Kling 4.0 vs. Odyssey-3: Ein Clip und eine Welt sind kein Ersatz füreinander

Bitten Sie Kling 4.0 um ein Diner um 2 Uhr morgens, und Sie erhalten einen 30-Sekunden-Film von einem Diner um 2 Uhr morgens – denselben Film, Bild für Bild, jedes Mal, wenn Sie denselben Prompt ausführen. Bitten Sie Odyssey-3 um ein Diner um 2 Uhr morgens, und Sie erhalten ein Diner, das Sie betreten, in dem Sie sich umdrehen und in dem Sie eine Kaffeetasse von der Theke stoßen können, wobei das Modell vorhersagt, was als Nächstes passiert, basierend darauf, was Sie gerade getan haben, statt auf dem, was Sie eingegeben haben. Das sind verschiedene Produkte, die dasselbe Kategorieetikett tragen, und der Vergleich wird erst nützlich, wenn Sie aufhören zu fragen, welches bessere Videos generiert, und anfangen zu fragen, welches das Artefakt erzeugt, das Ihr Projekt braucht.

Das ist keine Ausflucht. Es ist der Grund, warum dieser Vergleich eine Seite wert ist: Such danach, und du findest Listicles, die sie anhand von Auflösung und Preis gegeneinander ranken – was so ist, als würde man eine Kamera gegen einen Flugsimulator anhand der Bildrate ranken. Die Zahlen sind real, das Ranking ist bedeutungslos, und die Entscheidung darunter ist eine, die du tatsächlich treffen kannst.

Was jedes Einzelne genau ausgibt

Kling 4.0 ist ein generatives Videomodell von Kuaishou, das seit dem 15. Oktober 2026 für alle verfügbar ist. Es bietet Text-to-Video, Image-to-Video, First-and-Last-Frame, Multi-Keyframe, Omni-Referenz und gezielte Bearbeitung und erzeugt 3 bis 30 Sekunden lange Clips in 720p, 1080p oder 4K mit zweikanaligem Stereo-Audio und mehrsprachigem Lip-Sync.

Odyssey-3 ist ein Weltmodell von Odyssey — ein autoregressiver Diffusionstransformer mit 14 Mrd. Parametern in der Basiskonfiguration, entwickelt, um aus einem Prompt eine Umgebung zu generieren und sie dann in Echtzeit weiter vorherzusagen, während jemand darin navigiert. Die öffentliche Forschungsvorschau wurde am 8. Oktober 2026 eröffnet, und eine kostenlose Browser-Demo führt eine leichtere Variante aus, Odyssey-3 Flash. Es gibt zwei veröffentlichte Stufen: Odyssey-3 mit 832×480 und Odyssey-3 Pro mit 1280×720.

Das Wort „video“ kommt in beiden Beschreibungen vor und bedeutet jeweils etwas anderes. Das eine gibt eine Datei aus. Das andere gibt ein System aus, das man bedient.

Warum Interaktivität verändert, was das Modell können muss

Ein Clip-Generator wird danach beurteilt, wie eine feste Sequenz aussieht: Komposition, Beleuchtung, Bewegung, ob die Hände fünf Finger haben. Er kann sein gesamtes Rechenbudget darauf verwenden, eine einzige Trajektorie schön zu machen, denn es gibt nur eine Trajektorie.

Ein Weltmodell wird danach beurteilt, was passiert, nachdem man eingreift. Die Architekturbeschreibung von Odyssey beschreibt einen mehrstufigen Video-Diffusions-Transformer, der durch Teacher Forcing und kausale Maskierung autoregressiv erweitert wird, mit einer Post-Training-Pipeline, die Distribution Matching und adversariale Destillation zu einer Few-Step-Variante kombiniert. Diffusion liefert die Wiedergabetreue, Autoregression liefert die Fähigkeit, eine Aktionssequenz zu überstehen, und Destillation liefert die Taktfrequenz. Alle drei sind tragend, und alle drei sind die Darstellung des Unternehmens von seinem eigenen System.

Dieser Unterschied zeigt sich in dem Benchmark, den Odyssey gewählt hat. Physics-IQ Verified, betrieben von Anates Labs mit DeepMind, zeigt Modellen Aufnahmen echter physikalischer Experimente – Fluide, Optik, Festkörpermechanik, Magnetismus, Thermodynamik – und bewertet die Fortsetzung im Vergleich zu dem, was tatsächlich geschah. Es ist ein unbequemer Benchmark, um ihn auszutricksen, weil der Lösungsschlüssel die physische Welt ist. Derzeit listet er 41 Modelle von 16 Labors.

Die Physikzahlen – mit den dazugehörigen Vorbehalten.

• Odyssey-3 Pro — 66,1 im Video-zu-Video-Track von Physics-IQ Verified, die höchste Rohpunktzahl, die Odyssey meldet. Das ist ein Best-of-8-Wert aus einem einzelnen Lauf; der Mittelwert über vier Läufe ohne Auswahl liegt bei 63,37.

• Nettoverbesserung gegenüber dem Track-Mittelwert — FLUX 3 [large] führt mit +12,27 Prozentpunkten, Odyssey-3 Pro liegt mit +11,15 auf Platz zwei, Odyssey-3 mit +9,99 auf Platz drei.

• Normalisierte Kosten pro generiertem Video — Odyssey-3 Pro 0,267 $, Odyssey-3 0,139 $, gegenüber FLUX 3 [large] mit 0,868 $ und Seedance 2.5 mit 2,838 $. Die Kosten sind auf 24 fps und eine Ausgabebreite von 1280 Pixeln normalisiert, soweit die Bestenliste dies ermöglicht.

• WorldMark — Odyssey-3 rangiert in drei von vier Splits auf Platz eins. Der Split, den es nicht gewinnt, sind reale Umgebungen aus der Ich-Perspektive; dort belegt es mit 80,6 den dritten Platz, hinter Lyra 2.0 mit 84,4 und AlayaWorld mit 83,0. Dies ist eine Anbieter-Evaluierung, die auf einem fremden Datensatz mit den eigenen Bildunterschriften des Benchmarks durchgeführt wurde, keine Drittanbieter-Arena.

• Unabhängigkeit — keine. Alle oben genannten Zahlen sind selbst angegeben. Kein externer Prüfer hat Odyssey-3 auf einer Prüfumgebung ausgeführt, die er nicht selbst ausgewählt hat.

Lesen Sie die zweite Zeile zweimal. Bei der Metrik, die dafür korrigiert, wie schwer die Strecke ist, ist Odyssey-3 Pro nicht Erster — ein allgemeiner Videogenerator ist es. Die Schlagzeile des Unternehmens ist der Rohwert; die vom Board bevorzugte Zusammenfassung setzt es auf den zweiten Platz. Beides ist wahr, und der Unterschied ist genau die Art von Detail, die ein Launch-Post auslässt.

Die Belege auf der Seite von Kling 4.0 sind dünner, nicht besser.

Kuaishou hat für Kling 4.0 kein eigenes Benchmark veröffentlicht, und das Modell fehlt mit Stand 23. Oktober in den Video-Boards von Artificial Analysis. Das ist kein schlechtes Ergebnis – es ist gar kein Ergebnis. Was es gibt, sind eine Spezifikation, eine Release-Note und eine Woche praktischer Eindrücke von Leuten mit App-Zugang – eine schwächere Evidenzbasis als Odysseys selbst eingereichte Werte und eine völlig andere.

Die Spezifikation ist wirklich stark, und sie ist in einer Weise stark, die für verfasste Ausgaben und nicht für Simulation von Bedeutung ist:

• Dauer — 3 bis 30 Sekunden in einem einzigen Durchlauf, mit einer Verlängerung auf bis zu 2 Minuten, die als „demnächst verfügbar“ angekündigt ist. Die Vorschau von Odyssey generiert eine kontinuierliche Umgebung, keinen Clip mit fester Dauer.

Auflösung — 720p, 1080p und 4K, wobei 10-Bit-HDR in den beiden obersten Stufen als „demnächst verfügbar“ gekennzeichnet ist. Das Odyssey-3 Pro erreicht 1280×720 am oberen Ende seines Auflösungsspektrums, und die Basisstufe liegt bei 832×480.

• Kontrolle — bis zu 10 Keyframe-Bilder und ein Referenzbudget von 15 Elementen, aufgeteilt auf Bilder, Videosekunden, Stimme und Elemente. Das ist eine Kontrolloberfläche für Regisseure: Sie legen fest, was wann passiert.

• Audio — Zweikanal-Stereo mit Lippensynchronisation in neun Sprachen und bei benannten Akzenten. Die Vorschau von Odyssey bietet keine vergleichbare Audioausgabe, da Sie keine fertige Szene ansehen.

• Zugang — Das Consumer-Produkt ist live; die API begann am 21. Oktober, sich für Unternehmenskunden und Entwickler zu öffnen, wobei die Preisliste für Entwickler das Modell weiterhin als „Demnächst verfügbar“ kennzeichnet und nur Vorschau-Tarife aufführt.

Kosten pro Ergebnis, nicht pro Sekunde

Die beiden Preiseinheiten lassen sich nicht umrechnen, weshalb die Vergleichstabellen zu falschen Ergebnissen kommen. Der Vorschau-Preis von Kling 4.0 beträgt 0,157 US-Dollar pro Sekunde bei 720p und 0,235 US-Dollar bei 1080p; ein 4K-Preis wurde nicht veröffentlicht. Odysseys Eintrag in der Bestenliste beträgt 0,139 US-Dollar oder 0,267 US-Dollar pro generiertem Video, normalisiert, um einen Vergleich über Modelle mit unterschiedlichen Bildraten hinweg zu ermöglichen.

Wenn Sie eine 30-sekündige 1080p-Aufnahme wollen, kostet Kling 4.0 zum Preview-Tarif etwa 7,05 $ – vorausgesetzt, dieser Tarif bleibt zum Marktstart bestehen. Wenn Sie zehn Minuten erkundbare Umgebung in 720p wollen, sagt Ihnen Odysseys Pro-Video-Angabe nichts, denn eine „Video“-Einheit in dieser Spalte ist eine Benchmark-Stichprobe, keine Session. Ehrlich gesagt hat das eine Produkt einen Pro-Sekunde-Tarif und das andere eine Research-Preview ganz ohne Preisliste. Budgets lassen sich über diese Kluft hinweg nicht vergleichen.

Das Zugangsproblem ist symmetrisch, und darin liegt die praktische Aussage.

Keines der beiden Modelle lässt sich ohne Weiteres direkt aufrufen. Kling 4.0 wird schrittweise mit Preview-Preisen eingeführt; Odyssey-3 ist eine Research Preview mit einem Kontaktformular für den API-Zugang, ohne Dokumentation zu Rate-Limits und ohne Gewichte.

Für ein Team, das beide bewertet, ist der sinnvolle Schritt, den Evaluierungs-Harness unabhängig von den SDKs beider Anbieter zu halten. OrcaRouter hostet keines der beiden Modelle – es gibt keine Odyssey-Route und keinen Kling-4.0-Identifier im Katalog –, doch die Arbeit rund um sie ist gewöhnlicher API-Traffic: der Prompt-Expansion-Durchlauf, der eine Einstellungsbeschreibung in etwas verwandelt, das ein Videomodell nutzen kann, die Shot-Liste, die Beschriftung, der Scoring-Durchlauf, der entscheidet, welche von acht Stichproben behalten werden. Diese laufen über einen einzigen OpenAI-kompatiblen Endpoint über mehr als 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, und automatisches Failover bedeutet, dass ein Evaluierungs-Sweep nicht daran scheitert, dass ein Upstream gerade einen schlechten Nachmittag hat. Wenn eines der beiden Modelle eine Self-Serve-API öffnet, hat der Harness bereits die richtige Form.

Die Modelle, die man heute aufrufen kann, sind auf beiden Seiten die vorherige Generation. Kling 3.0 ist auf OrcaRouter für $0.084 pro Anfrage verfügbar. Odyssey hat keinen routbaren Vorgänger. Diese Asymmetrie ist bemerkenswert: In einer Kategorie, in der das interessante Modell normalerweise das nicht verfügbare ist, ist der Fallback auf der Kling-Seite zumindest ein echter Endpunkt.

Wer sollte eigentlich welches auswählen?

Wählen Sie Kling 4.0, wenn das Ergebnis ein fertiger Shot ist: eine Werbung, eine Musikvideo-Sequenz, ein Produktfilm, alles, bei dem jemand das Bild und den Ton beurteilt und es dann exportiert. Der einzelne 30-Sekunden-Pass, die 10 Keyframes und das Stereo-Audio sind alle auf genau diese Aufgabe ausgerichtet, und kein Weltmodell ersetzt sie.

Wählen Sie Odyssey-3, wenn das Ergebnis ein Ort sein soll, an dem jemand handelt: Trainingsdaten für die Robotik, räumliches Prototyping, eine spielähnliche Demo, eine Evaluierung eines verkörperten Agenten. Die Physics-IQ-Ergebnisse, die Navigation aus der Ich- und der Dritten-Person-Perspektive sowie die Berichte des Anbieters über Robotik-Policies, die aus einem eingefrorenen Backbone übertragen werden, sind die richtige Art von Belegen für diese Aufgabe – vorausgesetzt, Sie bedenken, dass sie vom Anbieter stammen.

Wählen Sie keines von beiden, wenn Sie diesen Monat einen reproduzierbaren, abrechenbaren Endpunkt brauchen. Beide befinden sich mitten in der Einführung, das eine hat keinen Preis und das andere einen Vorschau-Tarif, und ein Produktionspfad, der heute auf einem von beiden aufbaut, ist eine Wette auf einen Launch-Zeitplan, den Sie nicht kontrollieren.

Das würde sich nicht durch einen Benchmark klären lassen, den beide Modelle absolvieren können. Es ist ein Workflow-Test: Nimm eine Szene, generiere sie als eine 20-sekündige autorierte Einstellung in Kling 4.0, baue dann denselben Ort in Odyssey-3 nach und versuche, dieselbe Aktion durch Steuern der Kamera zu inszenieren. Wenn die interaktive Version die benötigte Komposition nicht halten kann, ist das Weltmodell das falsche Werkzeug, unabhängig von seinem Physik-Score. Wenn die autorierte Version einen Wechsel des Blickwinkels nicht übersteht, ist es der Clip-Generator. Dieses Experiment kostet einen Nachmittag und sagt dir mehr als jeder Elo auf beiden Seiten.