Odyssey-3 vs Grok Imagine Video: una API de vídeo con tarificación por uso frente a un simulador sin precio

Grok Imagine Video viene con una lista de precios y ninguna forma de controlarlo. Odyssey-3, que Odyssey abrió como vista previa pública de investigación el 8 de octubre de 2026, viene con una forma de controlarlo y sin lista de precios alguna. Esa asimetría, más que cualquier fila de benchmark, es la verdadera forma de esta comparación: xAI vende video generado por segundo con una tarifa publicada para cada resolución, mientras que Odyssey-3 se ofrece como un modelo de mundo interactivo que puedes controlar en un navegador y que aún no se puede comprar. A uno de estos puedes ponerlo en un producto esta tarde. Al otro solo puedes evaluarlo.

También discrepan sobre para qué sirve la generación de vídeo, y la discrepancia se refleja en las páginas de los proveedores. La documentación de G​rok Imagine Video abre con imágenes de referencia, fotogramas fijados, habla sincronizada con los labios y referencias de voz —el vocabulario del control de producción. La propuesta principal de Odyssey-3 es un entorno que predice lo que ocurrirá a continuación a medida que te mueves por él o desencadenas un evento. Ambos son generadores basados en difusión que emiten vídeo. Más allá de esa frase, casi no hay puntos en común.

Lo que es cada uno

Odyssey-3 es un transformador de difusión autorregresivo. Odyssey lo describe como un modelo de difusión de video de varios pasos extendido autorregresivamente con teacher forcing y enmascaramiento causal, de modo que continúa a partir de observaciones precedentes y predice estados futuros condicionados por las entradas de acciones, y luego se destila mediante coincidencia de distribuciones y destilación adversarial en una variante de pocos pasos capaz de interacción en tiempo real. Se ejecuta a 832×480, con Odyssey-3 Pro a 1280×720, y la vista previa pública expone navegación en primera persona, navegación en tercera persona y movimiento de cámara independiente. No hay audio.

Grok Imagine Video es el modelo de vídeo de xAI en la API Imagine. La generación actual es Grok Imagine Video 1.5, que, según registran las notas de lanzamiento de xAI, admite texto a vídeo, imagen a vídeo y referencia a vídeo con voces predefinidas opcionales y 1080p nativo para las dos primeras —con texto a vídeo implementado internamente como texto a imagen seguido de imagen a vídeo. Acepta hasta catorce imágenes de referencia y tres referencias de voz, admite fotogramas fijados y habla con sincronización labial, y se factura por segundo de salida generada. El anterior grok-imagine-video, que aún está documentado y sigue teniendo precio, se sitúa en $0.05 por segundo a 480p y $0.07 a 720p, con el vídeo de entrada facturado a $0.01 por segundo y las imágenes de entrada a $0.002.

La tarifa, que es la parte con la que realmente puedes planificar

• Precio — G​rok Imagine Video se factura por segundo: $0.05/seg a 480p y $0.07/seg a 720p en el modelo original, y G​rok Imagine Video 1.5 desde $0.08/seg en 480p, 720p y 1080p. G​rok Imagine Video 1.5 Lite parte de $0.02/seg para hasta 1080p y quince segundos. Odyssey-3 no tiene ningún precio publicado; sus únicas cifras de costo públicas son las estimaciones normalizadas de la tabla de clasificación: $0.139 por video generado para Odyssey-3 y $0.267 para Odyssey-3 Pro.

• Un clip de diez segundos, calculado: $0.50 en 480p o $0.70 en 720p en G​rok Imagine Video; $0.80 en G​rok Imagine Video 1.5; $0.20 en el nivel Lite. Odyssey-3 no se puede tarifar de esta manera, porque no se pueden comprar diez segundos de él.

• Resolución — G​rok Imagine Video 1.5 ofrece 1080p nativo para texto a vídeo e imagen a vídeo. Odyssey-3 llega como máximo a 1280×720 en el nivel Pro.

• Duración — G​rok Imagine Video 1.5 Lite alcanza los quince segundos. La unidad de Odyssey-3 no es un clip; es una sesión, limitada por cuánto tiempo la vista previa mantiene coherentes sus predicciones.

• Audio — G​rok Imagine Video genera voz sincronizada con los labios y acepta referencias de voz. Odyssey-3 no genera ninguna.

• Control: imágenes de referencia, fotogramas fijados, primer y último fotograma, y referencias de voz, todo especificado antes de la generación. Frente a la navegación en vivo y los eventos a mitad de generación durante la generación. Lo de G​rok es autoría; lo de Odyssey-3 es interacción.

• Disponibilidad — una clave API de autoservicio hoy para G​rok Imagine Video. Un formulario de contacto y una vista previa en el navegador para Odyssey-3.

Donde los pone el consejo de física

Physics-IQ Verified, el benchmark de Anates Labs y DeepMind que puntúa continuaciones de experimentos físicos reales, actualmente clasifica 41 modelos, y ambos están en él — lo que lo convierte en la única superficie de terceros donde los dos pueden compararse en absoluto.

• Grok Imagine Video — puesto 13, mejora neta de −4,04 puntos porcentuales frente a la media del track, en los propios prompts del benchmark, 24 fps, coste normalizado de 0,352 $ por vídeo.

• Odyssey-3 — puesto 8 en el mismo conjunto de prompts con +2,15 pp y $0,129, y puesto 3 en prompts personalizados con +9,99 pp.

La diferencia no es pequeña, y no es un artefacto de resolución: la tabla normaliza el costo a 24 fps y una salida de 1280 de ancho cuando las entradas lo permiten, y enumera el régimen de prompt para cada fila. Una puntuación de mejora neta negativa no es una afirmación de que Grok Imagine Video genere vídeo malo —claramente no lo hace, y está en producción a un precio que hace que sea fácil de usar—. Es una afirmación de que, en la tarea específica de continuar correctamente un experimento físico, lo hace peor que el modelo promedio de esa tabla, mientras que Odyssey-3 lo hace mejor que el modelo promedio de esa tabla por partida doble, bajo dos regímenes de prompt diferentes.

La propia afirmación principal de Odyssey-3 es aún más contundente: 66,1 en la categoría de vídeo a vídeo para Odyssey-3 Pro, la puntuación más alta que Odyssey reporta, además de 54,7 para el mismo nivel en imagen a vídeo. Esos datos provienen del informe de Odyssey y no de una ejecución independiente, y deben interpretarse como tal.

Lo que la lista de precios no cubre

Hay una diferencia de categoría que se esconde detrás de las tarifas por segundo y que vale la pena nombrar, porque determina cuál de estos quieres.

El modelo de facturación de G​rok Imagine Video —dólares por segundo de salida— es una promesa sobre el rendimiento. Cada dólar compra una cantidad fija de video terminado, y la única pregunta es si quince segundos a 1080p con sincronización labial valen $1.20. Para una unidad publicitaria, una plantilla para redes sociales, un flujo de marketing, esa es una excelente pregunta con una respuesta clara, y el nivel Lite a $0.02/s hace que la respuesta sea fácil la mayoría de las veces.

Odyssey-3 no se factura así y no puede serlo, porque su salida no es una cantidad fija. Un entorno interactivo se consume según cuánto tiempo permanece alguien dentro de él y cuántas veces cambia de opinión, y eso hace que el modelo por segundo carezca de sentido. Cuando Odyssey publique un precio —y no hay ninguna señal de cuándo—, tendrá que ser un precio por sesión, un precio por cómputo o algo más que todavía no se haya inventado para esta categoría. Eso no es un argumento en contra de Odyssey-3. Es la razón por la que actualmente es imposible terminar una comparación de desarrollador entre estos dos.

Llegando al medido hoy

Grok Imagine Video es una API propia de xAI, y OrcaRouter no la aloja. Odyssey-3 no está en ninguna plataforma alojada que podamos verificar, y no hay una tarifa publicada para que alguien pueda enrutarla incluso si lo estuviera.

A lo que una única clave de OrcaRouter sí da acceso es al resto del conjunto de video y modelos sobre el que construirías esta comparación: MiniMax-H3 a $0.08 por segundo de salida en 768P, la línea de video K​ling, y más de 200 modelos detrás de un único endpoint al precio de lista del proveedor con 0 % de recargo — así que cuando un laboratorio reduce una tarifa por segundo, el cambio se refleja en tu uso el mismo día en lugar de hasta tu próxima renovación de contrato. La conmutación por error automática entre proveedores evita que un lote que combine varios modelos de video falle por la mala hora de un proveedor, y el DSL de enrutamiento te permite poner un modelo de video alojado y un modelo de texto o visión detrás de una sola interfaz, que es lo que realmente necesita un pipeline que genera y luego evalúa. Ni Odyssey-3 ni G​rok Imagine Video están en ese catálogo hoy.

¿Cuál quieres?

Si necesitas salida de video con sonido, a 1080p, a un precio que puedas poner en una hoja de cálculo, y lo necesitas esta semana, Grok Imagine Video es una respuesta viable y Odyssey-3 no es una opción: no tiene audio, su techo de resolución es más bajo y no hay forma de comprarlo.

Si estás construyendo algo que tenga que predecir lo que ocurre después de una acción —una política, un bucle de control, un entorno de entrenamiento—, la lista de precios es irrelevante y la tabla de física no lo es. Odyssey-3 se está puntuando exactamente por esa capacidad y está cerca de lo más alto de la tabla; Grok Imagine Video, excelente para producir una toma final, está por debajo de la media del track en la misma prueba. Preguntas distintas, y las respuestas no se solapan.