PAN 2 vs Odyssey 3: Satu-satunya World Model di Sini yang Punya Label Harga Juga Mempublikasikan Angka Terburuknya

Dua klaim tentang penalaran fisik, diterbitkan berselang tiga minggu, dan perbedaan di antara keduanya bukanlah skornya. PAN 2 adalah model dunia berbobot terbuka dengan 29 miliar parameter milik Institute of Foundation Models — bobot Apache-2.0 pada 7 Oktober 2026, kode pada 5 November, dukungan vLLM-Omni Day-0 pada 10 November — yang merender hingga dua puluh detik video 704×1248 pada 24 frame per detik dari sebuah frame awal dan aksi yang dideskripsikan. Odyssey 3 adalah transformer difusi autoregresif dengan sekitar 14 miliar parameter dari Odyssey, dirilis sebagai pratinjau riset gratis pada 8 Oktober 2026 dengan biaya sekitar $0,139 per video yang dihasilkan pada tier dasar dan $0,267 pada Pro. Yang satu adalah checkpoint yang dapat diunduh tanpa harga. Yang lain adalah produk berbayar per penggunaan tanpa bobot. Dan alasan pasangan ini layak menjadi artikel alih-alih sekadar satu paragraf adalah bahwa yang berbayar mempublikasikan peringatan benchmark yang oleh sebagian besar lab justru akan disembunyikan, sementara yang gratis belum di-benchmark oleh siapa pun sama sekali.

Pembalikan itulah bagian yang berguna. Naluri kita adalah membaca "bobot terbuka" sebagai "lebih transparan" dan "API komersial" sebagai "lebih banyak pemasaran". Di sini keadaannya justru sebaliknya, dan memahami mengapa demikian memberi Anda lebih banyak wawasan tentang mengevaluasi model dunia pada 2026 daripada posisi papan peringkat mana pun.

Apa yang diterbitkan Odyssey, termasuk bagian yang membuatnya kehilangan satu poin

Odyssey 3 Pro melaporkan 66,1 pada Physics-IQ Verified, tolok ukur penalaran fisik video-ke-video, dan menyebutnya sebagai state of the art. Metode di balik angka itu adalah bagian yang menarik: angka tersebut berasal dari satu kali percobaan dengan seleksi best-of-eight, sedangkan aturan tolok ukur itu sendiri mensyaratkan empat kali percobaan dengan simpangan baku yang dilaporkan. Tanpa seleksi, rata-rata empat percobaan adalah 63,37.

Kedua angka itu milik Odyssey. Selisih 2.73 poin antara keduanya adalah harga dari memilih yang terbaik dari delapan sampel dan menyebutnya sebagai skor, dan fakta bahwa kedua angka tersedia untuk publik adalah transparansi yang lebih besar daripada yang biasanya ditawarkan kategori ini. Pada ukuran benchmark itu sendiri untuk peningkatan bersih dibandingkan rata-rata track, Odyssey 3 Pro berada di peringkat kedua dengan +11.15 poin persentase, di belakang FLUX 3 [large] dengan +12.27. Pada WorldMark, evaluasi Odyssey sendiri, ia berada di peringkat pertama di tiga dari empat kategori — 77.2 orang pertama bergaya, 79.0 orang ketiga nyata, 76.3 orang ketiga bergaya — dan peringkat ketiga dalam orang pertama nyata dengan 80.6, di belakang Lyra 2.0 dengan 84.4 dan AlayaWorld dengan 83.0.

Bacalah angka-angka itu sebagaimana mestinya seorang pembeli, dan tiga hal akan menyusul. Pertama, model itu benar-benar kompetitif: peringkat kedua pada ukuran peningkatan milik benchmark itu sendiri bukanlah artefak pemasaran. Kedua, model itu tidak memenangi kategori tempat ia dipasarkan, dan evaluasinya sendiri menyatakan demikian di salah satu dari empat jalur. Ketiga, dan yang paling berguna, kesediaan vendor untuk menerbitkan angka terpilih dan rata-rata yang tidak terpilih secara berdampingan adalah sinyal tentang cara membaca semua hal lain yang mereka terbitkan.

Sekarang arahkan lensa yang sama ke PAN 2. IFM menerbitkan evaluasi yang jauh lebih banyak daripada sebagian besar rilis model video — 300 kasus aksi tunggal di enam kategori kemampuan; 100 tugas multi-langkah egosentris yang diajukan dalam dua cara, 200 prompt dan 456 langkah, dinilai berdasarkan penyelesaian langkah dan penyelesaian rencana penuh di tiga seed; Physics-IQ Verified pada pengaturan image-to-video yang dinormalisasi sehingga varians antara dua rekaman nyata sama dengan 100; PhyGround pada skala lima poin yang dinilai oleh Qwen3.8-27B; RBench sebagai rata-rata tanpa bobot atas lima kategori tugas dan empat kategori embodiment; dan studi manusia berpasangan tersamar atas 140 prompt dengan tiga belas peninjau yang menghasilkan 1.400 perbandingan, Elo yang diestimasi dengan Bradley–Terry dan dipusatkan pada 1500. Yang tidak diterbitkan IFM adalah kaveat seleksi, karena sejauh yang ditunjukkan kartu tidak ada yang bisa dipilih: angka-angka itu dilaporkan sebagai keluaran harness.

Keduanya belum diaudit. Hanya salah satunya yang dapat dibandingkan dengan apa pun, karena Odyssey menjalankan benchmark publik dan angka utama PAN 2 berasal dari harness privat. Perbedaan itu — benchmark versus harness — lebih bernilai daripada skor itu sendiri.

Dua produk, dua jenis friksi

Harga adalah aspek yang perbandingannya paling mudah diutarakan dan paling sulit untuk ditindaklanjuti.

• Harga satuan — Odyssey 3 sekitar $0.139 per video yang dihasilkan pada 832×480 di tier dasar dan sekitar $0.267 pada 1280×720 di Pro; PAN 2 tidak memiliki harga satuan karena tidak ada layanan hosted, hanya bobot model dan tagihan GPU.

• Biaya sesungguhnya — harga Odyssey 3 adalah total biaya untuk satu klip; harga PAN 2 adalah mesinnya: tiga belas detik video 704×1248 memakan waktu sekitar 119 detik pada empat B300, dengan delapan H200 dalam BF16 sebagai default yang didokumentasikan.

• Hambatan akses — Odyssey 3 memiliki demo browser gratis yang dapat dibuka siapa saja, dan akses API melalui formulir kontak tanpa kunci swalayan dan tanpa kartu tarif yang dipublikasikan; PAN 2 berukuran 86,17 gigabita di enam puluh file di bawah Apache-2.0, tanpa pembatasan, tanpa perlu percakapan.

• Bobot — Odyssey 3 tidak menerbitkan apa pun dan tidak memiliki lisensi untuk dibaca; bobot PAN 2 berlisensi Apache-2.0 tanpa persyaratan atribusi, tanpa ambang batas pengguna, dan tanpa pembatasan bidang penggunaan.

Kecepatan dalam harness — {{1}}Odyssey 3{{/1}} berjalan pada 16 frame per detik di 832×480, diringkas menjadi beberapa langkah sehingga seseorang dapat mengarahkan secara real time; {{2}}PAN 2{{/2}} berjalan 24 frame per detik melintasi lima puluh langkah sampler pada guidance 2.5.

Gabungkan kelima baris itu, dan kedua produk menyasar pembeli yang berbeda. Odyssey 3 diberi harga untuk seseorang yang menginginkan klip dan tidak ingin memiliki pusat data — tim konten, kelompok riset yang menjalankan beberapa ribu generasi, siapa pun yang ekonomi unitnya dihitung per keluaran. PAN 2 diberi harga untuk seseorang yang sudah memiliki node, karena bagi semua orang lain, lisensi yang gratis adalah hal paling tidak penting darinya.

Angka yang hilang di kedua sisi adalah angka yang sama, dan itu bukan harganya. Tidak ada vendor yang menerbitkan tingkat keberhasilan untuk hal yang sebenarnya menjadi perhatian pembeli. Odyssey menjalankan kebijakan mengemudi, lengan robot, dan humanoid di dalam dunia hasil generasinya, dan detail demonstrasi tersebut layak dibaca dengan cermat — tetapi angka yang dibutuhkan pembeli tidak ada di semua itu: tidak ada tingkat keberhasilan pada tugas berkendara, tidak ada baseline terhadap pelatihan di dunia nyata, tidak ada ablasi yang menunjukkan bagian mana dari dunia hasil generasi yang berperan.

Angka padanan PAN 2 lebih buruk dan bersifat publik. Kartu modelnya menyatakan bahwa sekitar dua dari tiga rencana simulasi mengandung setidaknya satu langkah yang tidak dijalankan. Itu angka yang memberatkan bagi siapa pun yang berharap menyerahkan keluarannya kepada robot, dan itu juga merupakan satu kalimat paling berguna di kedua rilis tersebut, karena memberi tahu Anda tingkat kegagalan hal yang akan Anda bangun di atasnya. Vendor yang menerbitkan tingkat kegagalan dua dari tiga dan vendor yang tidak menerbitkan angka sama sekali tidak sama-sama informatif, dan yang memiliki angka buruk itulah yang dapat Anda jadikan dasar perencanaan.

Apa yang sebenarnya dihasilkan masing-masing, dan mengapa perbedaannya bersifat arsitektural

Odyssey 3 adalah transformer difusi autoregresif dengan sekitar 14 miliar parameter, dilatih pada video internet, rekaman gameplay dengan input yang selaras waktu dan interaksi benda tegar tersimulasi, lalu didistilasi menjadi model beberapa langkah sehingga seseorang dapat menavigasi output secara real time: Anda memberi prompt lingkungan, bergerak melaluinya dalam sudut pandang orang pertama atau ketiga dengan kontrol kamera independen, dan memicu peristiwa saat Anda bergerak. Tingkatannya hanya berbeda dalam hal yang dapat Anda lihat — 832×480 pada tier dasar sekitar $0,139 per video dan 1280×720 pada Pro sekitar $0,267 — dengan varian Flash di balik demo browser gratis yang dapat dibuka siapa saja tanpa akun.

PAN 2 adalah perender batch dengan model bahasa di dalamnya. Penalar konseptual menulis keadaan dunia berikutnya sebagai deskripsi terstruktur yang berbasis waktu, encoder teks Qwen3.5-9B yang dibekukan mengubahnya menjadi fitur pengondisian, transformer difusi 29B mengisi detail perseptual, dan VAE Wan 2.2 mendekode dua puluh detik 704×1248 pada 24 frame per detik. Tidak ada loop interaktif: satu panggilan, satu klip, tanpa umpan balik di dalam panggilan. Yang ada sebagai gantinya adalah kontrak — keterampilan penulis ulang prompt, prompt negatif tetap, dan validator yang memeriksa teks keterangan terhadap anggaran encoder 1.480 token lunak dan 1.536 token keras, dengan kartu tersebut mengakui bahwa studi kasus agen bergantung pada prompt yang disempurnakan secara manual.

Perbedaan itulah yang menentukan kegunaan keduanya, jauh lebih daripada harga. Odyssey 3 dirancang untuk seseorang di dalam suatu lingkungan: menghasilkan, melihat-lihat, menyesuaikan, menghasilkan lagi. PAN 2 dirancang untuk mesin yang mengajukan pertanyaan: jika saya melakukan ini, apa yang terjadi, dan apakah pemeriksa akan lebih memilih opsi yang berbeda. Sampler-sampler itu mengkodekan maksud tersebut — delapan langkah terdistilasi untuk yang satu, lima puluh langkah dengan guidance 2.5 pada setiap langkah untuk yang lain — dan demikian pula kegagalan yang didokumentasikan oleh masing-masing.

Demonstrasi yang tidak dijadikan pengukuran oleh satu pun dari kedua perusahaan itu

Kedua rilis tersebut bersandar pada bukti video tentang sebuah policy yang belajar di dalam dunia hasil generasi, dan tidak satu pun dari keduanya telah menerbitkan angka yang akan membuat bukti itu benar-benar menopang.

Odyssey melatih kebijakan mengemudi pada sekitar 20 jam data jalan India nyata dengan backbone beku di dalam dunia yang dihasilkannya, dan secara terpisah menunjukkan manipulasi lengan robot yang dipelajari dari puluhan jam demonstrasi, termasuk perilaku pemulihan yang tidak ada dalam data pelatihan, kebijakan humanoid yang dibangun dengan Flexion, navigasi drone, dan kebijakan yang dilatih di GTA V yang bertransfer ke Red Dead Redemption 2. Transfer antar-game adalah argumen terkuat untuk model dunia video umum sebagai substrat pelatihan, karena jika sebuah kebijakan dapat belajar dari rekaman salah satu game dan bekerja di game lain, model tersebut menangkap sesuatu tentang dinamika, bukan tentang piksel. Yang hilang adalah tingkat keberhasilan yang dipublikasikan pada tugas jalan India, baseline apa pun terhadap pelatihan di dunia nyata, dan ablasi apa pun yang menunjukkan bagian mana dari dunia yang dihasilkan yang berperan.

PAN 2 tidak memiliki demo kebijakan seperti itu, dan ia memang memiliki sesuatu yang tidak dimiliki Odyssey: tingkat kegagalan yang dipublikasikan. Sekitar dua dari tiga rencana tersimulasi mengandung setidaknya satu langkah yang tidak dijalankan. Kartunya juga mengakui bahwa menyimulasikan rencana yang seharusnya gagal, dalam kata-katanya sendiri, belum diukur — yang penting bagi substrat pelatihan, karena dunia yang hanya menampilkan keberhasilan mengajarkan kebijakan bahwa segala sesuatu berhasil.

Sejajarkan kedua pengakuan itu, dan celah dalam kategori menjadi terlihat. Satu perusahaan menunjukkan transfer dan tidak mengukur keandalan. Perusahaan lainnya mengukur mode kegagalan dan tidak menunjukkan transfer. Tidak satu pun merupakan studi yang dibutuhkan pembeli, yaitu kedua model pada satu tugas dengan satu kebijakan dan satu metrik, dijalankan cukup banyak kali sehingga simpangan bakunya lebih kecil daripada celahnya.

Berapa besar kerugian yang ditimbulkan jalur akses bagi Anda dalam hal waktu, bukan uang

Gesekan Odyssey 3 adalah percakapan. Ada pratinjau riset publik gratis di browser, akses API melalui formulir kontak, tidak ada kunci mandiri, tidak ada daftar tarif per token atau per klip yang dipublikasikan selain angka tingkatannya, tidak ada bobot terbuka dan tidak ada lisensi untuk dibaca. Bagi tim yang ingin melakukan benchmark model terhadap beban kerja mereka sendiri sore ini, itu adalah hambatan yang berbeda dari harga: Anda dapat mencoba demo dan berbicara dengan tim penjualan, dan keduanya tidak memberi Anda harness yang dapat direproduksi.

Hambatan PAN 2 adalah soal mesin. Bobotnya 86,17 gigabyte di enam puluh file di bawah Apache-2.0, tanpa gate, tanpa perlu percakapan — lalu Anda menemukan bahwa konfigurasi serving yang didokumentasikan adalah satu node, bahwa sampler memerlukan seratus forward pass per klip, dan bahwa klip 704×1248 berdurasi dua puluh detik merupakan masalah decoding tersendiri sebelum paralelisme bahkan dibahas. Lisensinya gratis dan perangkat kerasnya tidak, yaitu pertukaran yang sama yang dilakukan seluruh kategori open-weight dan yang paling sering salah dipahami pembeli.

Kedua gesekan itu bukanlah cacat. Keduanya adalah dua bentuk yang diambil oleh rilis penelitian pada 2026: sebuah produk dengan harga dan formulir, atau sebuah checkpoint dengan lisensi dan tagihan. Mengetahui bentuk mana yang dapat Anda serap adalah filter yang lebih berguna daripada posisi benchmark mana pun, dan itulah filter yang kebanyakan tim justru terapkan terakhir, bukan pertama.

Untuk apa produk 16-fps dan model riset 24-fps masing-masing

Kedua perusahaan menggunakan frasa real time, dan tak satu pun memaksudkan kuantitas yang sama. Odyssey 3 pada 16 frame per detik adalah 62,5 milidetik per frame, cukup cepat sehingga orang yang mengarahkan kamera tidak merasakan lag — itulah yang dibutuhkan sebuah produk, dan itulah sebabnya model ini didistilasi menjadi beberapa langkah, bukan lima puluh. Dua puluh detik PAN 2 pada 24 frame per detik sama sekali tidak interaktif; itu adalah render batch yang biayanya diukur dalam node-menit, dan tujuannya adalah menghasilkan klip yang kemudian diperiksa oleh agen atau peneliti.

Konsekuensinya bagi siapa pun yang merencanakan pekerjaan adalah bahwa keduanya dapat digunakan dalam loop yang berbeda. Odyssey 3 cocok untuk alur kerja dengan manusia dalam loop: hasilkan, lihat, sesuaikan, hasilkan lagi, dengan harga cukup rendah sehingga iterasi menjadi murah. PAN 2 cocok untuk loop otomatis: hasilkan lima konsekuensi kandidat, nilai dengan pemeriksa, tindak lanjuti yang terbaik, dengan harga cukup tinggi sehingga Anda berpikir sebelum memunculkan batch. Satu mengoptimalkan latensi per klip, yang lain mengoptimalkan fidelitas per klip, dan pengaturan sampler membuat pertukaran itu eksplisit — lima puluh langkah dengan guidance 2,5 pada setiap langkah berarti seratus forward pass melalui transformer 29B, versus delapan langkah terdistilasi melalui model kelas 8-hingga-14B.

Ada juga perbedaan struktural dalam hal untuk apa output dapat digunakan. Dunia yang dihasilkan Odyssey 3 telah melatih kebijakan mengemudi dan lengan robot, yang merupakan bukti publik terkuat bahwa model dunia video umum dapat berfungsi sebagai substrat pelatihan untuk kendali berwujud. Output PAN 2 belum, dan kartunya secara eksplisit menyatakan bahwa simulasi rencana yang seharusnya gagal belum diukur — yang penting, karena substrat pelatihan yang hanya menunjukkan keberhasilan mengajarkan kebijakan bahwa semuanya berhasil. Demonstrasi Odyssey juga tidak menyelesaikan hal itu: kebijakan yang dilatih di dunia yang dihasilkan yang belum pernah dievaluasi terhadap baseline dunia nyata adalah hasil yang menjanjikan, bukan metode yang tervalidasi.

Posisi OrcaRouter dalam kedua hal itu adalah pada lapisan evaluasi, bukan lapisan generasi, dan ini perlu dinyatakan dengan tepat. Baik PAN 2 maupun Odyssey 3 tidak ada di katalog kami: yang satu adalah model difusi 29B yang Anda jalankan di node sendiri, yang lain adalah produk hosted yang dijual melalui formulir kontak, dan tidak ada router yang dapat melayani keduanya. Yang dapat dirutekan adalah mesin di sekitar keduanya, yang dalam kedua kasus merupakan tempat pengeluaran sesungguhnya menumpuk — juri visi-bahasa yang menilai klip yang dihasilkan terhadap rubrik, perencana yang mengubah pertanyaan riset menjadi sekumpulan prompt, penulis caption yang menghasilkan deskripsi world-state terstruktur yang dikonsumsi encoder teks PAN 2 dalam anggaran 1.480 token lunak dan 1.536 token keras. Itu adalah ribuan panggilan biasa ke model yang biaya outputnya mencapai satu menit GPU untuk setiap panggilan, yang tepat merupakan bentuk beban kerja ketika satu kunci untuk lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0% dan failover otomatis antarpenyedia berhenti menjadi sekadar kemudahan dan mulai menjadi pembeda antara batch yang selesai dan batch yang mati di 80%.

Cara membaca yang berikutnya dari ini

Tiga pertanyaan, secara berurutan, dan tidak ada satu pun yang berupa "berapa skornya".

Apakah angka tersebut berasal dari benchmark publik atau harness privat? Rata-rata empat run Odyssey sebesar 63,37 dapat dibandingkan dengan entri lain di track yang sama. Angka penyelesaian langkah PAN 2 tidak dapat dibandingkan dengan apa pun, karena tidak ada pihak lain yang menjalankan harness tersebut. Keduanya sah; hanya satu yang portabel.

Apakah skor itu dipilih? Angka best-of-eight dan rata-rata empat kali pengujian mengukur hal yang berbeda, dan vendor yang menerbitkan keduanya telah memberi tahu Anda mana yang harus dikutip. Vendor yang hanya menerbitkan yang pertama juga telah memberi tahu Anda sesuatu.

Berapa tingkat kegagalan pada tugas yang Anda pedulikan? PAN 2 menjawabnya dengan dua dari tiga rencana melewatkan satu langkah. Odyssey tidak menjawabnya untuk eksperimen jalan raya India. Ketiadaan itu bukan ketidakjujuran — belum ada yang menjalankan studi tersebut — tetapi pembeli yang tidak bertanya berarti membeli demo.

Diterapkan pada pilihan di depan Anda: Odyssey 3 adalah instrumen yang mudah diakses. Demo browser gratis, formulir kontak, harga per klip yang bisa Anda kalikan, dan angka benchmark dengan metode terdokumentasi di baliknya. Jika Anda perlu mencoba model dunia minggu ini dan anggaran Anda dihitung per klip, itu adalah satu-satunya dari kedua opsi tersebut yang bisa Anda mulai, dan catatannya adalah bahwa "mudah diakses" berarti percakapan penjualan, bukan kunci.

PAN 2 adalah instrumen yang dapat diaudit. Bobot, kode, resep penyajian, kontrak keterangan dengan anggaran token, guardrail dengan angka positif palsu yang terlampir — 11,5% permintaan text-to-video yang tidak berbahaya dan 3,3% permintaan image-to-video yang tidak berbahaya ditolak, dengan keluaran text-to-video tidak aman turun dari 33,9% menjadi 1,5% — dan bagian keterbatasan yang diawali dengan tingkat kegagalan. Jika Anda memiliki perangkat kerasnya dan perlu mengetahui cara kerja hal itu, bukan sekadar bahwa hal itu berfungsi, ini adalah rilis yang lebih lengkap di kategorinya dengan selisih yang lebar.

Yang bisa menyelesaikan perbandingan ini adalah studi yang belum dijalankan kedua perusahaan: kedua model, satu tugas, satu kebijakan, satu metrik, cukup banyak percobaan sehingga simpangan bakunya lebih kecil daripada selisihnya. Tidak ada yang mengusulkannya. Sampai ada yang melakukannya, ringkasan yang akurat adalah bahwa model berbayar menerbitkan angka yang terdokumentasi lebih baik dan model gratis menerbitkan angka yang lebih buruk, dan model gratis itulah yang bisa Anda periksa.