PAN 2 vs. Odyssey 3: Das einzige World Model hier mit Preisangabe veröffentlicht auch seine schlechteste Zahl

Zwei Aussagen über physikalisches Reasoning, mit drei Wochen Abstand veröffentlicht, und der Unterschied zwischen ihnen ist nicht die Punktzahl. PAN 2 ist das 29-Milliarden-Parameter-Weltmodell mit offenen Gewichten des Institute of Foundation Models – Apache-2.0-Gewichte am 7. Oktober 2026, Code am 5. November, Day-0-vLLM-Omni-Unterstützung am 10. November –, das aus einem Startbild und einer beschriebenen Aktion bis zu zwanzig Sekunden 704×1248-Video mit 24 Bildern pro Sekunde rendert. Odyssey 3 ist der autoregressive Diffusionstransformer mit rund 14 Milliarden Parametern von Odyssey, veröffentlicht als kostenlose Forschungsvorschau am 8. Oktober 2026 für etwa 0,139 US-Dollar pro generiertem Video in der Basisstufe und 0,267 US-Dollar bei Pro. Das eine ist ein herunterladbarer Checkpoint ohne Preis. Das andere ist ein nutzungsbasiert abgerechnetes Produkt ohne Gewichte. Und der Grund, warum diese Paarung einen Artikel statt eines Absatzes verdient, ist, dass das kostenpflichtige einen Benchmark-Vorbehalt veröffentlicht hat, den die meisten Labore verschwiegen hätten, während das kostenlose von niemandem überhaupt einem Benchmark unterzogen wurde.

Diese Umkehrung ist das Nützliche daran. Der Reflex ist, „offene Gewichte“ als „transparenter“ und eine „kommerzielle API“ als „mehr Marketing“ zu lesen. Hier verhält es sich umgekehrt, und zu verstehen, warum, sagt mehr über die Bewertung von Weltmodellen im Jahr 2026 aus als jede Leaderboard-Platzierung.

Was Odyssey veröffentlichte, einschließlich des Teils, der Odyssey einen Punkt kostet

Odyssey 3 Pro meldete 66.1 bei Physics-IQ Verified, einem Video-zu-Video-Benchmark für physisches Reasoning, und bezeichnete das als State of the Art. Der interessante Punkt ist die Methode hinter dieser Zahl: Sie stammte aus einem einzelnen Lauf mit Best-of-Eight-Auswahl, während die eigenen Regeln des Benchmarks vier Läufe mit einer angegebenen Standardabweichung vorsehen. Ohne Auswahl lag der Durchschnitt über vier Läufe bei 63.37.

Beide Zahlen stammen von Odyssey. Die Lücke von 2.73 Punkten zwischen ihnen ist der Preis dafür, die beste von acht Stichproben auszuwählen und sie als Ergebnis zu bezeichnen, und die Tatsache, dass beide Zahlen öffentlich vorliegen, ist mehr Transparenz, als die Kategorie üblicherweise bietet. Nach dem eigenen Maß des Benchmarks für die Nettoverbesserung gegenüber dem Track-Durchschnitt liegt Odyssey 3 Pro mit +11.15 Prozentpunkten auf Platz zwei, hinter FLUX 3 [large] mit +12.27. Bei WorldMark, Odysseys eigener Evaluierung, liegt es in drei von vier Kategorien auf Platz eins – 77.2 bei First-Person stilisiert, 79.0 bei Third-Person real, 76.3 bei Third-Person stilisiert – und bei First-Person real mit 80.6 auf Platz drei, hinter Lyra 2.0 mit 84.4 und AlayaWorld mit 83.0.

Lesen Sie diese Zahlen so, wie ein Käufer es tun sollte, und daraus folgen drei Dinge. Erstens ist das Modell wirklich wettbewerbsfähig: Platz zwei bei der eigenen Verbesserungskennzahl des Benchmarks ist kein Marketingartefakt. Zweitens gewinnt es nicht die Kategorie, in der es vermarktet wird, und seine eigene Bewertung sagt dies in einem von vier Tracks. Drittens, und am nützlichsten, ist die Bereitschaft des Anbieters, eine ausgewählte Kennzahl und den nicht ausgewählten Durchschnitt nebeneinander zu veröffentlichen, ein Signal dafür, wie alles andere zu lesen ist, was er veröffentlicht.

Richten Sie nun denselben Blick auf {{1}}PAN 2{{/1}}. IFM hat deutlich mehr Evaluierung veröffentlicht als die meisten Video-Modell-Releases – 300 Einzelaktionsfälle in sechs Fähigkeitskategorien; 100 egozentrische mehrstufige Aufgaben, in beiden Richtungen gestellt, 200 Prompts und 456 Schritte, bewertet anhand von Schrittvollendung und Vollplan-Vollendung über drei Seeds; Physics-IQ Verified im Image-to-Video-Setting, normalisiert, sodass die Varianz zwischen zwei echten Aufnahmen 100 entspricht; PhyGround auf einer Fünf-Punkte-Skala, bewertet von Qwen3.8-27B; RBench als ungewichtetes Mittel über fünf Aufgaben- und vier Embodiment-Kategorien; und eine blinde paarweise Humanstudie mit 140 Prompts, bei der dreizehn Bewerterinnen und Bewerter 1.400 Vergleiche erzeugten, Elo per Bradley–Terry angepasst und bei 1500 zentriert. Was IFM nicht veröffentlicht hat, ist ein Auswahlvorbehalt, denn soweit die Karte erkennen lässt, gab es nichts auszuwählen: Die Zahlen werden als Harness-Ausgabe berichtet.

Beide sind ungeprüft. Nur eines von beiden ist mit irgendetwas anderem vergleichbar, weil Odyssey einen öffentlichen Benchmark ausgeführt hat und die Schlagzeilenwerte von PAN 2 aus einem privaten Harness stammen. Diese Unterscheidung – Benchmark versus Harness – ist mehr wert als die Scores selbst.

Zwei Produkte, zwei Arten von Reibung

Der Preis ist der Punkt, an dem sich der Vergleich am leichtesten benennen und am schwersten umsetzen lässt.

• Stückpreis — Odyssey 3 kostet in der Basisstufe etwa 0,139 US-Dollar pro generiertem Video bei 832×480 und in Pro etwa 0,267 US-Dollar bei 1280×720; PAN 2 hat keinen Stückpreis, da es keinen gehosteten Dienst gibt, nur Modellgewichte und eine GPU-Rechnung.

• Die tatsächlichen Kosten — bei Odyssey 3 entspricht der Preis den Gesamtkosten eines Clips; bei PAN 2 sind es die Kosten der Maschine: Dreizehn Sekunden 704×1248-Video dauern auf vier B300s rund 119 Sekunden, wobei acht H200s in BF16 der dokumentierte Standard sind.

• Zugangshürde — Odyssey 3 hat eine kostenlose Browser-Demo, die jeder öffnen kann, und API-Zugang per Kontaktformular ohne Self-Service-Schlüssel und ohne veröffentlichte Preisliste; PAN 2 umfasst 86,17 Gigabyte in sechzig Dateien unter Apache-2.0, ohne Zugangsbeschränkung, kein Gespräch erforderlich.

• Gewichte — Odyssey 3 veröffentlicht keine und hat keine Lizenz zum Lesen; die von PAN 2 sind Apache-2.0 ohne Namensnennungspflicht, ohne Nutzerschwelle und ohne Einschränkung des Verwendungsbereichs.

• Geschwindigkeit im Harness — Odyssey 3 läuft mit 16 Bildern pro Sekunde bei 832×480, destilliert auf wenige Schritte, sodass eine Person in Echtzeit steuern kann; PAN 2 läuft mit 24 Bildern pro Sekunde über fünfzig Sampler-Schritte bei einer Guidance von 2,5.

Setzt man diese fünf Zeilen zusammen, wird klar: Die beiden Produkte richten sich an unterschiedliche Käufer. Odyssey 3 ist preislich auf jemanden ausgerichtet, der Clips will und kein Rechenzentrum besitzen möchte – ein Content-Team, eine Forschungsgruppe, die ein paar tausend Generierungen laufen lässt, oder alle, deren Stückkosten sich pro Output bemessen. PAN 2 ist preislich auf jemanden ausgerichtet, der den Node bereits hat, denn für alle anderen ist die kostenlose Lizenz das Unwichtigste daran.

Die fehlende Zahl auf beiden Seiten ist dieselbe, und sie ist nicht der Preis. Keiner der Anbieter veröffentlicht eine Erfolgsquote für das, was Käufer tatsächlich interessiert. Odyssey ließ eine Fahrstrategie, einen Roboterarm und einen humanoiden Roboter in seinen generierten Welten laufen, und die Details dieser Demonstrationen sind es wert, genau gelesen zu werden – doch die Zahl, die ein Käufer braucht, ist in keiner davon enthalten: keine Erfolgsquote bei der Fahraufgabe, kein Referenzwert gegenüber dem Training in der realen Welt, keine Ablation, die zeigt, welcher Teil der generierten Welt die Arbeit geleistet hat.

PAN 2s entsprechende Zahl ist schlechter und öffentlich. In seiner Modellkarte heißt es, dass etwa zwei von drei simulierten Plänen mindestens einen Schritt enthalten, der nicht ausgeführt wird. Das ist eine vernichtende Zahl für alle, die die Ausgabe an einen Roboter übergeben wollen, und zugleich der mit Abstand nützlichste Satz in beiden Veröffentlichungen, denn er nennt die Ausfallrate desjenigen, auf dem man aufbauen will. Ein Anbieter, der eine Ausfallrate von zwei zu drei veröffentlicht, und ein Anbieter, der überhaupt keine Rate veröffentlicht, sind nicht gleichermaßen informativ, und der mit der schlechten Zahl ist derjenige, um den man herumplanen kann.

Was jedes einzelne tatsächlich erzeugt und warum der Unterschied architektonischer Natur ist

Odyssey 3 ist ein autoregressiver Diffusionstransformer mit rund 14 Milliarden Parametern, trainiert auf Internetvideos, Gameplay-Aufnahmen mit zeitlich ausgerichteten Eingaben und simulierten Starrkörperinteraktionen und anschließend zu einem Few-Step-Modell destilliert, sodass eine Person die Ausgabe in Echtzeit navigieren kann: Man gibt eine Umgebung per Prompt vor, bewegt sich mit unabhängiger Kamerasteuerung in der Ich- oder Dritten-Person durch sie hindurch und löst unterwegs Ereignisse aus. Die Stufen unterscheiden sich nur darin, was man sehen kann – 832×480 in der Basisstufe bei etwa 0,139 US-Dollar pro Video und 1280×720 bei Pro für etwa 0,267 US-Dollar –, wobei hinter der kostenlosen Browser-Demo eine Flash-Variante steckt, die jeder ohne Konto öffnen kann.

PAN 2 ist ein Batch-Renderer mit einem eingebetteten Sprachmodell. Ein konzeptueller Reasoner schreibt den nächsten Weltzustand als strukturierte, zeitlich verankerte Beschreibung, ein eingefrorener Qwen3.5-9B-Textencoder verwandelt diese in Konditionierungsmerkmale, ein 29B-Diffusion-Transformer füllt die perzeptuellen Details aus, und ein Wan 2.2 VAE dekodiert zwanzig Sekunden in 704×1248 bei 24 Bildern pro Sekunde. Es gibt keine interaktive Schleife: ein Aufruf, ein Clip, kein Feedback innerhalb des Aufrufs. Was es stattdessen gibt, ist ein Vertrag – der Prompt-Rewriter-Skill, ein fester Negativ-Prompt und ein Validator, der Captions gegen das Budget des Encoders von weichen 1.480 Tokens und harten 1.536 Tokens prüft, wobei die Modellkarte einräumt, dass die Agent-Fallstudien auf handverfeinerten Prompts beruhten.

Dieser Unterschied entscheidet weit mehr als der Preis darüber, wofür die beiden gut sind. Odyssey 3 ist für einen Menschen in einer Umgebung gebaut: generieren, sich umsehen, anpassen, erneut generieren. PAN 2 ist für eine Maschine gebaut, die eine Frage stellt: Wenn ich das tue, was passiert, und würde ein Prüfer eine andere Option bevorzugen? Die Sampler kodieren die Absicht – acht destillierte Schritte für den einen, fünfzig Schritte mit Guidance von 2,5 bei jedem Schritt für den anderen – und ebenso der Fehlerfall, den jeder von ihnen dokumentiert.

Die Demonstration, dass sich keines der beiden Unternehmen in eine Messung verwandelt hat

Beide Veröffentlichungen stützen sich auf Videobelege dafür, dass eine Policy in einer generierten Welt lernt, und keine von beiden hat die Zahl veröffentlicht, die die Belege belastbar machen würde.

Odyssey trainierte eine Fahr-Policy auf etwa 20 Stunden realer indischer Straßendaten mit einem eingefrorenen Backbone in seinen generierten Welten und zeigte separat Roboterarm-Manipulation, die aus Dutzenden Stunden an Demonstrationen gelernt wurde – darunter Recovery-Verhalten, das nicht in den Trainingsdaten enthalten war –, mit Flexion erstellte humanoide Policies, Drohnennavigation und eine auf GTA V trainierte Policy, die auf Red Dead Redemption 2 übertragen wurde. Der Transfer von Spiel zu Spiel ist das stärkste Argument für ein allgemeines Video-Weltmodell als Trainingssubstrat, denn wenn eine Policy aus Filmmaterial eines Spiels lernen und in einem anderen funktionieren kann, hat das Modell etwas über Dynamik statt über Pixel erfasst. Es fehlen eine veröffentlichte Erfolgsquote für die indische Straßenaufgabe, eine Baseline gegen Training in der realen Welt und eine Ablation, die zeigt, welcher Teil der generierten Welt die Arbeit geleistet hat.

PAN 2 hat keine Policy-Demo dieser Art, aber es hat etwas, das Odyssey nicht hat: eine veröffentlichte Ausfallrate. Etwa zwei von drei simulierten Plänen enthalten mindestens einen Schritt, der nicht ausgeführt wird. Seine Karte räumt außerdem ein, dass die Simulation von Plänen, die scheitern sollten, in ihren eigenen Worten noch nicht gemessen ist – was für ein Trainingssubstrat von Bedeutung ist, denn eine Welt, die nur Erfolg darstellt, lehrt eine Policy, dass alles funktioniert.

Stellt man diese beiden Einräumungen nebeneinander, wird die Lücke in der Kategorie sichtbar. Das eine Unternehmen hat Transfer nachgewiesen und die Zuverlässigkeit nicht gemessen. Das andere hat einen Ausfallmodus gemessen und keinen Transfer nachgewiesen. Keine von beiden ist die Studie, die ein Käufer braucht: beide Modelle bei einer Aufgabe, mit einer Policy und einer Metrik, oft genug wiederholt, dass die Standardabweichung kleiner ist als die Lücke.

Was dich die Zugangswege an Zeit statt an Geld kosten

Der Reibungspunkt bei Odyssey 3 ist ein Gespräch. Es gibt eine kostenlose öffentliche Research Preview im Browser, API-Zugang per Kontaktformular, keine Self-Service-Keys, keine veröffentlichte Preisliste pro Token oder pro Clip über die Tarifangaben hinaus, keine offenen Gewichte und keine Lizenz zum Lesen. Für ein Team, das ein Modell noch heute Nachmittag an der eigenen Arbeitslast benchmarken möchte, ist das ein anderes Hindernis als ein Preis: Man kann die Demo ausprobieren und mit dem Vertrieb sprechen, und beides verschafft einem keine reproduzierbare Testumgebung.

Die Reibung von PAN 2 ist eine Maschine. Die Gewichte sind 86,17 Gigabyte, verteilt auf sechzig Dateien unter Apache-2.0, ohne Zugangsbeschränkung, kein Gespräch nötig — und dann entdeckt man, dass die dokumentierte Serving-Konfiguration aus einem Node besteht, dass der Sampler hundert Forward-Passes pro Clip benötigt und dass ein zwanzigsekündiger 704×1248-Clip ein eigenes Dekodierungsproblem darstellt, bevor überhaupt über Parallelisierung gesprochen wird. Die Lizenz ist kostenlos und die Hardware nicht — dieselbe Abwägung, die die gesamte Open-Weight-Kategorie vornimmt und die Käufer am häufigsten falsch einschätzen.

Keine der beiden Reibungen ist ein Mangel. Sie sind die zwei Formen, die ein Research-Release im Jahr 2026 annimmt: ein Produkt mit einem Preis und einer Form oder ein Checkpoint mit einer Lizenz und einer Rechnung. Zu wissen, welche Form man verkraften kann, ist ein nützlicherer Filter als jede Benchmark-Position – und es ist der Filter, den die meisten Teams zuletzt statt zuerst anwenden.

Wofür ein 16-fps-Produkt und ein 24-fps-Forschungsmodell jeweils gedacht sind

Beide Unternehmen verwenden den Ausdruck Echtzeit, und keines meint dieselbe Größe. Odyssey 3 mit 16 Bildern pro Sekunde sind 62,5 Millisekunden pro Bild – schnell genug, dass eine Person, die eine Kamera steuert, die Verzögerung nicht spürt – das ist es, was ein Produkt braucht, und deshalb wird das Modell in wenige Schritte statt fünfzig destilliert. Die zwanzig Sekunden von PAN 2 bei 24 Bildern pro Sekunde sind überhaupt nicht interaktiv; es ist ein Batch-Render, dessen Kosten in Knotenminuten gemessen werden, und sein Zweck ist es, einen Clip zu erzeugen, den ein Agent oder ein Forscher anschließend prüft.

Die Konsequenz für alle, die Arbeit planen, ist, dass sich die beiden in unterschiedlichen Schleifen einsetzen lassen. Odyssey 3 passt zu einem Human-in-the-Loop-Workflow: generieren, ansehen, anpassen, erneut generieren – zu einem Preis, der niedrig genug ist, dass Iterieren günstig bleibt. PAN 2 passt zu einer automatisierten Schleife: fünf mögliche Konsequenzen generieren, sie mit einem Prüfer bewerten, auf die beste reagieren – zu einem Preis, der hoch genug ist, dass man nachdenkt, bevor man den Batch startet. Die eine optimiert auf Latenz pro Clip, die andere auf Wiedergabetreue pro Clip, und die Sampler-Einstellungen machen den Kompromiss explizit – fünfzig Schritte mit Guidance bei 2,5 in jedem Schritt sind hundert Forward-Passes durch einen 29B-Transformer, gegenüber acht destillierten Schritten durch einen der 8-bis-14B-Klasse.

Es gibt außerdem einen strukturellen Unterschied darin, wofür die Ausgabe verwendet werden kann. Die von Odyssey 3 generierten Welten haben eine Fahrstrategie und einen Roboterarm trainiert, was der stärkste öffentliche Beleg dafür ist, dass ein allgemeines Video-Weltmodell als Trainingssubstrat für verkörperte Steuerung dienen kann. Die Ausgabe von PAN 2 nicht, und in seiner Karte wird ausdrücklich gesagt, dass die Simulation von Plänen, die scheitern sollten, noch nicht gemessen wird — was wichtig ist, denn ein Trainingssubstrat, das nur Erfolg zeigt, lehrt eine Strategie, dass alles funktioniert. Die Demonstrationen von Odyssey lösen das ebenfalls nicht auf: Eine Strategie, die in generierten Welten trainiert und nie gegen eine reale Baseline evaluiert wurde, ist ein vielversprechendes Ergebnis, keine validierte Methode.

Wo OrcaRouter bei beidem ansetzt, ist das die Bewertungsebene und nicht die Generierungsebene, und es lohnt sich, präzise zu sein. Weder PAN 2 noch Odyssey 3 stehen in unserem Katalog: Das eine ist ein 29B-Diffusionsmodell, das man auf dem eigenen Node ausführt, das andere ein gehostetes Produkt, das über ein Kontaktformular verkauft wird, und kein Router kann eines von beiden bedienen. Was sich routen lässt, ist die Maschinerie drumherum, und in beiden Fällen sammeln sich dort die eigentlichen Ausgaben an – ein Vision-Language-Judge, der generierte Clips anhand einer Rubrik bewertet, ein Planer, der eine Forschungsfrage in einen Stapel Prompts verwandelt, ein Caption-Writer, der die strukturierten Weltzustandsbeschreibungen erzeugt, die der Textencoder von PAN 2 innerhalb eines Budgets von weichen 1.480 Tokens und harten 1.536 Tokens verarbeitet. Das sind Tausende gewöhnliche Aufrufe an ein Modell, dessen Ausgabe jeweils eine GPU-Minute kostet, und genau das ist die Art von Workload, bei der ein einziger Schlüssel für mehr als 200 Modelle, Listenpreise der Anbieter zu 0 % Aufschlag durchgereicht und automatisches Failover zwischen Anbietern nicht mehr nur eine Annehmlichkeit sind, sondern den Unterschied ausmachen zwischen einem Batch, der fertig wird, und einem, der bei 80 % stirbt.

Wie man den nächsten davon liest

Drei Fragen, der Reihe nach, und keine davon lautet: „Wie viele Punkte hat es erzielt?“

Stammt die Zahl aus einem öffentlichen Benchmark oder aus einer privaten Testumgebung? Odysseys Durchschnitt von 63,37 über vier Läufe lässt sich mit anderen Einträgen auf demselben Track vergleichen. Die Step-Completion-Werte von PAN 2 lassen sich mit nichts vergleichen, weil niemand sonst diese Testumgebung betreibt. Beide sind legitim; nur eines ist übertragbar.

Wurde der Score ausgewählt? Ein Best-of-Eight-Wert und ein Durchschnitt aus vier Läufen messen unterschiedliche Dinge, und ein Anbieter, der beide veröffentlicht, hat Ihnen gesagt, welchen Sie zitieren sollen. Ein Anbieter, der nur den ersten veröffentlicht, hat Ihnen ebenfalls etwas gesagt.

Wie hoch ist die Fehlerrate bei der Aufgabe, die Ihnen wichtig ist? PAN 2 beantwortet dies damit, dass zwei von drei Plänen einen Schritt auslassen. Odyssey beantwortet sie für das indische Straßenexperiment nicht. Das Fehlen ist keine Unehrlichkeit – niemand hat die Studie durchgeführt –, aber ein Käufer, der nicht fragt, kauft eine Demo.

Auf die Wahl vor Ihnen angewendet: Odyssey 3 ist das zugängliche Instrument. Eine kostenlose Browser-Demo, ein Kontaktformular, ein Preis pro Clip, den man multiplizieren kann, und eine Benchmark-Zahl mit einer dokumentierten Methode dahinter. Wenn Sie diese Woche Weltmodelle ausprobieren müssen und Ihr Budget pro Clip liegt, ist es das einzige der beiden, mit dem Sie anfangen können – mit der Einschränkung, dass „zugänglich“ ein Verkaufsgespräch bedeutet und keinen Schlüssel.

PAN 2 ist das auditierbare Instrument. Gewichte, Code, ein Serving-Rezept, ein Caption-Vertrag mit einem Token-Budget, ein Guardrail mit angegebenen Falsch-Positiv-Zahlen — 11,5 % der harmlosen Text-zu-Video-Anfragen und 3,3 % der harmlosen Bild-zu-Video-Anfragen werden abgelehnt, während unsichere Text-zu-Video-Ausgaben von 33,9 % auf 1,5 % sinken — und ein Abschnitt zu Einschränkungen, der mit der Fehlerrate beginnt. Wenn Sie über die Hardware verfügen und wissen müssen, wie das Ding funktioniert, statt nur, dass es funktioniert, ist es mit großem Abstand das vollständigere Release in der Kategorie.

Was den Vergleich entscheiden würde, ist die Studie, die keines der beiden Unternehmen durchgeführt hat: beide Modelle, eine Aufgabe, eine Richtlinie, eine Metrik, genügend Durchläufe, sodass die Standardabweichung kleiner ist als die Differenz. Niemand hat sie vorgeschlagen. Bis jemand das tut, lautet die zutreffende Zusammenfassung, dass das bezahlte Modell eine besser dokumentierte Zahl veröffentlicht hat und das kostenlose Modell eine schlechtere, und das kostenlose Modell ist dasjenige, das man überprüfen kann.