נבדק ב־11 בנובמבר 2026. פרסום PAN 2 של IFM נותן למפתחים תהליך עבודה פתוח של מודל עולם שאפשר לבחון. השאלה המעשית לצוות שבונה סוכנים היא האם תוצאה משכנעת בהדמיה עוזרת לפסול תוכנית גרועה.
מה פורסם
המכון למודלי יסוד, IFM, של אוניברסיטת MBZUAI תיארך את הודעת ההשקה ל־10 בנובמבר; אתר החדשות של האוניברסיטה פרסם הודעה ב־11 בנובמבר. הפרסום כולל משקולות למודל הווידאו וקוד לאימון ולהסקה ברישיון Apache 2.0. אלה תאריכי ההודעות, ולא ראיה לכך שבדקנו את המודל בעצמנו.
המאגר הרשמי מתאר מודל שפה שמנסח תיאור מובנה של מצב העולם הבא. רכיב דיפוזיה בעל 29 מיליארד פרמטרים הופך את התיאור לווידאו, עם אפשרות לתמונת פתיחה וקטעים באורך של עד 20 שניות. לכן כדאי לבדוק גם את ייצוג הביניים, לצד הסרטון הסופי.
המגבלה שצריכה לעצב את הניסוי
כרטיס המודל מדווח שבכשני שלישים מהתוכניות מרובות השלבים שהודמו, לפחות שלב אחד לא בוצע. המחקר בדק תוכניות שנועדו להצליח; עדיין לא נמדדה נאמנות ההדמיה של תוכניות שאמורות להיכשל. הכרטיס מזהיר גם מקיצורי דרך שמפרים מגבלות פיזיקליות, ומציין שמנגנוני ההגנה הנפרדים לקלט ולפלט מצמצמים סיכון אך אינם מבטלים אותו.
לפני החלטה על הטמעה נשארת שאלה ממוקדת: האם ההערכה שלכם מבדילה בין תחזית נכונה של כישלון לבין סרטון שממציא דרך להצליח? סרטון מלוטש לבדו אינו מספק תשובה.
ניסוי קטן שאפשר לבקר
זוהי שיטת בדיקה שאנו מציעים, ולא תוצאה של מבחן ביצועים:
- בנו זוגות של מקרים. התחילו במשימה לא מסוכנת שאפשר לבדוק את תוצאתה. הכינו גרסה אפשרית וגרסה בלתי אפשרית בגלל היעדר חפץ, מרווח או שלב הכרחי.
- קבעו ותעדו את ההגדרות. שמרו את תמונת המקור, ההנחיה, בחירת מודל השפה, גרסת המודל והגדרות היצירה. הצמידו את התיעוד לכל סרטון שנוצר.
- תנו ציון גם לאירועי הביניים. הגדירו מראש את הסדר הצפוי ואת המגבלות. תעדו חפץ שמופיע, זז או משתנה בלי סיבה תקפה, גם אם הפריים האחרון נראה נכון.
- חזרו על הבדיקה ושמרו כישלונות. השוו כמה הרצות. אל תבחרו רק את הפלט המרשים ביותר ליומן ההחלטות.
- השאירו את הביצוע מנותק. התחילו בבחינה ללא חיבור למערכות פעילות. בדיקת סימולטור לא צריכה לאשר אוטומטית למכשיר פיזי או לסוכן לבצע תוכנית.
מה לבדוק לפני הרצה
עברו על רישיונות התלויות ועל דרישות החומרה בפועל, קבעו תקציב לניסוי והתקינו במכוון את בדיקות הבטיחות המומלצות. לא הרצנו את PAN 2, לא מדדנו זמן תגובה ולא אימתנו ביצועים על כרטיס גרפי מסוים. זהו בסיס שימושי למחקר; לפני שמרחיבים את תפקידו, דרשו תוצאות מדודות על מקרי הכישלון שלכם.