者は重みをダウンロードし、コードや制約を確認しながら検証を進められるようになりました。個々の用途にどれだけ役立つかは、実際のテストで確かめる必要があります。

場面の説明から動画ができるまで

PAN 2に場面と行動を文章で伝えると、最大20秒の動画が生成されます。開始時点の画像を加えることもできます。

最初に言語モデルが、出来事、動作の主体、タイミング、カメラの動きを整理した構造化記述を作ります。テキストエンコーダーがその記述を処理し、動画拡散モデルが場面の変化を潜在表現として予測します。最後に動画デコーダーが、目に見えるフレームへと変換します。

結果に問題があったときは、各段階を分けて確認できます。元の指示が曖昧だった可能性もあれば、構造化する過程で大切な条件が抜けた可能性もあります。動画生成の段階で、物体の位置や見た目が保たれなかったケースも考えられます。中間の記述を保存しておくと、原因を探りやすくなります。

何がダウンロードできるのか

公開された動画拡散モデルは290億パラメータです。一つのチェックポイントで、テキストからの動画生成と画像からの動画生成に対応します。重みはHugging Face、学習・推論コードは公式GitHubリポジトリで公開されています。

一連の処理には、別途配布されているQwen3.5-9BテキストエンコーダーやWan 2.2 VAEも使います。場面や行動の指示を整理する言語モデルについても、構成を決める必要があります。

PAN 2独自のコードと重みにはApache 2.0ライセンスが適用されます。外部コンポーネントには、それぞれのライセンスが適用されます。サービスに組み込む場合は、利用する構成全体についてライセンスと著作権表示を確認しておきたいところです。

導入前に確認したいこと

公式リポジトリには、環境構築、チェックポイントの変換、推論の手順がまとめられています。標準の推論ランチャーでは、各GPUのワーカープロセスが290億パラメータのモデル全体を保持し、プロンプトを分担して処理します。GPUを増やすことで、並行して処理できるリクエストを増やせます。

推論ドキュメントには、モデルやブロックをCPUメモリとGPUの間で移動させるオフロードの設定も記載されています。どの程度有効かは、ハードウェアと設定によって変わります。この記事ではPAN 2を実際に動かしていないため、動作確認済みの最低GPU要件や生成時間は示していません。

最初の検証では、少数の入力を固定して試すと比較しやすくなります。開始画像、書き換え後のプロンプト、設定、出力動画をまとめて保存しておけば、設定変更による違いや、失敗の再現を確認できます。

制約が実際の利用にどう影響するか

IFMのモデルカードでは、長い行動計画、プロンプトの表現への依存、複数の動画にまたがる一貫性に課題があると説明されています。目標とする結果に近づきながら、必要な物理的過程を飛ばしてしまう場合もあります。

特に最後の点は、評価時に気をつけたいところです。最後のフレームが自然に見えても、途中の動作に誤りが含まれている可能性があります。動画全体を通して物体を追い、位置、出来事の順序、各動作に必要な条件を確認することが大切です。

検証の観点としては、同じ物体が動作中も保たれているか、最終位置がそれまでの動きとつながっているか、開始条件を変えると結果も適切に変わるか、といった問いが考えられます。これらは今後のテストに向けた提案です。本記事で実験を行った結果ではありません。

重要な判断に利用する前には、シミュレーションを実際の観察や実験と照合する必要があります。安全性が関わる用途では、独立した審査と検証も求められます。また、実写と誤解される可能性がある動画を公開する際は、生成コンテンツであることを明示する必要があります。

どのような人が注目するとよいか

PAN 2は、世界モデル、ロボティクス、エージェントの行動計画に取り組む研究者にとって、特に関心の高いプロジェクトでしょう。重みとコードを使って失敗例を調べ、処理手順を調整し、自分たちの課題に合わせた再現可能な評価を組めます。

AIの動向を広く追っている読者にとっても、「変化する場面の中で、モデルは一つの行動をどれだけ確実に最後まで表現できるか」という視点は役に立ちます。時間の流れ、物体の持続性、因果の順序が、一連のフレームを通じて見えてきます。

今後参考になるのは、独立したテストや導入事例の報告です。安定して扱える動作、失敗しやすい条件、実用的な構成に必要な計算資源が、そうした検証から明らかになっていくはずです。