PAN 2：MBZUAI 的 29B 世界模型推出 ComfyUI 节点，可生成 20 秒片段

PAN 2 是 MBZUAI 基础模型研究院（Institute of Foundation Models）推出的 29B 世界模型。用文本描述一个动作，可选地给它一张起始帧，它就会把接下来发生的事情模拟成一段最长 20 秒、704x1248 分辨率、24 fps 的片段。该模型于 11 月 10 日发布，权重、推理代码和训练配置均已放入仓库，社区 ComfyUI 节点也在第二天出现。

官方演示片段中的一帧。来源：IFM/PAN2

官方演示的 26 秒内容，重新编码为 1280x720。来源：IFM/PAN2

工作原理

两个模型轮流工作。一个被冻结的 LLM（称为概念推理器）会把你的请求改写为结构化的世界状态描述：带时间范围的事件、绑定到动作主体的操作、相机运动。随后 29B 的 MMDiT 预测视频 latent，补全描述中未展开的细节，最后由原版 Wan 2.2 VAE 解码成视频。

文本编码器是 Qwen3.5-9B，且保持冻结，因此你调整的是提示词，而不是模型。

两个主干网络，以及冻结的编码器和解码器。来源：IFM/PAN2

在 ComfyUI 中使用

目前还没有官方节点，但 ComfyUI-PAN2 是 11 月 11 日发布的可用移植版本：纯 PyTorch 加 SDPA，因此在 Windows 上也能运行。它可直接加载 diffusers 目录结构的权重。

• 扩散模型：来自 IFM/PAN2 的 bf16 transformer/，或社区 33.7 GB 的 fp8 重打包版本 zombothe26/pan2-fp8。
• VAE：ComfyUI 自带的标准 Wan 2.2 VAE。
• 文本编码器：Qwen/Qwen3.5-9B。
• 节点图：PAN2 Model Loader 和 PAN2 Prompt Builder 接入 PAN2 Text Encode (Qwen3.5)，再由 PAN2 Sampler 连接到核心的 VAE Decode 和 Create Video，帧率为 24 fps。

默认参数与官方一致：50 步、CFG 2.5、shift 9、704x1248、241 帧。节点作者实测，在 RTX 5090 上约 65 秒、在 RTX 4090 上约 129 秒可生成一段连贯的 448x256、13 帧、16 步片段，权重常驻内存，44 个 transformer 块逐个换入 GPU。

在这里，提示词格式并非可选。PAN 2 是在结构化描述上训练的，若只给一句提示词并使用空负面提示，生成的片段会过曝、糊成一团。采样前请使用随节点提供的 PAN2 Prompt Builder 填写场景、事件、主体、光照、视角和风格等字段。

报告测了什么

技术报告评测了六项模拟能力与多步计划，随后是三个公开基准：用于图生视频的 Physics-IQ Verified、PhyGround 和 RBench。此外还进行了盲测人类研究，覆盖 140 条提示词、共 1,400 次成对比较，以 Elo 计分。

能力准确率与多步计划完成度，PAN 2 高亮显示。来源：IFM/PAN2

作者坦率指出了薄弱点：约三分之二的模拟多步计划中，至少有一个步骤模型并未执行。每段片段最多也只能由一张起始帧加文本模拟而来，因此在长序列中外观会逐渐漂移。

报告中的一个模拟推理示例。来源：IFM/PAN2

官方使用路径

在 ComfyUI 之外，PAN 2 提供了 Diffusers 流水线（pan2）、vLLM 方案，以及一个 generate.py，它会一次性转换 checkpoint，并为每块 GPU 运行一个 worker。同一仓库还提供预训练和 SFT 配置，因此训练方案可复现。

下载 PAN 2 权重