Apollo World vs Odyssey 3: dos formas de enseñar a un coche dentro de un sueño

Odyssey-3 es el único modelo de esta comparación que tiene un precio, así que empieza por ahí: aproximadamente $0,139 por un vídeo generado a 832 por 480, o $0,267 a 1280 por 720 en el nivel Pro, publicado como vista previa de investigación gratuita el 8 de octubre de 2026 y disponible mediante un formulario de contacto en lugar de una clave de autoservicio. Apollo World no tiene precio, porque Baidu no le ha puesto uno. La empresa dio a conocer el modelo el 3 de noviembre de 2026 como un simulador impulsado por agentes que entrena y evalúa su propia flota de robotaxis, y no publicó ningún endpoint, ni pesos, ni recuento de parámetros ni términos comerciales. Ambos son modelos del mundo. Ambos han demostrado entrenar una política de conducción. Solo uno de ellos es un producto, y no es el que construyó la empresa que opera los coches.

Esa inversión es la historia. Odyssey es una startup respaldada por capital riesgo que vende imaginación por clips; Baidu es un operador que usa la imaginación para evitar poner a un conductor de seguridad en un coche real. Están resolviendo el mismo problema desde extremos opuestos del mercado.

Lo que realmente compra $0.139

Odyssey-3 es un transformer de difusión autorregresivo de aproximadamente 14.000 millones de parámetros, entrenado con vídeo de internet, imágenes de gameplay con entrada alineada temporalmente e interacciones simuladas de cuerpos rígidos. Se destila en un modelo de pocos pasos para que una persona pueda navegar por la salida en tiempo real: describes un entorno y luego lo recorres en primera o tercera persona, con control de cámara independiente y la capacidad de desencadenar eventos.

• Nivel base — 832 por 480, aproximadamente $0.139 por video generado, 16 fotogramas por segundo en el arnés de evaluación comparativa.

• Nivel Pro — 1280 por 720, aproximadamente $0.267 por video.

• Flash — la variante que hay detrás de la demo gratuita en el navegador, que cualquiera puede probar sin una cuenta.

• Acceso — una vista previa de investigación pública y gratuita en el navegador; acceso a la API mediante formulario de contacto; sin claves de autoservicio, sin tarifa publicada por token, sin pesos abiertos y sin licencia.

La falta de autoservicio es una limitación real, no una nota al pie. No puedes comparar Odyssey-3 con tu propia carga de trabajo esta tarde como puedes hacerlo con un modelo de pesos abiertos. Puedes probar la demo y hablar con ventas. Para un equipo que evalúa modelos del mundo como infraestructura, ese es un tipo de fricción distinto al de un precio.

El experimento indio de 20 horas en carretera

La demostración que importa para esta comparación es una política de conducción entrenada con unas 20 horas de datos reales de carreteras indias con un backbone congelado, dentro de los mundos generados de Odyssey. La empresa también mostró manipulación con brazo robótico aprendida a partir de decenas de horas de demostraciones, incluidos comportamientos de recuperación que no estaban en los datos de entrenamiento, políticas humanoides construidas con Flexion, navegación de drones y una política entrenada en GTA V que se transfiere a Red Dead Redemption 2.

Esas demostraciones son el argumento más sólido a favor de un modelo general de mundo de vídeo como sustrato de entrenamiento: si una política puede aprender de grabaciones de un juego y transferirse a otro juego, el modelo ha captado algo sobre la dinámica, no sobre los píxeles. Pero son demostraciones, no mediciones. No hay una tasa de éxito publicada en la tarea de carreteras de la India, ni una línea base frente a entrenar en el mundo real, ni una ablación que muestre qué parte del mundo generado hizo el trabajo. La afirmación es que es posible. La afirmación no es que sea mejor.

El enfoque de Baidu es la versión industrial de la misma idea, con la evaluación volcada hacia el interior. Apollo World modela a cada participante del tráfico como un agente que toma decisiones en lugar de un objeto que sigue un guion, de modo que un robotaxi que frena o cede el paso provoca una reacción en los coches y peatones que lo rodean. Genera cámara y lidar en tiempo real, de modo que el stack bajo prueba percibe la ciudad virtual a través de la misma interfaz que usa en la carretera. Y cierra los trayectos de principio a fin —pedido, recogida y bajada— en orígenes y destinos arbitrarios.

La afirmación sobre la escala ronda los 100.000 kilómetros de conducción simulada al día, lo que Baidu presenta como aproximadamente tres años de pruebas continuas realizadas por un vehículo equipado con conductor de seguridad. El contexto operativo es Apollo Go: 28 ciudades, más de 23 millones de viajes, 350 millones de kilómetros autónomos y más de 240 millones totalmente sin conductor. Cada una de esas cifras es de Baidu, y ninguna ha sido auditada de forma independiente.

La aritmética del benchmark de la que vale la pena aprender

Odyssey publicó una cifra destacada para Odyssey-3 Pro en Physics-IQ Verified, un benchmark de razonamiento físico de vídeo a vídeo: 66,1, descrita como estado del arte. La advertencia está en el método. Esa puntuación provino de una sola ejecución usando una selección de los mejores ocho, mientras que las reglas del benchmark exigen cuatro ejecuciones con una desviación estándar reportada. Sin selección, el promedio de las cuatro ejecuciones fue 63,37.

Ambos números son de Odyssey. La diferencia entre ellos —2,73 puntos— es el coste de elegir la mejor de ocho muestras y llamarla puntuación. En la propia métrica del benchmark de mejora neta respecto a la media del track, Odyssey-3 Pro ocupa el segundo lugar con +11,15 puntos porcentuales, por detrás de FLUX 3 [large] con +12,27. En WorldMark, la evaluación propia de Odyssey, el modelo es primero en tres de cuatro categorías —77,2 en primera persona estilizada, 79,0 en tercera persona real, 76,3 en tercera persona estilizada— y tercero en primera persona real con 80,6, por detrás de Lyra 2.0 con 84,4 y de AlayaWorld con 83,0.

Nada de esto es un escándalo. Publicar un número best-of-eight y el promedio de cuatro ejecuciones, como hizo la cobertura de Odyssey, es más transparencia de la que ofrecen la mayoría de los laboratorios. Pero es la razón por la que no es posible una comparación entre Odyssey-3 y Apollo World en las puntuaciones de benchmark: un lado tiene números con un método documentado y una disputa sobre la selección, y el otro no tiene ningún número en absoluto. La tabla honesta tendría una columna de valores y una columna de guiones, y una tabla con una columna de guiones no es una comparación.

Dos definiciones de tiempo real

Ambos modelos afirman funcionar en tiempo real, y ambas afirmaciones no se refieren a la misma magnitud. Odyssey-3 funciona a 16 fotogramas por segundo en su entorno de pruebas a 832 por 480 — lo bastante rápido como para que una persona pueda orientar una cámara por el mundo sin esperar, que es lo que el producto necesita. Apollo World se articula en torno a un ciclo de decisión de un treintavo de segundo, unos 33 milisegundos, porque un vehículo de carretera que circula a velocidad no puede esperar más que eso para actuar.

Dieciséis fotogramas por segundo son 62,5 milisegundos por fotograma. Eso no es una crítica a Odyssey, que no pretende ser un simulador de vehículos; es una ilustración de lo diferente que se especifican ambos sistemas. Un modelo que una persona explora puede permitirse llegar un poco tarde. Un modelo que cierra un bucle de control con un coche de dos toneladas no puede.

La misma división aparece en la persistencia. La propia evaluación de Odyssey la sitúa en tercer lugar en escenas del mundo real en primera persona, y la deriva a largo plazo es el fallo clásico del vídeo autorregresivo: el mundo deja lentamente de coincidir consigo mismo. Baidu incluye la persistencia entre tres propiedades calificadas y la define como la ausencia de deriva en objetos y detalles durante ejecuciones prolongadas, una especificación escrita por alguien que ha visto degradarse una simulación a lo largo de diez horas.

Quién puede usar cuál y cuánto cuesta

Odyssey-3 es utilizable hoy por cualquiera que tenga un navegador y por cualquiera que mantenga una conversación de ventas. A un precio de entre $0.139 y $0.267 por vídeo, la economía unitaria resulta comprensible tanto para el trabajo de contenido como para la investigación que necesita unos miles de clips. Es un producto comercial con un plan gratuito, y la ausencia de pesos abiertos es una decisión deliberada y no un descuido.

Apollo World no es utilizable por nadie fuera de Baidu hoy en día. No hay indicación en el material del 3 de noviembre de que esto cambie, y la divulgación se enmarcó enteramente en torno a las propias pruebas y validación de Apollo Go.

Por lo tanto, las comparaciones de precios entre ambos no son equivalentes en ningún aspecto. Odyssey cobra por vídeo generado; Baidu no cobra a nadie. Y para los modelos que sí ofrecemos, la regla de OrcaRouter es la simple: 0% de margen, el precio de lista del proveedor se transfiere tal cual, por lo que un cambio de precio del proveedor se aplica el mismo día. Odyssey-3 no está en ese catálogo, así que no hay una tarifa de transferencia que citar, y este artículo no va a inventar una.

El veredicto, tal como es

Si quieres entrenar una política en imaginación este trimestre y no trabajas en Baidu, Odyssey-3 es el instrumento más accesible, con la salvedad de que «accesible» significa una demo y un formulario de contacto. Su demostración de política de conducción es la evidencia pública más directamente relevante de que un modelo de mundo de video general puede servir como sustrato de entrenamiento para el control encarnado, y la disposición de la empresa a publicar tanto el titular como el promedio de cuatro ejecuciones es un punto a su favor.

Si va a especificar un simulador en lugar de comprar uno, la rúbrica 2+3 de Apollo World es el artefacto más valioso: causalidad, interactividad, precisión física, persistencia y latencia bajo complejidad. Pregunte a Odyssey, o a cualquier proveedor, cómo puntúa su modelo en persistencia durante una ejecución de diez horas, y si la cifra del benchmark de física se seleccionó o se promedió. Las respuestas le dirán más que cualquier posición en una tabla de clasificación.

Lo que zanjaría la comparación sería que un tercero ejecutara ambos en la misma tarea de conducción con la misma política y la misma métrica. Nadie lo ha hecho, y ninguna de las dos empresas lo ha propuesto. Hasta entonces, el resumen preciso es una startup que vende metraje de ensueño por clip y un operador que usa sueños para mantener sus coches fuera de la carretera — ideas similares, modelos de negocio opuestos y ningún marcador compartido.