Odyssey-3 vs Grok Imagine Video : une API vidéo facturée à l'usage contre un simulateur sans tarif

Grok Imagine Video est livré avec une grille tarifaire et aucun moyen de le piloter. Odyssey-3, qu'Odyssey a ouvert comme aperçu de recherche public le 8 octobre 2026, est livré avec un moyen de le piloter et aucune grille tarifaire du tout. Cette asymétrie, plutôt que n'importe quelle ligne de benchmark, est la véritable forme de cette confrontation : xAI vend de la vidéo générée à la seconde avec un tarif publié pour chaque résolution, tandis qu'Odyssey-3 est proposé comme un modèle de monde interactif que vous pouvez piloter dans un navigateur et que vous ne pouvez pas encore acheter. L'un des deux peut être intégré dans un produit cet après-midi. L'autre ne peut être qu'évalué.

Ils ne sont pas non plus d’accord sur la finalité de la génération vidéo, et ce désaccord transparaît dans les pages des fournisseurs. La documentation de Grok Imagine Video met en avant les images de référence, les images épinglées, la parole synchronisée sur les lèvres et les références vocales — le vocabulaire du contrôle de production. Pour Odyssey-3, l’argument principal est un environnement qui prédit ce qui se passe ensuite lorsque vous vous y déplacez ou déclenchez un événement. Les deux sont des générateurs à diffusion qui produisent de la vidéo. Au-delà de cette phrase, il n’y a presque aucun recoupement.

Ce que chacun est

Odyssey-3 est un transformer de diffusion autorégressif. Odyssey le décrit comme un modèle de diffusion vidéo multi-étapes étendu de manière autorégressive avec teacher forcing et masquage causal, de sorte qu'il poursuit à partir des observations précédentes et prédit les états futurs conditionnés par les entrées d'action, puis distillé par correspondance de distribution et distillation adversariale en une variante à quelques étapes capable d'interaction en temps réel. Il fonctionne en 832×480, avec Odyssey-3 Pro en 1280×720, et l'aperçu public propose la navigation à la première personne, la navigation à la troisième personne et le mouvement indépendant de la caméra. Il n'y a pas d'audio.

Grok Imagine Video est le modèle vidéo de xAI dans l'API Imagine. La génération actuelle est Grok Imagine Video 1.5, que les notes de version de xAI présentent comme prenant en charge le texte-vers-vidéo, l'image-vers-vidéo et la référence-vers-vidéo, avec des voix prédéfinies en option et une résolution 1080p native pour les deux premières — le texte-vers-vidéo étant implémenté en interne comme une étape texte-vers-image suivie d'une étape image-vers-vidéo. Il accepte jusqu'à quatorze images de référence et trois références vocales, prend en charge les images fixes épinglées et la parole synchronisée sur les lèvres, et est facturé à la seconde de sortie générée. Le modèle antérieur grok-imagine-video, toujours documenté et toujours facturé, est à 0,05 $ par seconde en 480p et 0,07 $ en 720p, la vidéo en entrée étant facturée à 0,01 $ par seconde et les images en entrée à 0,002 $.

La grille tarifaire, c’est la partie que vous pouvez réellement planifier

• Prix — Grok Imagine Video est facturé à la seconde : 0,05 $/s en 480p et 0,07 $/s en 720p sur le modèle original, et Grok Imagine Video 1.5 à partir de 0,08 $/s en 480p, 720p et 1080p. Grok Imagine Video 1.5 Lite démarre à 0,02 $/s jusqu'à 1080p et quinze secondes. Odyssey-3 n'a aucun prix publié ; ses seuls chiffres de coût publics sont les estimations normalisées du classement, soit 0,139 $ par vidéo générée pour Odyssey-3 et 0,267 $ pour Odyssey-3 Pro.

• Un clip de dix secondes, soit 0,50 $ en 480p ou 0,70 $ en 720p sur G​rok Imagine Video ; 0,80 $ sur G​rok Imagine Video 1.5 ; 0,20 $ sur l'offre Lite. Odyssey-3 ne peut pas être tarifé de cette façon, car vous ne pouvez pas en acheter dix secondes.

• Résolution — Grok Imagine Video 1.5 gère nativement la 1080p pour le texte vers vidéo et l’image vers vidéo. Odyssey-3 plafonne à 1280×720 dans l’offre Pro.

• Durée — G​rok Imagine Video 1.5 Lite atteint quinze secondes. L'unité d'Odyssey-3 n'est pas un clip ; c'est une session, limitée par la durée pendant laquelle l'aperçu garde ses prédictions cohérentes.

• Audio — G​rok Imagine Video génère de la parole synchronisée sur les lèvres et accepte des références vocales. Odyssey-3 n’en génère aucune.

• Contrôle — images de référence, images épinglées, première et dernière image, et références vocales, toutes spécifiées avant la génération. Par opposition à la navigation en direct et aux événements de mi-génération se produisant pendant la génération. Celui de G​rok relève de la création ; celui d’Odyssey-3, de l’interaction.

• Disponibilité — une clé API en libre-service dès aujourd’hui pour G​rok Imagine Video. Un formulaire de contact et un aperçu dans le navigateur pour Odyssey-3.

Là où le comité de physique les place

Physics-IQ Verified, le benchmark d'Anates Labs et de DeepMind qui évalue les continuations d'expériences physiques réelles, classe actuellement 41 modèles, et tous deux y figurent — ce qui en fait la seule surface tierce où les deux peuvent être comparés, tout court.

• G​rok Imagine Video — 13e au classement, amélioration nette de −4,04 pp par rapport à la moyenne de la piste, sur les prompts propres au benchmark, 24 ips, coût normalisé de 0,352 $ par vidéo.

• Odyssey-3 — 8e place sur le même ensemble de prompts à +2,15 pp et 0,129 $, et 3e place sur des prompts personnalisés à +9,99 pp.

L’écart n’est pas le même, et ce n’est pas un artefact de résolution : le classement normalise le coût à 24 fps et à une sortie de 1280 de large lorsque les entrées le permettent, et il indique le régime de prompt pour chaque ligne. Un score d’amélioration nette négatif ne signifie pas que G​rok Imagine Video génère de mauvaises vidéos — ce n’est clairement pas le cas, et il est en production à un prix qui le rend facile à utiliser. C’est une affirmation selon laquelle, sur la tâche spécifique consistant à poursuivre correctement une expérience physique, il fait moins bien que le modèle moyen de ce classement, tandis qu’Odyssey-3 fait mieux que le modèle moyen de ce classement, et ce, deux fois, sous deux régimes de prompt différents.

La propre affirmation phare d’Odyssey-3 est encore plus forte : 66,1 sur la piste vidéo-vers-vidéo pour Odyssey-3 Pro, le score le plus élevé rapporté par Odyssey, plus 54,7 pour la même gamme en image-vers-vidéo. Ces chiffres proviennent du compte rendu d’Odyssey plutôt que d’un test indépendant, et doivent être interprétés comme tels.

Ce que la liste de prix ne couvre pas

Il y a une différence de catégorie qui se cache derrière les tarifs à la seconde, et qui mérite d’être nommée, car elle détermine lequel de ceux-ci vous voulez.

Le modèle de facturation de G​rok Imagine Video — des dollars par seconde de vidéo produite — est une promesse sur le débit. Chaque dollar achète une quantité fixe de vidéo finalisée, et la seule question est de savoir si quinze secondes en 1080p avec synchronisation labiale valent 1,20 $. Pour une unité publicitaire, un gabarit pour les réseaux sociaux, un pipeline marketing, c'est une excellente question avec une réponse claire, et le palier Lite à 0,02 $/s rend la réponse facile la plupart du temps.

Odyssey-3 n'est pas facturé de cette manière et ne peut pas l'être, car sa sortie n'est pas une quantité fixe. Un environnement interactif se consomme à la durée pendant laquelle quelqu'un y reste et au nombre de fois qu'il change d'avis, ce qui rend le modèle à la seconde dénué de sens. Quand Odyssey publiera un prix — et rien n'indique quand — il devra s'agir d'un prix par session, d'un prix de calcul, ou de quelque chose d'autre qui n'a pas encore été inventé pour cette catégorie. Ce n'est pas un argument contre Odyssey-3. C'est la raison pour laquelle une comparaison de développeurs entre ces deux-là est actuellement impossible à terminer.

Atteindre celui au compteur aujourd'hui

Grok Imagine Video est l'API propre de xAI, et OrcaRouter ne l'héberge pas. Odyssey-3 n'est sur aucune plateforme hébergée que nous puissions vérifier, et aucun tarif publié ne permet à quiconque de l'acheminer, même si c'était le cas.

Ce qu'une seule clé OrcaRouter permet bel et bien d'atteindre, c'est le reste de la pile vidéo et de modèles autour de laquelle vous construiriez cette comparaison : MiniMax-H3 à 0,08 $ par seconde de sortie en 768P, la gamme vidéo Kling, et plus de 200 modèles derrière un point d'accès unique au prix catalogue du fournisseur, avec 0 % de marge — ainsi, quand un labo réduit un tarif à la seconde, le changement est appliqué à votre utilisation le jour même, et non à votre prochain renouvellement de contrat. Le basculement automatique entre fournisseurs empêche qu'un lot mélangeant plusieurs modèles vidéo échoue à cause d'une mauvaise heure chez un amont, et le DSL de routage vous permet de mettre un modèle vidéo hébergé et un modèle de texte ou de vision derrière une seule interface, ce dont un pipeline qui génère puis évalue a réellement besoin. Ni Odyssey-3 ni Grok Imagine Video ne figurent dans ce catalogue aujourd'hui.

Lequel veux-tu ?

Si vous avez besoin d'une sortie vidéo avec son, en 1080p, à un prix que vous pouvez mettre dans un tableur, et qu'il vous la faut cette semaine, G​rok Imagine Video est une réponse qui fonctionne et Odyssey-3 n'est pas un candidat — il n'a pas d'audio, un plafond de résolution inférieur, et aucun moyen de l'acheter.

Si vous construisez quoi que ce soit qui doit prédire ce qui se passe après une action — une politique, une boucle de contrôle, un environnement d'entraînement — la grille tarifaire est sans importance, et le classement de physique ne l'est pas. Odyssey-3 est évalué précisément sur cette capacité et il se situe près du sommet du classement ; G​rok Imagine Video, excellent pour produire un plan fini, est en dessous de la moyenne de la piste au même test. Des questions différentes, et les réponses ne se recoupent pas.