Kling 4.0 vs Odyssey-3: Un clip y un mundo no son sustitutos

Pídele a Kling 4.0 un diner a las 2 de la madrugada y obtienes una película de 30 segundos de un diner a las 2 de la madrugada —la misma película, fotograma a fotograma, cada vez que ejecutas el mismo prompt. Pídele a Odyssey-3 un diner a las 2 de la madrugada y obtienes un diner al que puedes entrar, darte la vuelta dentro y tirar una taza de café del mostrador, con el modelo prediciendo lo que ocurre después basándose en lo que acabas de hacer en lugar de en lo que escribiste. Son productos distintos con la misma etiqueta de categoría, y la comparación solo resulta útil cuando dejas de preguntar cuál genera mejor vídeo y empiezas a preguntar cuál produce el artefacto que necesita tu proyecto.

Eso no es una evasiva. Es la razón por la que esta comparativa merece una página: búscala y encontrarás listas que los enfrentan por resolución y precio, lo cual es como comparar una cámara con un simulador de vuelo por su velocidad de fotogramas. Los números son reales, la clasificación carece de sentido, y la decisión que hay debajo es una que realmente puedes tomar.

Qué genera cada uno, exactamente

Kling 4.0 es un modelo de vídeo generativo de Kuaishou, disponible para todos desde el 15 de octubre de 2026. Realiza texto a vídeo, imagen a vídeo, primer y último fotograma, múltiples fotogramas clave, referencia omni y edición dirigida, y produce clips de 3 a 30 segundos en 720p, 1080p o 4K, con audio estéreo de dos canales y sincronización labial multilingüe.

Odyssey-3 es un modelo del mundo de Odyssey: un transformador de difusión autorregresivo, de 14.000 millones de parámetros en la configuración base, creado para generar un entorno a partir de un prompt y luego seguir prediciéndolo en tiempo real mientras alguien navega por él. Su vista previa pública de investigación se abrió el 8 de octubre de 2026, y una demo gratuita en el navegador ejecuta una variante más ligera, Odyssey-3 Flash. Hay dos niveles publicados: Odyssey-3 a 832×480 y Odyssey-3 Pro a 1280×720.

La palabra "video" aparece en ambas descripciones y significa algo distinto en cada una. Una genera un archivo. La otra genera un sistema que se maneja.

Por qué la interactividad cambia aquello en lo que el modelo tiene que ser bueno

Un generador de clips se juzga por cómo se ve una secuencia fija: composición, iluminación, movimiento, si las manos tienen cinco dedos. Puede gastar todo su presupuesto de cómputo en hacer que una trayectoria sea hermosa, porque solo hay una trayectoria.

Un modelo del mundo se juzga por lo que ocurre después de que intervienes. La descripción de la arquitectura de Odyssey describe un transformador de difusión de video de varios pasos, extendido de forma autorregresiva mediante teacher forcing y enmascaramiento causal, con un pipeline de posentrenamiento que combina coincidencia de distribuciones y destilación adversarial en una variante de pocos pasos. La difusión aporta fidelidad, la autorregresión aporta la capacidad de sobrevivir a una secuencia de acciones y la destilación aporta la velocidad de reloj. Los tres son fundamentales, y los tres son la versión que la empresa da de su propio sistema.

Esa diferencia se hace evidente en el benchmark que eligió Odyssey. Physics-IQ Verified, dirigido por Anates Labs con DeepMind, muestra a los modelos imágenes de experimentos físicos reales —fluidos, óptica, mecánica de sólidos, magnetismo, termodinámica— y puntúa la continuación frente a lo que ocurrió en realidad. Es un benchmark difícil de manipular porque la clave de respuestas es el mundo físico. Actualmente clasifica 41 modelos de 16 laboratorios.

Los números de la física, con las salvedades correspondientes

• Odyssey-3 Pro — 66,1 en la pista de vídeo a vídeo de Physics-IQ Verified, la puntuación bruta más alta que Odyssey reporta. Se trata de una cifra de mejor de 8 de una sola ejecución; la media de cuatro ejecuciones sin selección es 63,37.

• Mejora neta con respecto a la media de la pista — FLUX 3 [large] lidera con +12,27 puntos porcentuales, Odyssey-3 Pro es segundo con +11,15 y Odyssey-3 es tercero con +9,99.

• Costo normalizado por video generado: Odyssey-3 Pro $0.267, Odyssey-3 $0.139, frente a FLUX 3 [large] a $0.868 y Seedance 2.5 a $2.838. Los costos se normalizan a 24 fps y una salida de 1280 de ancho cuando la tabla de clasificación lo permite.

• WorldMark — Odyssey-3 ocupa el primer puesto en tres de las cuatro divisiones. La división que no gana es la de entornos reales en primera persona, donde queda tercero con 80,6, por detrás de Lyra 2.0 con 84,4 y de AlayaWorld con 83,0. Se trata de una evaluación del proveedor ejecutada sobre el conjunto de datos de otro, con las leyendas propias del benchmark, no una arena de terceros.

• Independencia — ninguna. Cada cifra anterior es autodeclarada. Ningún evaluador externo ha ejecutado Odyssey-3 en un arnés que no haya elegido él mismo.

Lee la segunda fila dos veces. En la métrica que ajusta por la dificultad de la pista, Odyssey-3 Pro no es primero: lo es un generador de vídeo general. El titular de la empresa es la puntuación bruta; el resumen preferido de la clasificación lo sitúa en segundo lugar. Ambas cosas son ciertas, y la diferencia es justo el tipo de detalle que una publicación de lanzamiento omite.

La evidencia del lado de Kling 4.0 es más escasa, no mejor.

Kuaishou no ha publicado ningún benchmark propio de Kling 4.0, y el modelo no aparece en las clasificaciones de vídeo de Artificial Analysis a fecha de 23 de octubre. Eso no es un mal resultado: es la ausencia de resultado. Lo que existe es una especificación, una nota de lanzamiento y una semana de impresiones prácticas de personas con acceso a la aplicación, lo que constituye una base probatoria más débil que las puntuaciones autodeclaradas de Odyssey y de una naturaleza completamente distinta.

La especificación es genuinamente sólida, y es sólida en aspectos que importan para la producción autoral en lugar de para la simulación:

• Duración — de 3 a 30 segundos en una sola pasada, con la extensión hacia 2 minutos indicada como disponible próximamente. La vista previa de Odyssey genera un entorno continuo, no un clip cronometrado.

• Resolución: 720p, 1080p y 4K, con HDR de 10 bits en los dos niveles superiores, marcado como "próximamente". La Odyssey-3 Pro alcanza un máximo de 1280×720 en su gama, y el nivel básico es de 832×480.

Control — hasta 10 imágenes de fotogramas clave y un presupuesto de referencia de 15 elementos repartido entre imágenes, segundos de vídeo, voz y elementos. Esa es la superficie de control de un director: usted especifica qué sucede y cuándo.

Audio — estéreo de dos canales con sincronización labial en nueve idiomas y acentos nombrados. La vista previa de Odyssey no tiene una salida de audio comparable porque no estás viendo una escena terminada.

• Acceso — el producto para consumidores ya está disponible; la API comenzó a abrirse a clientes empresariales y desarrolladores el 21 de octubre, mientras la hoja de precios para desarrolladores sigue marcando el modelo como Próximamente y solo enumera tarifas de vista previa.

Coste por resultado, no coste por segundo

Las dos unidades de precios no se convierten, por lo que las tablas comparativas se equivocan. La tarifa de vista previa de Kling 4.0 es de $0.157 por segundo a 720p y de $0.235 a 1080p, sin tarifa 4K publicada. La entrada de Odyssey en la clasificación es de $0.139 o $0.267 por vídeo generado, normalizada para comparar entre modelos con distintas velocidades de fotogramas.

Si quieres un plano de 30 segundos en 1080p, Kling 4.0 a la tarifa de vista previa cuesta unos $7.05, suponiendo que la tarifa se mantenga tras el lanzamiento. Si quieres diez minutos de entorno explorable en 720p, la cifra por vídeo de Odyssey no te dice nada, porque un "vídeo" en esa columna es una muestra de referencia, no una sesión. Lo honesto es decir que un producto tiene una tarifa por segundo y el otro tiene una vista previa de investigación sin lista de precios alguna. Los presupuestos no se pueden comparar salvando esa brecha.

El problema del acceso es simétrico, y esa es la cuestión práctica.

Ninguno de los dos modelos se puede usar sin más. Kling 4.0 se está abriendo por etapas con precios de vista previa; Odyssey-3 es una vista previa de investigación con un formulario de contacto para acceder a la API, sin documentación sobre límites de tasa y sin pesos.

Para un equipo que evalúa ambos, lo útil es mantener el arnés de evaluación independiente del SDK de cualquiera de los dos proveedores. OrcaRouter no aloja ninguno de los dos modelos —no hay ruta de Odyssey ni identificador de Kling 4.0 en el catálogo—, pero el trabajo en torno a ellos es tráfico de API normal: la pasada de expansión de prompt que convierte la descripción de una toma en algo que un modelo de video pueda usar, la lista de tomas, el captioning, la pasada de puntuación que decide cuáles de ocho muestras conservar. Esas tareas se ejecutan en un único endpoint compatible con OpenAI, en más de 200 modelos, al precio de lista del proveedor y con un 0 % de margen, y la conmutación por error automática hace que un barrido de evaluación no se caiga porque un servicio upstream esté teniendo una tarde difícil. Cuando cualquiera de los dos modelos abra una API de autoservicio, el arnés ya tendrá la forma correcta.

Los modelos a los que puedes llamar hoy son la generación anterior en ambos lados. Kling 3.0 está en OrcaRouter a $0.084 por solicitud. Odyssey no tiene un predecesor enrutable. Vale la pena notar esa asimetría: en una categoría donde el modelo interesante suele ser el no disponible, la alternativa del lado de Kling es al menos un endpoint real.

¿Quién debería elegir cuál en realidad?

Elige Kling 4.0 si el entregable es una toma terminada: un anuncio, una secuencia de videoclip, una película de producto, cualquier cosa en la que alguien vaya a juzgar el plano y el sonido y luego exportarla. La pasada única de 30 segundos, los 10 fotogramas clave y el audio estéreo están todos orientados a esa tarea, y ningún modelo del mundo los sustituye.

Elige Odyssey-3 si el entregable es un lugar en el que alguien actúa desde dentro: datos de entrenamiento para robótica, prototipado espacial, una demo tipo juego, una evaluación de agentes encarnados. Los resultados de Physics-IQ, la navegación en primera y tercera persona y los informes del proveedor sobre políticas de robots que se transfieren desde un backbone congelado son el tipo de evidencia adecuada para esa tarea, siempre que recuerdes que son del proveedor.

No elijas ninguno de los dos si lo que necesitas este mes es un endpoint repetible y facturable. Ambos están a medio despliegue, uno no tiene precio y el otro tiene una tarifa de vista previa, y construir hoy una ruta de producción sobre cualquiera de los dos es apostar por un calendario de lanzamiento que no controlas.

Lo que zanjaría esto no es un benchmark que ambos modelos puedan realizar. Es una prueba de flujo de trabajo: toma una escena, genérala como una toma autoral de 20 segundos en Kling 4.0, luego reconstruye la misma ubicación en Odyssey-3 e intenta escenificar la misma acción controlando la cámara. Si la versión interactiva no puede mantener la composición que necesitas, el modelo del mundo es la herramienta equivocada, independientemente de su puntuación en física. Si la versión autoral no sobrevive a un cambio de punto de vista, el generador de clips es la herramienta equivocada. Ese experimento cuesta una tarde y te dice más que cualquier Elo de cualquiera de los dos lados.