PAN 2 vs Odyssey 3: el único modelo del mundo aquí con precio que además publica su peor cifra

Dos afirmaciones sobre razonamiento físico, publicadas con tres semanas de diferencia, y la diferencia entre ellas no está en la puntuación. PAN 2 es el modelo del mundo de pesos abiertos de 29 mil millones de parámetros del Institute of Foundation Models —pesos Apache-2.0 el 7 de octubre de 2026, código el 5 de noviembre, soporte Day-0 de vLLM-Omni el 10 de noviembre— que genera hasta veinte segundos de vídeo de 704×1248 a 24 fotogramas por segundo a partir de un fotograma inicial y una acción descrita. Odyssey 3 es el transformer de difusión autorregresivo de aproximadamente 14 mil millones de parámetros de Odyssey, lanzado como vista previa de investigación gratuita el 8 de octubre de 2026 a unos 0,139 USD por vídeo generado en el nivel base y 0,267 USD en Pro. Uno es un checkpoint descargable sin precio. El otro es un producto de pago por uso sin pesos. Y la razón por la que este emparejamiento merece un artículo y no un párrafo es que el de pago publicó una salvedad sobre el benchmark que la mayoría de los laboratorios habría ocultado, mientras que el gratuito no ha sido sometido a benchmark por absolutamente nadie.

Esa inversión es la parte útil. El instinto es leer «pesos abiertos» como «más transparente» y «API comercial» como «más marketing». Aquí ocurre lo contrario, y entender por qué te dice más sobre cómo evaluar modelos del mundo en 2026 que cualquier posición en una clasificación.

Lo que publicó Odyssey, incluida la parte que le cuesta un punto.

Odyssey 3 Pro reportó 66.1 en Physics-IQ Verified, un benchmark de razonamiento físico de video a video, y lo describió como estado del arte. El método detrás de esa cifra es lo interesante: provino de una sola ejecución utilizando una selección de los mejores ocho, mientras que las propias reglas del benchmark exigen cuatro ejecuciones con una desviación estándar reportada. Sin selección, el promedio de las cuatro ejecuciones fue de 63.37.

Ambos números son de Odyssey. La diferencia de 2,73 puntos entre ambos es el precio de elegir la mejor de ocho muestras y llamarla puntuación, y el hecho de que ambos números existan públicamente es más transparencia de la que suele ofrecer la categoría. Según la propia medida del benchmark de mejora neta sobre el promedio 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 propia evaluación de Odyssey, ocupa el primer lugar en tres de cuatro categorías —77,2 en primera persona estilizada, 79,0 en tercera persona real, 76,3 en tercera persona estilizada— y el tercero en primera persona real con 80,6, por detrás de Lyra 2.0 con 84,4 y AlayaWorld con 83,0.

Lea esas cifras como debería hacerlo un comprador y se desprenden tres cosas. Primero, el modelo es genuinamente competitivo: quedar segundo en la propia medida de mejora del benchmark no es un artefacto de marketing. Segundo, no gana la categoría en la que se comercializa, y su propia evaluación lo dice en una de las cuatro categorías. Tercero, y lo más útil, la disposición del proveedor a publicar una cifra seleccionada y el promedio no seleccionado uno al lado del otro es una señal sobre cómo leer todo lo demás que publica.

Ahora aplica la misma lente a PAN 2. IFM publicó bastante más evaluación que la mayoría de los lanzamientos de modelos de video: 300 casos de una sola acción repartidos en seis categorías de capacidades; 100 tareas egocéntricas de varios pasos planteadas en ambos sentidos, 200 prompts y 456 pasos, puntuadas según la finalización de pasos y la finalización del plan completo con tres semillas; Physics-IQ Verified en el ajuste de imagen a video, normalizado de modo que la varianza entre dos tomas reales sea igual a 100; PhyGround en una escala de cinco puntos evaluada por Qwen3.8-27B; RBench como una media no ponderada sobre cinco categorías de tareas y cuatro de encarnación; y un estudio humano ciego por pares sobre 140 prompts con trece revisores que produjeron 1.400 comparaciones, con Elo ajustado mediante Bradley–Terry y centrado en 1500. Lo que IFM no publicó es una salvedad sobre la selección, porque, por lo que muestra la ficha, no había nada que seleccionar: las cifras se reportan como salida del harness.

Ninguno de los dos ha sido auditado. Solo uno de ellos es comparable con cualquier otra cosa, porque Odyssey ejecutó un benchmark público y las cifras destacadas de PAN 2 provienen de un harness privado. Esa distinción —benchmark frente a harness— vale más que las propias puntuaciones.

Dos productos, dos tipos de fricción

El precio es el terreno donde la comparación es más fácil de enunciar y más difícil de llevar a la práctica.

• Precio unitario — Odyssey 3 cuesta aproximadamente $0,139 por vídeo generado a 832×480 en el nivel básico y unos $0,267 a 1280×720 en Pro; PAN 2 no tiene precio unitario porque no hay un servicio alojado, solo los pesos y una factura de GPU.

• El costo real — el precio de Odyssey 3 es el costo total de un clip; el de PAN 2 es la máquina: trece segundos de video 704×1248 tardan aproximadamente 119 segundos en cuatro B300s, con ocho H200s en BF16 como valor predeterminado documentado.

• Fricción de acceso — Odyssey 3 cuenta con una demo gratuita en el navegador que cualquiera puede abrir, y el acceso a la API se realiza mediante un formulario de contacto, sin claves de autoservicio y sin una tarifa publicada; PAN 2 ocupa 86.17 gigabytes repartidos en sesenta archivos bajo Apache-2.0, sin restricciones y sin necesidad de conversación.

• Pesos — Odyssey 3 no publica ninguno y no tiene licencia para leerlos; los de PAN 2 son Apache-2.0, sin requisito de atribución, sin umbral de usuarios y sin restricción de campo de uso.

• Velocidad en el entorno de pruebas: Odyssey 3 funciona a 16 fotogramas por segundo a 832×480, destilado en unos pocos pasos para que una persona pueda guiarlo en tiempo real; PAN 2 funciona a 24 fotogramas por segundo a lo largo de cincuenta pasos del muestreador con una guía de 2,5.

Si se juntan esas cinco líneas, queda claro que los dos productos se dirigen a compradores distintos. El precio de Odyssey 3 está pensado para quien quiere clips y no quiere tener su propio centro de datos: un equipo de contenidos, un grupo de investigación que realiza unos miles de generaciones, cualquiera cuyos costes unitarios se midan por resultado. El precio de PAN 2 está pensado para quien ya tiene el nodo, porque para todos los demás, que la licencia sea gratuita es lo menos importante que tiene.

El número que falta en ambos lados es el mismo, y no es el precio. Ninguno de los dos proveedores publica una tasa de éxito sobre lo que de verdad les importa a los compradores. Odyssey ejecutó una política de conducción, un brazo robótico y un humanoide dentro de sus mundos generados, y el detalle de esas demostraciones merece leerse con atención, pero el número que necesita un comprador no está en ninguna de ellas: ni una tasa de éxito en la tarea de conducción, ni una línea base frente al entrenamiento en el mundo real, ni una ablación que muestre qué parte del mundo generado hizo el trabajo.

El número equivalente de PAN 2 es peor y es público. Su tarjeta del modelo afirma que aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Esa es una cifra condenatoria para cualquiera que espere entregarle la salida a un robot, y también es la frase más útil de ambas publicaciones, porque te dice la tasa de fallos de aquello sobre lo que estás a punto de construir. Un proveedor que publica una tasa de fallos de dos de cada tres y un proveedor que no publica ninguna tasa no son igualmente informativos, y el que tiene el número malo es aquel con el que puedes planificar.

Lo que realmente genera cada uno, y por qué la diferencia es arquitectónica

Odyssey 3 es un transformador de difusión autorregresivo de aproximadamente 14 000 millones de parámetros, entrenado con vídeo de internet, metraje de gameplay con entrada alineada temporalmente e interacciones simuladas de cuerpos rígidos, y luego destilado en un modelo de pocos pasos para que una persona pueda navegar por la salida en tiempo real: describe un entorno mediante un prompt, se desplaza por él en primera o tercera persona con control independiente de la cámara y activa eventos a medida que avanza. Los niveles solo se diferencian en lo que se puede ver —832×480 en el nivel base a unos $0.139 por vídeo y 1280×720 en Pro a unos $0.267—, con una variante Flash detrás de la demo gratuita del navegador que cualquiera puede abrir sin cuenta.

PAN 2 es un renderizador por lotes con un modelo de lenguaje dentro. Un razonador conceptual escribe el siguiente estado del mundo como una descripción estructurada y anclada en el tiempo, un codificador de texto Qwen3.5-9B congelado lo convierte en características de condicionamiento, un transformer de difusión de 29B completa el detalle perceptual y un VAE Wan 2.2 decodifica veinte segundos de 704×1248 a 24 fotogramas por segundo. No hay un bucle interactivo: una llamada, un clip, sin retroalimentación dentro de la llamada. Lo que sí hay es un contrato: la habilidad de reescritura de prompts, un prompt negativo fijo y un validador que comprueba las leyendas contra el presupuesto del codificador de 1.480 tokens en modo soft y 1.536 en modo hard, y la ficha admite que los estudios de caso del agente se basaron en prompts refinados a mano.

Esa diferencia determina para qué sirven los dos mucho más que el precio. Odyssey 3 está diseñado para una persona en un entorno: generar, mirar alrededor, ajustar, volver a generar. PAN 2 está diseñado para una máquina que hace una pregunta: si hago esto, ¿qué ocurre, y preferiría un verificador una opción diferente? Los muestreadores codifican la intención —ocho pasos destilados para uno, cincuenta pasos con una guía de 2.5 en cada paso para el otro—, y también lo hace el fallo que documenta cada uno.

La demostración que ninguna de las dos empresas ha convertido en una medición

Ambos lanzamientos se apoyan en pruebas de video de una política que aprende dentro de un mundo generado, y ninguno de los dos ha publicado la cifra que haría que esas pruebas fueran determinantes.

Odyssey entrenó una política de conducción con unos 20 horas de datos reales de carreteras indias con un backbone congelado dentro de sus mundos generados y, por separado, 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 de humanoides construidas con Flexion, navegación de drones y una política entrenada con GTA V que se transfiere a Red Dead Redemption 2. La transferencia de un juego a otro es el argumento más sólido a favor de un modelo del mundo de vídeo general como sustrato de entrenamiento, porque si una política puede aprender de imágenes de un juego y funcionar en otro, el modelo capturó algo sobre la dinámica en lugar de sobre los píxeles. Lo que falta es cualquier tasa de éxito publicada en la tarea de carreteras indias, cualquier línea base frente al entrenamiento en el mundo real y cualquier estudio de ablación que muestre qué parte del mundo generado hizo el trabajo.

PAN 2 no tiene una demostración de política de ese tipo, y sí tiene algo que Odyssey no: una tasa de fallos publicada. Aproximadamente dos de cada tres planes simulados contienen al menos un paso que no se lleva a cabo. Su tarjeta también admite que simular planes que deberían fallar, en sus propias palabras, aún no se ha medido —lo cual importa para un sustrato de entrenamiento, porque un mundo que solo representa éxitos enseña a una política que todo funciona.

Si se comparan esas dos admisiones, la brecha en la categoría se hace visible. Una empresa demostró transferencia y no midió la fiabilidad. La otra midió un modo de fallo y no demostró transferencia. Ninguna de las dos es el estudio que necesita un comprador: ambos modelos en una misma tarea, con una misma política y una misma métrica, ejecutados suficientes veces como para que la desviación estándar sea menor que la brecha.

Cuánto te cuestan las rutas de acceso en tiempo en lugar de dinero

La fricción de Odyssey 3 es una conversación. Hay una vista previa de investigación pública y gratuita en el navegador, acceso a la API mediante formulario de contacto, no hay claves de autoservicio, no hay una tarifa publicada por token ni por clip más allá de las cifras por nivel, ni pesos abiertos ni una licencia que leer. Para un equipo que quiere evaluar un modelo frente a su propia carga de trabajo esta tarde, eso es un obstáculo distinto al de un precio: puedes probar la demo y puedes hablar con ventas, y ninguno de los dos te da un banco de pruebas reproducible.

La fricción de PAN 2 es una máquina. Los pesos ocupan 86,17 gigabytes repartidos en sesenta archivos bajo Apache-2.0, sin acceso restringido y sin necesidad de conversación; y luego descubres que la configuración de servicio documentada es un nodo, que el muestreador necesita cien pasadas hacia adelante por clip y que un clip de veinte segundos a 704×1248 es un problema de decodificación por sí solo antes incluso de hablar de paralelismo. La licencia es gratuita y el hardware no, que es el mismo intercambio que hace toda la categoría de pesos abiertos y el que los compradores suelen equivocar más a menudo.

Ninguna de las dos fricciones es un defecto. Son las dos formas que adopta un lanzamiento de investigación en 2026: un producto con un precio y un formato, o un checkpoint con una licencia y una factura. Saber qué forma puedes absorber es un filtro más útil que cualquier posición en un benchmark, y es el filtro que la mayoría de los equipos aplica al final en lugar de al principio.

¿Para qué sirven respectivamente un producto de 16 fps y un modelo de investigación de 24 fps?

Ambas empresas usan la expresión tiempo real y ninguna se refiere a la misma magnitud. Odyssey 3 a 16 fotogramas por segundo son 62,5 milisegundos por fotograma, lo bastante rápido para que una persona que dirige una cámara no perciba el retardo; eso es lo que necesita un producto, y es la razón por la que el modelo se destila en unos pocos pasos en lugar de cincuenta. Los veinte segundos de PAN 2 a 24 fotogramas por segundo no son interactivos en absoluto; es un renderizado por lotes cuyo coste se mide en minutos de nodo, y su propósito es producir un clip que después inspecciona un agente o un investigador.

La consecuencia para cualquiera que planifique su trabajo es que ambos pueden usarse en bucles distintos. Odyssey 3 encaja en un flujo de trabajo con intervención humana: generar, mirar, ajustar, volver a generar, a un precio lo bastante bajo como para que iterar resulte barato. PAN 2 encaja en un bucle automatizado: generar cinco consecuencias candidatas, puntuarlas con un verificador, actuar sobre la mejor, a un precio lo bastante alto como para que uno piense antes de lanzar el lote. Uno optimiza la latencia por clip y el otro la fidelidad por clip, y los ajustes del sampler hacen explícito ese compromiso: cincuenta pasos con una guía de 2.5 en cada paso son cien pasadas hacia delante por un transformer de 29B, frente a ocho pasos destilados por uno de la clase 8-14B.

También hay una diferencia estructural en aquello para lo que se puede utilizar la salida. Los mundos generados por Odyssey 3 han entrenado una política de conducción y un brazo robótico, lo cual constituye la evidencia pública más sólida de que un modelo de mundo de video general puede servir como sustrato de entrenamiento para el control encarnado. La salida de PAN 2 no lo ha hecho, y su ficha indica explícitamente que aún no se mide la simulación de planes que deberían fallar —lo cual importa, porque un sustrato de entrenamiento que solo muestra éxitos enseña a una política que todo funciona. Las demostraciones de Odyssey tampoco resuelven eso: una política entrenada en mundos generados que nunca se ha evaluado frente a una línea base del mundo real es un resultado prometedor, no un método validado.

Dónde encaja OrcaRouter en cualquiera de los dos casos es en la capa de evaluación, no en la capa de generación, y conviene ser preciso. Ni PAN 2 ni Odyssey 3 están en nuestro catálogo: uno es un modelo de difusión de 29B que se ejecuta en tu propio nodo, el otro es un producto alojado que se vende mediante un formulario de contacto, y ningún router puede servir a ninguno de los dos. Lo que sí puede enrutarse es la maquinaria que los rodea, que en ambos casos es donde se acumula el gasto real: un juez de visión y lenguaje que puntúa clips generados según una rúbrica, un planificador que convierte una pregunta de investigación en un lote de prompts, un redactor de leyendas que produce las descripciones estructuradas del estado del mundo que consume el codificador de texto de PAN 2 dentro de un presupuesto de 1.480 tokens flexibles y 1.536 estrictos. Se trata de miles de llamadas ordinarias a un modelo cuyo coste de salida equivale a un minuto de GPU por cada una, que es exactamente el tipo de carga de trabajo en el que una sola clave para más de 200 modelos, el precio de lista del proveedor repercutido con un margen de beneficio del 0 % y la conmutación automática por error entre proveedores deja de ser una comodidad y empieza a ser la diferencia entre un lote que termina y otro que muere al 80 %.

Cómo leer el siguiente de estos

Tres preguntas, en orden, y ninguna de ellas es "¿qué puntuación sacó?".

¿La cifra procede de un benchmark público o de un arnés privado? El promedio de cuatro ejecuciones de 63,37 de Odyssey se puede comparar con otras entradas de la misma pista. Las cifras de finalización de pasos de PAN 2 no se pueden comparar con nada, porque nadie más ejecuta ese arnés. Ambos son legítimos; solo uno es portable.

¿Se seleccionó la puntuación? Una cifra de mejor de ocho y un promedio de cuatro ejecuciones miden cosas distintas, y un proveedor que publica ambas te ha dicho cuál citar. Un proveedor que publica solo la primera también te ha dicho algo.

¿Cuál es la tasa de fallos en la tarea que te importa? PAN 2 responde esto con dos de cada tres planes omitiendo un paso. Odyssey no lo responde para el experimento de la carretera india. La ausencia no es deshonestidad —nadie ha realizado el estudio—, pero un comprador que no pregunta está comprando una demo.

Aplicado a la elección que tienes delante: Odyssey 3 es el instrumento accesible. Una demo gratuita en el navegador, un formulario de contacto, un precio por clip que puedes multiplicar y una cifra de benchmark con un método documentado detrás. Si necesitas probar modelos del mundo esta semana y tu presupuesto es por clip, es el único de los dos con el que puedes empezar, y la advertencia es que «accesible» significa una conversación de ventas en lugar de una clave de acceso.

PAN 2 es el instrumento auditable. Pesos, código, una receta de servicio, un contrato de leyendas con un presupuesto de tokens, una barrera de protección con cifras de falsos positivos adjuntas —el 11,5 % de las solicitudes benignas de texto a vídeo y el 3,3 % de las solicitudes benignas de imagen a vídeo se rechazan, mientras que la salida insegura de texto a vídeo cae del 33,9 % al 1,5 %— y una sección de limitaciones que empieza por la tasa de fallos. Si tienes el hardware y necesitas saber cómo funciona en lugar de simplemente que funciona, es la versión más completa de la categoría por un amplio margen.

Lo que zanjaría la comparación es el estudio que ninguna de las dos empresas ha realizado: ambos modelos, una tarea, una política, una métrica, suficientes ejecuciones como para que la desviación estándar sea menor que la diferencia. Nadie lo ha propuesto. Hasta que alguien lo haga, el resumen preciso es que el modelo de pago publicó una cifra mejor documentada y el modelo gratuito publicó una peor, y el modelo gratuito es el que se puede comprobar.