Odyssey-3 vs. Wan 3.0: Ein Weltmodell trifft auf eine Videofabrik

Odyssey-3 und Wan 3.0 werden beide unter „Videomodell“ eingeordnet, und dieses gemeinsame Label trägt mehr Gewicht, als es tragen kann. Odyssey-3 ist ein gelerntes dynamisches System – ein Simulator, der aus einem Prompt eine Umgebung erstellt und vorhersagt, wie sich diese Umgebung verändert, wenn sich jemand durch sie bewegt oder ein Ereignis auslöst – veröffentlicht von Odyssey am 8. Oktober 2026 als Research Preview. Wan 3.0 ist ein Produktions-Videogenerator von Alibaba Cloud, allgemein verfügbar seit seinem Start am 24. August 2026, sekundengenau abgerechnet und bereits auf zwei unabhängigen Bestenlisten bewertet. Eines davon möchte ein Ort sein, an dem man eine Kamera aufstellt. Das andere möchte das sein, was das Material rendert, das man veröffentlicht.

Stellen Sie die beiden Launch-Seiten nebeneinander, und die Spaltung wird sofort deutlich. Odyssey führt mit physischer Genauigkeit – damit, wie gut sein Modell versteht, was Objekte tun, wenn sie aufeinandertreffen. A​libaba führt mit Durchsatz, Dauer und Referenzkontrolle: 30-Sekunden-Takes, nativer Audio, bis zu zehn Bilder und fünf Videos pro Generierung. Keines ist eine schlechtere Version des anderen. Sie sind Antworten auf unterschiedliche Fragen, und die Antworten verändern, was ein Team diese Woche tun sollte.

Eine einordnende Anmerkung vor den Zahlen. Die meisten Angaben in diesem Artikel stammen aus dem eigenen Launch-Material der Anbieter und wurden von niemandem außerhalb dieser Labore reproduziert. Wo eine Zahl von einem unabhängigen Gremium statt von einer Presseseite stammt, wird das im Text gesagt. Diese Unterscheidung ist hier wichtiger als sonst, weil die beiden Modelle extrem unterschiedlich viele überprüfbare Informationen veröffentlichen – das eine wird sekundenweise über eine offene API verkauft, das andere hat überhaupt keinen Preis veröffentlicht.

Was jedes einzelne tatsächlich ist

Odysseys eigene Beschreibung von Odyssey-3 ist ungewöhnlich spezifisch für einen Launch-Post und es lohnt sich, sie zu zitieren, statt sie abzurunden: Es sei „ein gelerntes dynamisches System, implementiert als autoregressiver Diffusions-Transformer, das vorhersagt, wie sich Objekte durch den Raum bewegen und interagieren und wie sich Situationen im Laufe der Zeit entwickeln.“ Das, was es zurückgibt, ist kein Clip im eigentlichen Sinne. Es ist ein Zustand, der sich ständig weiterentwickelt, während er angetrieben wird. Das Modell ist in zwei Größen erhältlich – Odyssey-3 mit 832×480 und Odyssey-3 Pro mit 1280×720 – und Odyssey sagt, dass seine Vorschau First-Person- und Third-Person-Navigation neben unabhängiger Kamerabewegung unterstützt. Der Build enthält außerdem eine destillierte Variante mit wenigen Schritten, die durch eine Kombination aus Distribution-Matching und adversarischer Destillation erzeugt wurde und die der Anbieter als in Echtzeit interaktiv beschreibt.

Wan 3.0 ist ein Generator nach etabliertem Modell: Ein Prompt und eine oder mehrere Referenzen gehen hinein, ein fertiges Video kommt heraus. Alibabas wichtigste Fähigkeiten sind eine 30-Sekunden-Generierung in einem einzigen Durchlauf, natives Audio und Referenzeingaben, die Text, Bild, Video und Audio umfassen — plus Dokumente in den Formaten doc, xls, ppt, pdf, md, txt, key, pages und numbers, bis zu 100 MB und 50 Seiten. Die Bearbeitung ist instruktionsbasiert, das heißt, eine Generierung kann in Visuals, Handlung oder Dialog geändert werden, ohne von Grund auf neu zu generieren. Alibaba gibt außerdem offen zu, dass Audioqualität und die Genauigkeit von Bildschirmtext noch verbessert werden müssen, was in einem Launch-Post ein selteneres Eingeständnis ist, als es sein sollte, und eine nützliche, die man zu Protokoll hat.

• Was die Ausgabe ist — eine simulierte Umgebung, in der Sie agieren (Odyssey-3), gegenüber einem gerenderten Clip, den Sie veröffentlichen (Wan 3.0) • Beworbene Größen — 832×480 oder 1280×720 bei Odyssey-3 Pro, gegenüber 480p, 720p und 1080p • Länge eines einzelnen Durchlaufs — solange die Umgebung weiter angetrieben wird, gegenüber 30 Sekunden pro Generierung • Audio — bei keiner der beiden Größen eine herausgehobene Funktion, gegenüber nativem Audio mit vom Anbieter gekennzeichneten Qualitätsgrenzen • Eingaben — ein Prompt, der die Umgebung definiert, gegenüber Text, Bild, Video, Audio und Dokumenten bis zu 100 MB und 50 Seiten • Bearbeitungsmodell — den Zustand ändern und neu simulieren, gegenüber anweisungsbasierten Bearbeitungen an einer fertigen Generierung • Dokumentierte API — keine veröffentlicht, gegenüber offen und nach Verbrauch abgerechnet seit dem 24. August 2026 • Veröffentlichter Preis — keiner, gegenüber 0,3 / 0,6 / 1,2 Yuan pro Sekunde bei 480p / 720p / 1080p

Was eine Sekunde Output kostet, und warum die Einheiten nicht zusammenpassen

Wan 3.0 wird in der für einen Käufer am besten lesbaren Einheit bepreist: Zeit. Alibabas Tarife betragen 0,3 Yuan (etwa 0,05 $) pro Sekunde generierten Videos bei 480p, 0,6 Yuan (etwa 0,10 $) bei 720p und 1,2 Yuan (etwa 0,20 $) bei 1080p. Ein vollständiger 30-Sekunden-Durchlauf liegt damit bei 480p bei knapp 9 Yuan (1,50 $), bei 720p bei 18 Yuan (3,00 $) oder bei 1080p bei 36 Yuan (6,00 $). Das sind die Einführungspreise vom August; die Einführungsaktion, die sie um 30 % senkte, lief nur bis zum 23. September, die oben genannten Zahlen sind also die, mit denen ein Käufer heute konfrontiert wird. Anbieter, die Wan 3.0 weiterverkaufen, geben stattdessen üblicherweise Minutenpreise an; es lohnt sich, diese vor der Freigabe eines Budgets mit der Sekundenrechnung abzugleichen.

Odyssey-3 hat keine vergleichbare Zahl, weil Odyssey weder einen Preis noch eine Preisliste noch eine Lizenz noch eine API-Dokumentation veröffentlicht hat. Was stattdessen existiert, ist eine Kostenangabe innerhalb eines Benchmarks eines Drittanbieters, berechnet auf einer Annahme, die der Anbieter offen darlegt: 1 $ pro MI355X-GPU-Stunde. Auf dieser Basis listet Physics-IQ Verified Odyssey-3 Pro mit 0,267 $ pro generiertem Video und Odyssey-3 mit 0,139 $, beide normalisiert auf 24 FPS und 1280 Pixel Breite. Dieselbe Übersicht merkt separat an, dass die Prompt-Umschreibung über die API von Odyssey auf 0,01 $ pro eingereichtem Video geschätzt wird. Lesen Sie das sorgfältig — es ist eine Modellierungsgrundlage, kein Preis. Es sagt Ihnen, was eine Simulation zum angenommenen Hardware-Tarif des Anbieters kosten würde, nicht, was Odyssey in Rechnung stellen wird.

Diese beiden Fakten deuten für einen Käufer in entgegengesetzte Richtungen. Wan 3.0 ist ein nach Verbrauch abgerechneter Posten, dessen Worst Case berechnet werden kann, bevor irgendetwas gerendert wird. Odyssey-3 hat niedrigere modellierte Kosten pro Video und keine Rechnung, an die man sie hängen könnte — genau der Punkt, an dem ein Beschaffungsgespräch endet. Damit ein Vergleich fair ist, muss der Leser beide Hälften im Blick behalten: einen echten Tarif mit einer echten Rechnung und einen geschätzten Tarif, hinter dem noch nichts steht.

Die eine Anzeigetafel, die sie gemeinsam haben, und der Name, der darauf fehlt

Physics-IQ Verified, ein dynamisches Ranking von Anates Labs und DeepMind dafür, wie gut Videomodelle physikalische Prinzipien handhaben, ist das einzige unabhängige Board, das dieses Gespann gemeinsam hat – und genau hier wird der Vergleich wirklich interessant, denn hier bricht er auch zusammen.

Odysseys Launch-Post besagt, dass Odyssey-3 Pro „einen neuen State of the Art für den Benchmark von Physics-IQ Verified setzt und in 3 von WorldMarks 4 Kategorien Platz 1 belegt“. Der WorldMark-Teil davon deckt sich mit den von Odyssey veröffentlichten Zahlen: erster Platz in First-Person Stylized (77,2), Third-Person Real (79,0) und Third-Person Stylized (76,3), während First-Person Real mit 80,6 den zweiten Platz belegt, hinter den 83,0 von AlayaWorld und den 84,4 von Lyra 2.0. Jede einzelne dieser Angaben ist eine vom Anbieter gemeldete Zahl aus Odysseys eigenem Evaluierungslauf.

Der State-of-the-Art-Teil ist der, bei dem Lesende langsamer werden sollten. In der derzeit verfügbaren Version des Physics-IQ Verified Boards steht, sortiert nach der Nettoverbesserung in Prozentpunkten über dem Track-Mittelwert, FLUX 3 [large] von Black Forest Labs mit +12,27 pp auf Rang 01. Odyssey-3 Pro steht auf Rang 02 mit +11,15 pp, Odyssey-3 auf Rang 03 mit +9,99 pp. Der „neue State of the Art“ des Anbieters ist also auf dem Board, das der Anbieter selbst anführt, der zweite Platz – entweder, weil die Behauptung älter ist als ein Board-Update, oder weil sie enger gefasst ist, als der Satz nahelegt. So oder so ist die ehrliche Lesart, dass Odyssey-3 Pro ein Top-3-Physikmodell ist, aber kein uneingeschränkter Spitzenreiter. FLUX 3 [large] verursacht außerdem mit $0,868 deutlich höhere Kosten pro Video als Odyssey-3 Pro mit $0,267 – genau der Trade-off, den die Kostenansicht des Boards sichtbar machen soll.

Odyssey belegt in der Aufschlüsselung der Submetriken tatsächlich einen eindeutigen ersten Platz: Spatiotemporal mit 44,70, vor Odyssey-3 Pro mit 42,97 und Physis-Lang (Cosmos3 Super) mit 41,57. Bei Spatial liegt es mit 59,17 auf dem vierten Platz, hinter FLUX 3 (64,36), Odyssey-3 Pro (61,78) und Physis-Lang (59,87); bei Weighted Spatial und MSE belegt es den vierten bzw. dritten Platz. Dieses Muster – Spitzenklasse darin, wie gut Bewegung über die Zeit zusammenhält, zweite Reihe bei der räumlichen Wiedergabetreue einzelner Frames – ist eine kohärente Signatur eines Modells, das darauf ausgelegt ist, Entwicklung zu simulieren, statt ein schönes Standbild zu rendern.

Nun der fehlende Name. Wan 3.0 taucht auf Physics-IQ Verified überhaupt nicht auf. Die einzigen Wan-Einträge sind Wan 2.2 14B auf Rang 17, −6,64 pp, und Wan 2.2 5B auf Rang 22, −11,13 pp — beide unter dem Track-Mittelwert, beide Open-Source, beide eine Generation zurück. Die eigene Scope-Notiz des Boards besagt, dass das Leaderboard „benchmarkte Modelle und Modelle, die aus Preprints oder Ankündigungen bekannt sind, einschließt, selbst wenn kein öffentlicher Zugang verfügbar ist oder kein Veröffentlichungsdatum bestätigt ist“, sodass das Fehlen von Wan 3.0 kein Beleg dafür ist, dass es schlecht abschneidet. Es ist ein Beleg dafür, dass es auf dieser Achse von niemandem gemessen wurde. Die praktische Konsequenz ist unmissverständlich: Jede Behauptung, dass Odyssey-3 Wan 3.0 bei der physikalischen Plausibilität übertrifft, ist in beide Richtungen unverifiziert, und jede Behauptung, dass es das nicht tut, ist ebenso unverifiziert. Wan 3.0s unabhängige Leistungsbilanz findet sich anderswo — es erreichte insgesamt Platz 2 auf OpenArt Arena und Platz 1 in Video Editing with Audio bei Artificial Analysis — auf Boards, die wahrgenommene Qualität und Bearbeitungsqualität messen, nicht Physik.

Was man heute nennen kann und wonach man nur fragen kann

Wan 3.0 ist seit dem 24. August 2026 aufrufbar, als der Start von Alibaba Cloud die nutzungsabhängig abgerechnete, durch Anträge eingeschränkte Beta in eine vollständig offene API verwandelte. Das Modell ist über die eigene API des Anbieters und mehrere Drittplattformen erreichbar, alle nutzungsabhängig abgerechnet, zu den oben genannten sekundenbasierten Preisen. Wenn ein Team heute Nachmittag generiertes Video benötigt, ist das eine echte Option – und sie bringt eine Rechnung mit sich.

Odyssey-3 bietet das nicht. Auf der Odyssey-Seite heißt es, die Research Preview sei „ab sofort verfügbar", und man lädt Entwickler im Bereich Physical AI ein, sich zu melden – was eine Demo und ein Gespräch beschreibt, nicht einen Endpunkt hinter einem Schlüssel. Es gibt keinen veröffentlichten Preis, keine Lizenz, keine API-Dokumentation und, wie der obige Abschnitt zeigt, keine unabhängige Bewertung. Ein Entwickler, der den Launch-Post liest, kann heute nicht berechnen, was ein Produktions-Build auf Odyssey-3 kosten würde, oder prüfen, ob die Physik-Behauptungen außerhalb der hauseigenen Testumgebung des Anbieters Bestand haben. Das ist normal für ein Weltmodell am Tag der Markteinführung, und es ist zugleich die wichtigste Tatsache in diesem Vergleich.

Da keines der beiden Modelle in unserem Katalog ist – die OrcaRouter-Modellliste führt weder Odyssey-3 noch Wan 3.0 –, ist der nützliche Routing-Punkt die Ebene, die über ihnen liegt. Wahrscheinlich ruft ein Video-Build nicht nur ein Modell auf. Es ruft ein Prompt-Rewriting-Modell, ein Videomodell, manchmal ein Audiomodell auf und ruft alle erneut auf, jedes Mal wenn ein Anbieter einen Preis oder ein Rate Limit ändert. Auf OrcaRouter stehen diese hinter einer einzigen API, die über 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag abdeckt, sodass eine Preissenkung pro Sekunde von einem Videoanbieter hier noch am selben Tag live ist, statt auf eine Konfigurationsänderung zu warten, und automatisches Failover bedeutet, dass der Ausfall eines Modells eine Render-Warteschlange nicht blockiert. Die Videomodelle, die wir tatsächlich anbieten – MiniMax H3, Kling 3.0, Kling Video O1 und andere –, laufen über denselben Schlüssel, was den Wechsel günstig macht, wenn eine Wan-3.0-Vorschau oder ein Odyssey-3-Test endlich verfügbar wird.

Welcher gehört in deinen Stack

Die Wahl ist nicht knapp, denn es gibt keine Überschneidung bei dem, was die beiden hervorbringen. Die ehrliche Entscheidungsregel dreht sich um das Artefakt, das Sie am Ende brauchen.

Wählen Sie Wan 3.0, wenn es sich bei dem Ergebnis um Filmmaterial handelt, das eine Person ansieht: eine Werbeanzeige, einen Einstellungs-Insert, einen Social Cut, ein Lehrsegment. Dreißig Sekunden pro Durchlauf mit nativem Audio, Referenzsteuerung über Bilder, Video und Audio hinweg, instruktionsbasierte Bearbeitung und Dokumente als Eingabe sind eine Liste von Produktionsfunktionen, und die nutzungsabhängig abgerechnete API bedeutet, dass die Kosten eines Tests im Voraus bekannt sind. Es ist eine Generierung, keine Simulation – die Aufgabe des Modells endet, wenn der Clip endet. Kalkulieren Sie anhand der Sekundentarife des Anbieters, und behandeln Sie die eigenen Einschränkungen des Anbieters in Bezug auf Audio und Bildschirmtext als Designvorgaben und nicht als Fußnoten.

Wählen Sie Odyssey-3, wenn Sie es bekommen können, wenn das Ergebnis ein Verhalten und nicht eine Datei ist: eine Umgebung, in der eine Policy lernt, eine Szene, deren Reaktion auf eine Aktion über einen langen Rollout hinweg konsistent bleiben muss, eine Navigations- oder Manipulationsaufgabe, bei der die Kamera Teil des Problems ist. Genau dort zählen der uneingeschränkte erste Platz bei der raumzeitlichen Plausibilität und die modellierten Kosten von 0,139–0,267 $ pro Video wirklich. Was fehlt, ist alles, was ein Produktionsteam braucht, um sich festzulegen — ein Preis, eine Lizenz, ein Endpunkt und eine externe Messung — und nichts davon kann eine Demo ersetzen.

Worauf man achten muss, ist konkret und liegt greifbar nah. Wenn Wan 3.0 auf Physics-IQ Verified erscheint, wird die Physikfrage in die eine Richtung beantwortbar. Wenn Odyssey eine Preisliste oder eine API veröffentlicht, löst sich die Kostenfrage in die andere Richtung. Bis eines von beidem geschieht, hat dieser Vergleich eine seltsame Form: ein Produktionssystem mit veröffentlichtem Preis und ohne Physikwert, neben einem Simulator mit veröffentlichten Physikwerten und ohne Preis. Wer Ihnen heute sagt, welches besser ist, rät bei mindestens einer dieser beiden Zahlen.