Apollo World vs Odyssey 3 : deux façons d’enseigner à une voiture à l’intérieur d’un rêve

Odyssey-3 est le seul modèle de cette comparaison dont le prix est indiqué, alors commençons par lui : environ 0,139 $ pour une vidéo générée en 832 × 480, ou 0,267 $ en 1280 × 720 avec l’offre Pro, publié sous forme d’aperçu de recherche gratuit le 8 octobre 2026 et accessible via un formulaire de contact plutôt qu’avec une clé en libre-service. Apollo World n’a pas de prix, car Baidu n’en a pas indiqué. L’entreprise a dévoilé le modèle le 3 novembre 2026 comme un simulateur piloté par agents qui entraîne et évalue sa propre flotte de robotaxis, et n’a publié ni point de terminaison, ni poids, ni nombre de paramètres, ni conditions commerciales. Les deux sont des modèles du monde. Il a été démontré que les deux entraînent une politique de conduite. Un seul d’entre eux est un produit, et ce n’est pas celui construit par l’entreprise qui exploite les voitures.

Cette inversion, c’est toute l’histoire. Odyssey est une startup financée par du capital-risque qui vend de l’imagination clip par clip ; Baidu est un opérateur qui se sert de l’imagination pour éviter de mettre un conducteur de sécurité dans une vraie voiture. Ils résolvent le même problème depuis les deux extrémités opposées du marché.

Ce que {{1}}$0.139{{/1}} achète réellement

Odyssey-3 est un transformateur de diffusion autorégressif d’environ 14 milliards de paramètres, entraîné sur des vidéos Internet, des séquences de jeu avec des entrées alignées dans le temps et des interactions simulées entre corps rigides. Il est distillé en un modèle à quelques étapes afin qu’une personne puisse naviguer dans la sortie en temps réel : vous décrivez un environnement via une invite, puis vous vous y déplacez à la première ou à la troisième personne, avec un contrôle indépendant de la caméra et la possibilité de déclencher des événements.

• Niveau de base — 832 par 480, environ 0,139 $ par vidéo générée, 16 images par seconde dans le banc de test.

• Niveau Pro — 1280 × 720, environ 0,267 $ par vidéo.

• Flash — la variante derrière la démo gratuite dans le navigateur, que tout le monde peut essayer sans compte.

• Accès — un aperçu de recherche public et gratuit dans le navigateur ; accès à l'API via un formulaire de contact ; pas de clés en libre-service, pas de grille tarifaire par token publiée, ni de poids ouverts, ni de licence.

L’absence de libre-service est une véritable contrainte, pas un simple détail. Vous ne pouvez pas mesurer les performances d’Odyssey-3 sur votre propre charge de travail cet après-midi comme vous pouvez le faire avec un modèle à poids ouverts. Vous pouvez essayer la démo et parler à l’équipe commerciale. Pour une équipe qui évalue des modèles du monde comme infrastructure, c’est une friction d’une autre nature qu’un prix.

L'expérience routière indienne de 20 heures

La démonstration qui compte pour cette comparaison est une politique de conduite entraînée sur environ 20 heures de données routières indiennes réelles avec un backbone gelé, dans les mondes générés par Odyssey. L’entreprise a également présenté une manipulation par bras robotique apprise à partir de dizaines d’heures de démonstrations, y compris des comportements de récupération qui ne figuraient pas dans les données d’entraînement, des politiques humanoïdes construites avec Flexion, la navigation de drones et une politique entraînée sur GTA V qui se transfère à Red Dead Redemption 2.

Ces démonstrations constituent l’argument le plus solide en faveur d’un modèle de monde vidéo général comme substrat d’entraînement : si une politique peut apprendre à partir d’images d’un jeu et se transférer à un autre jeu, c’est que le modèle a capté quelque chose de la dynamique plutôt que des pixels. Mais ce sont des démonstrations, pas des mesures. Il n’existe aucun taux de réussite publié sur la tâche de conduite sur route indienne, aucune référence comparative par rapport à un entraînement dans le monde réel, ni d’ablation montrant quelle partie du monde généré a fait le travail. L’affirmation est qu’il est possible d’y parvenir. L’affirmation n’est pas que c’est meilleur.

L’approche de Baidu est la version industrielle de la même idée, avec l’évaluation tournée vers l’intérieur. Apollo World modélise chaque participant au trafic comme un agent qui décide plutôt qu’un élément de décor qui suit un script, de sorte qu’un robotaxi qui freine ou cède le passage provoque une réaction des voitures et des piétons qui l’entourent. Il génère des flux caméra et lidar en temps réel, afin que la pile logicielle testée perçoive la ville virtuelle via la même interface que celle qu’elle utilise sur la route. Et il gère des trajets de bout en bout — commande, prise en charge, dépose — entre des origines et des destinations arbitraires.

L'ampleur revendiquée est d'environ 100 000 kilomètres de conduite simulée par jour, ce que Baidu présente comme l'équivalent d'environ trois ans d'essais continus par une voiture équipée d'un chauffeur de sécurité. Le contexte opérationnel est Apollo Go : 28 villes, plus de 23 millions de trajets, 350 millions de kilomètres en conduite autonome et plus de 240 millions entièrement sans conducteur. Chacun de ces chiffres provient de Baidu lui-même, et aucun n'a fait l'objet d'un audit indépendant.

L’arithmétique de référence dont on peut tirer des enseignements

Odyssey a publié un chiffre phare pour Odyssey-3 Pro sur Physics-IQ Verified, un benchmark de raisonnement physique vidéo à vidéo : 66,1, décrit comme l’état de l’art. La réserve tient à la méthode. Ce score provient d’une seule exécution utilisant une sélection best-of-eight, alors que les règles du benchmark exigent quatre exécutions avec un écart-type déclaré. Sans sélection, la moyenne sur quatre exécutions était de 63,37.

Les deux chiffres sont ceux d’Odyssey. L’écart entre eux — 2,73 points — correspond au coût de choisir le meilleur de huit échantillons et d’en faire le score. Selon la mesure propre du benchmark de l’amélioration nette par rapport à la moyenne du track, Odyssey-3 Pro se classe deuxième avec +11,15 points de pourcentage, derrière FLUX 3 [large] à +12,27. Sur WorldMark, l’évaluation interne d’Odyssey, le modèle est premier dans trois des quatre catégories — 77,2 en stylisé à la première personne, 79,0 en réel à la troisième personne, 76,3 en stylisé à la troisième personne — et troisième en réel à la première personne avec 80,6, derrière Lyra 2.0 à 84,4 et AlayaWorld à 83,0.

Rien de tout cela n’est un scandale. Publier un chiffre issu du meilleur de huit et la moyenne sur quatre exécutions, comme l’a fait la présentation d’Odyssey, offre plus de transparence que ce que proposent la plupart des laboratoires. Mais c’est précisément pour cela qu’une comparaison entre Odyssey-3 et Apollo World sur les scores de benchmark n’est pas possible : d’un côté, il y a des chiffres accompagnés d’une méthode documentée et d’une contestation portant sur la sélection ; de l’autre, il n’y a aucun chiffre. Le tableau honnête aurait une colonne de valeurs et une colonne de tirets, et un tableau avec une colonne de tirets n’est pas une comparaison.

Deux définitions du temps réel

Les deux modèles revendiquent un fonctionnement en temps réel, et ces deux affirmations ne portent pas sur la même grandeur. Odyssey-3 tourne à 16 images par seconde dans son banc d’essai, en 832 × 480 — assez rapidement pour qu’une personne pilote une caméra dans le monde sans attendre, ce dont le produit a besoin. Apollo World est conçu autour d’un cycle de décision d’un trentième de seconde, soit environ 33 millisecondes, car un véhicule routier roulant à vive allure ne peut pas attendre plus longtemps pour agir.

Seize images par seconde correspondent à 62,5 millisecondes par image. Ce n’est pas une critique d’Odyssey, qui ne prétend pas être un simulateur de véhicule ; c’est une illustration de la manière dont les deux systèmes sont spécifiés différemment. Un modèle qu’un humain explore peut se permettre d’être un peu en retard. Un modèle qui ferme une boucle de contrôle avec une voiture de deux tonnes ne le peut pas.

La même division apparaît dans la persistance. L’évaluation propre à Odyssey le classe troisième dans les scènes réelles à la première personne, et la dérive sur long horizon est l’échec classique de la vidéo autorégressive : le monde cesse peu à peu de correspondre à lui-même. Baidu répertorie la persistance parmi trois propriétés notées et la définit comme l’absence de dérive des objets et des détails sur de longues durées, une spécification écrite par quelqu’un qui a regardé une simulation se dégrader pendant dix heures.

Qui peut utiliser quoi, et combien cela coûte

Odyssey-3 est utilisable dès aujourd’hui par quiconque dispose d’un navigateur, et par quiconque engage un échange commercial. À 0,139 $ à 0,267 $ par vidéo, l’économie unitaire est lisible pour le travail de contenu et pour la recherche qui nécessite quelques milliers de clips. Il s’agit d’un produit commercial avec une offre gratuite, et l’absence de poids ouverts est un choix délibéré plutôt qu’une omission.

Apollo World n’est utilisable par personne en dehors de Baidu aujourd’hui. Rien dans les documents du 3 novembre n’indique que cela changera, et la divulgation était entièrement axée sur les propres tests et validations d’Apollo Go.

Les comparaisons de prix entre les deux ne sont donc pas comparables, sur aucun plan. Odyssey facture par vidéo générée ; Baidu ne facture personne. Et pour les modèles que nous proposons, la règle d’OrcaRouter est la plus simple — 0 % de marge, le prix catalogue du fournisseur est répercuté tel quel, de sorte qu’une modification de prix par un fournisseur est effective le jour même. Odyssey-3 ne figure pas dans ce catalogue, il n’y a donc aucun taux de répercussion à annoncer, et cet article ne va pas en inventer un.

Le verdict, tel qu'il est.

Si vous souhaitez entraîner une politique dans l’imagination ce trimestre et que vous ne travaillez pas chez Baidu, Odyssey-3 est l’instrument le plus accessible, avec cette réserve que « accessible » signifie une démo et un formulaire de contact. Sa démonstration de politique de conduite est la preuve publique la plus directement pertinente qu’un modèle de monde vidéo général peut servir de substrat d’entraînement pour le contrôle incarné, et la volonté de l’entreprise de publier à la fois le résultat vedette et la moyenne sur quatre exécutions plaide en sa faveur.

Si vous spécifiez un simulateur plutôt que d’en acheter un, la grille 2+3 d’Apollo World est l’artefact le plus précieux : causalité, interactivité, exactitude physique, persistance et latence sous complexité. Demandez à Odyssey, ou à n’importe quel fournisseur, comment leur modèle se comporte en persistance sur une exécution de dix heures, et si le chiffre du benchmark physique a été sélectionné ou moyenné. Les réponses vous en diront plus que n’importe quelle position dans un classement.

Ce qui trancherait la comparaison, ce serait qu’un tiers fasse tourner les deux sur la même tâche de conduite avec la même politique et la même métrique. Personne ne l’a fait, et aucune des deux entreprises ne l’a proposé. D’ici là, le résumé exact est celui d’une startup qui vend des images de rêve à la séquence et d’un opérateur qui se sert de rêves pour garder ses voitures hors de la route — des idées similaires, des modèles économiques opposés, et aucun tableau de score commun.