Odyssey-3 vs. Grok Imagine Video: Eine nutzungsbasierte Video-API gegen einen nicht bepreisten Simulator

Grok Imagine Video kommt mit einer Preisliste und ohne jede Möglichkeit, es zu steuern. Odyssey-3, das Odyssey am 8. Oktober 2026 als öffentliche Forschungsvorschau geöffnet hat, kommt mit einer Möglichkeit, es zu steuern, und überhaupt keiner Preisliste. Diese Asymmetrie, und nicht irgendeine Benchmark-Zeile, ist die eigentliche Form dieses Duells: xAI verkauft generiertes Video sekundenweise mit einem veröffentlichten Preis für jede Auflösung, während Odyssey-3 als interaktives Weltmodell erscheint, das man in einem Browser steuern kann und noch nicht kaufen kann. Das eine können Sie noch heute Nachmittag in ein Produkt einbauen. Das andere können Sie nur bewerten.

Sie sind sich auch uneinig darüber, wofür Videogenerierung gedacht ist, und die Uneinigkeit zeigt sich auf den Anbieterseiten. Die Dokumentation von G​rok Imagine Video beginnt mit Referenzbildern, gepinnten Frames, lippensynchroner Sprache und Stimmreferenzen – dem Vokabular der Produktionssteuerung. Bei Odyssey-3 steht eine Umgebung im Vordergrund, die vorhersagt, was als Nächstes passiert, während man sich durch sie bewegt oder ein Ereignis auslöst. Beide sind diffusionsbasierte Generatoren, die Video ausgeben. Jenseits dieses Satzes gibt es kaum Überschneidungen.

Was jedes einzelne ist

Odyssey-3 ist ein autoregressiver Diffusionstransformer. Odyssey beschreibt ihn als mehrstufiges Videodiffusionsmodell, das autoregressiv mit Teacher Forcing und kausalem Masking erweitert wurde, sodass es von vorangehenden Beobachtungen fortfährt und zukünftige Zustände bedingt auf Aktionseingaben vorhersagt und anschließend durch Distribution Matching und adversariale Destillation zu einer Few-Step-Variante destilliert wird, die Echtzeitinteraktion ermöglicht. Es läuft mit 832×480, Odyssey-3 Pro mit 1280×720, und die öffentliche Vorschau bietet First-Person-Navigation, Third-Person-Navigation und unabhängige Kamerabewegung. Es gibt keinen Ton.

G​rok Imagine Video ist das Videomodell von x​AI in der Imagine API. Die aktuelle Generation ist G​rok Imagine Video 1.5, die laut den Release Notes von x​AI Text-zu-Video, Bild-zu-Video und Referenz-zu-Video mit optionalen Preset-Stimmen und nativem 1080p für die ersten beiden unterstützt — wobei Text-zu-Video intern als Text-zu-Bild mit anschließendem Bild-zu-Video umgesetzt ist. Es akzeptiert bis zu vierzehn Referenzbilder und drei Stimmreferenzen, unterstützt angeheftete Frames und lippensynchrone Sprache und wird pro Sekunde der generierten Ausgabe abgerechnet. Das frühere grok-imagine-video, weiterhin dokumentiert und weiterhin bepreist, liegt bei 0,05 $ pro Sekunde bei 480p und 0,07 $ bei 720p, wobei Eingabevideo mit 0,01 $ pro Sekunde und Eingabebilder mit 0,002 $ berechnet werden.

Die Preisliste – der Teil, mit dem man tatsächlich planen kann

• Preis — G​rok Imagine Video wird pro Sekunde abgerechnet: 0,05 $/Sek. bei 480p und 0,07 $/Sek. bei 720p beim Originalmodell, und G​rok Imagine Video 1.5 ab 0,08 $/Sek. über 480p, 720p und 1080p. G​rok Imagine Video 1.5 Lite beginnt bei 0,02 $/Sek. für bis zu 1080p und fünfzehn Sekunden. Odyssey-3 hat überhaupt keinen veröffentlichten Preis; die einzigen öffentlichen Kostenangaben sind die normalisierten Schätzungen der Bestenliste von 0,139 $ pro generiertem Video für Odyssey-3 und 0,267 $ für Odyssey-3 Pro.

• Ein zehnsekündiger Clip, durchgerechnet — 0,50 $ bei 480p oder 0,70 $ bei 720p auf Grok Imagine Video; 0,80 $ auf Grok Imagine Video 1.5; 0,20 $ auf der Lite-Stufe. Odyssey-3 lässt sich nicht so bepreisen, weil man davon keine zehn Sekunden kaufen kann.

• Auflösung — G​rok Imagine Video 1.5 bietet natives 1080p für Text-zu-Video und Bild-zu-Video. Odyssey-3 erreicht im Pro-Tarif maximal 1280×720.

• Dauer — G​rok Imagine Video 1.5 Lite erreicht fünfzehn Sekunden. Die Einheit von Odyssey-3 ist kein Clip; sie ist eine Session, begrenzt dadurch, wie lange die Vorschau ihre Vorhersagen kohärent hält.

• Audio — G​rok Imagine Video erzeugt lippensynchronisierte Sprache und akzeptiert Stimmreferenzen. Odyssey-3 erzeugt nichts.

• Kontrolle — Referenzbilder, gepinnte Frames, erster und letzter Frame sowie Stimmreferenzen, alle vor der Generierung festgelegt. Dagegen stehen Live-Navigation und Ereignisse mitten in der Generierung. Grok steht für Authoring; Odyssey-3 für Interaktion.

• Verfügbarkeit — heute ein Self-Service-API-Schlüssel für Grok Imagine Video. Ein Kontaktformular und eine Browser-Vorschau für Odyssey-3.

Wo der Physikausschuss sie platziert

Physics-IQ Verified, der Benchmark von Anates Labs und DeepMind, der Fortsetzungen realer physikalischer Experimente bewertet, führt derzeit 41 Modelle auf, und beide sind darin vertreten – was ihn zur einzigen Drittanbieter-Oberfläche macht, auf der die beiden überhaupt verglichen werden können.

• Grok Imagine Video — Rang 13, Nettoverbesserung von −4,04 Prozentpunkten gegenüber dem Track-Mittelwert, bei den eigenen Prompts des Benchmarks, 24 fps, normalisierte Kosten von 0,352 $ pro Video.

• Odyssey-3 — Rang 8 auf demselben Prompt-Set bei +2,15 pp und 0,129 $ sowie Rang 3 bei benutzerdefinierten Prompts bei +9,99 pp.

Die Lücke ist nicht klein, und sie ist kein Auflösungsartefakt: Das Board normalisiert die Kosten auf 24 fps und eine 1280 Pixel breite Ausgabe, sofern die Eingaben es zulassen, und es führt für jede Zeile das Prompt-Regime auf. Ein negativer Netto-Verbesserungs-Score bedeutet nicht, dass G​rok Imagine Video schlechte Videos erzeugt – das tut es eindeutig nicht, und es ist zu einem Preis in Produktion, der die Nutzung einfach macht. Er bedeutet, dass es bei der konkreten Aufgabe, ein physikalisches Experiment korrekt fortzuführen, schlechter abschneidet als das durchschnittliche Modell auf diesem Board, während Odyssey-3 das durchschnittliche Modell auf diesem Board unter zwei verschiedenen Prompt-Regimen gleich in zweifacher Hinsicht übertrifft.

Die eigene zentrale Behauptung von Odyssey-3 ist noch stärker: 66,1 auf der Video-zu-Video-Strecke für Odyssey-3 Pro, die höchste Punktzahl, die Odyssey meldet, plus 54,7 für dieselbe Stufe bei Image-to-Video. Diese stammen aus Odysseys Ausführungen und nicht aus einem unabhängigen Durchlauf, und sie sollten auch so gelesen werden.

Das, was die Preisliste nicht abdeckt

Hinter den Sekundentarifen verbirgt sich ein Kategorienunterschied, der es wert ist, benannt zu werden, denn er entscheidet, welche davon Sie wollen.

Das Abrechnungsmodell von Grok Imagine Video – Dollar pro Sekunde Ausgabe – ist ein Versprechen hinsichtlich des Durchsatzes. Jeder Dollar kauft eine feste Menge fertigen Videos, und die einzige Frage ist, ob fünfzehn Sekunden bei 1080p mit Lip-Sync 1,20 $ wert sind. Für eine Werbeeinheit, eine Social-Media-Vorlage, eine Marketing-Pipeline ist das eine ausgezeichnete Frage mit einer klaren Antwort, und der Lite-Tarif bei 0,02 $/Sek. macht die Antwort meistens leicht.

Odyssey-3 wird nicht so abgerechnet und kann es auch nicht werden, weil sein Output keine feste Größe ist. Bei einer interaktiven Umgebung richtet sich der Verbrauch danach, wie lange sich jemand darin aufhält und wie oft er seine Meinung ändert, und das macht das Sekundenmodell bedeutungslos. Wenn Odyssey einen Preis veröffentlicht – und es gibt kein Signal, wann das geschehen wird –, wird es ein Sitzungspreis, ein Rechenpreis oder etwas anderes sein müssen, das für diese Kategorie noch nicht erfunden wurde. Das ist kein Argument gegen Odyssey-3. Es ist der Grund, warum ein Entwicklervergleich zwischen diesen beiden derzeit nicht abgeschlossen werden kann.

Heute das Gemessene erreichen

Grok Imagine Video ist die eigene API von xAI, und OrcaRouter hostet sie nicht. Odyssey-3 ist auf keiner gehosteten Plattform, die wir verifizieren können, und es gibt keinen veröffentlichten Preis, den jemand zum Routing nutzen könnte, selbst wenn es so wäre.

Was ein einzelner OrcaRouter-Schlüssel abdeckt, ist der Rest des Video- und Modell-Stacks, um den herum Sie diesen Vergleich aufbauen würden: MiniMax-H3 zu 0,08 $ pro Sekunde 768P-Ausgabe, die K​ling-Videolinie, und mehr als 200 Modelle hinter einem einzigen Endpunkt zum Listenpreis des Anbieters mit 0% Aufschlag — wenn also ein Labor einen Pro-Sekunde-Preis senkt, ist die Änderung noch am selben Tag in Ihrer Nutzung live und nicht erst bei Ihrer nächsten Vertragsverlängerung. Automatisches Failover über Anbieter hinweg hält einen Batch, der mehrere Videomodelle mischt, davon ab, an einer schlechten Stunde eines Upstreams zu scheitern, und die Routing-DSL lässt Sie ein gehostetes Videomodell und ein Text- oder Vision-Modell hinter einer Schnittstelle zusammenführen, was eine Pipeline, die generiert und dann auswertet, tatsächlich braucht. Weder Odyssey-3 noch G​rok Imagine Video sind heute in diesem Katalog.

Welchen möchtest du?

Wenn du Videoausgabe mit Ton in 1080p brauchst, zu einem Preis, den du in eine Tabellenkalkulation eintragen kannst, und du sie diese Woche brauchst, ist Grok Imagine Video eine funktionierende Antwort, und Odyssey-3 kommt nicht infrage – es hat keinen Ton, eine niedrigere Auflösungsobergrenze und keine Möglichkeit, es zu kaufen.

Wenn Sie irgendetwas entwickeln, das vorhersagen muss, was nach einer Aktion passiert – eine Policy, eine Regelschleife, eine Trainingsumgebung –, ist die Preisliste irrelevant und das Physik-Board nicht. Odyssey-3 wird genau auf diese Fähigkeit bewertet und steht nahe der Spitze des Boards; G​rok Imagine Video, hervorragend darin, eine fertige Aufnahme zu erzeugen, liegt im selben Test unter dem Durchschnitt der Strecke. Andere Fragen, und die Antworten überschneiden sich nicht.