Odyssey-3 vs Grok Imagine Video: un'API video a consumo contro un simulatore senza prezzo

G​rok Imagine Video arriva con un listino prezzi e nessun modo per guidarlo. Odyssey-3, che Odyssey ha aperto come anteprima di ricerca pubblica l'8 ottobre 2026, arriva con un modo per guidarlo e nessun listino prezzi di sorta. È questa asimmetria, più che qualsiasi riga di benchmark, la vera forma di questo confronto: x​AI vende video generati al secondo con una tariffa pubblicata per ogni risoluzione, mentre Odyssey-3 si presenta come un modello di mondo interattivo che puoi guidare in un browser e che non puoi ancora acquistare. Uno di questi puoi metterlo in un prodotto questo pomeriggio. L'altro puoi solo valutarlo.

Sono anche in disaccordo su a cosa serva la generazione video, e il disaccordo emerge nelle pagine dei fornitori. La documentazione di G​rok Imagine Video mette in primo piano immagini di riferimento, fotogrammi fissati, parlato sincronizzato con le labbra e riferimenti vocali — il vocabolario del controllo di produzione. Il fulcro di Odyssey-3 è un ambiente che prevede ciò che accade dopo mentre ti muovi al suo interno o attivi un evento. Entrambi sono generatori basati sulla diffusione che producono video. Al di là di questa frase, non c'è quasi alcuna sovrapposizione.

Che cosa è ciascuno

Odyssey-3 è un transformer diffusion autoregressivo. Odyssey lo descrive come un modello di diffusione video multi-step esteso in modo autoregressivo con teacher forcing e mascheramento causale, così da proseguire dalle osservazioni precedenti e predire stati futuri condizionati dagli input di azione, per poi essere distillato tramite distribution matching e distillazione avversariale in una variante a pochi step capace di interazione in tempo reale. Funziona a 832×480, con Odyssey-3 Pro a 1280×720, e l'anteprima pubblica espone navigazione in prima persona, navigazione in terza persona e movimento indipendente della telecamera. Non c'è audio.

G​rok Imagine Video è il modello video di x​AI nell'API Imagine. La generazione attuale è G​rok Imagine Video 1.5, che secondo le note di rilascio di x​AI supporta text-to-video, image-to-video e reference-to-video con voci preimpostate opzionali e 1080p nativo per i primi due — con text-to-video implementato sotto il cofano come text-to-image seguito da image-to-video. Accetta fino a quattordici immagini di riferimento e tre riferimenti vocali, supporta fotogrammi fissati e parlato con sincronizzazione labiale, e la tariffazione è per secondo di output generato. Il precedente grok-imagine-video, ancora documentato e ancora a listino, si colloca a 0,05 $ al secondo a 480p e 0,07 $ a 720p, con il video in input fatturato a 0,01 $ al secondo e le immagini in input a 0,002 $.

Il tariffario, che è la parte su cui puoi effettivamente pianificare

• Prezzo — G​rok Imagine Video viene fatturato al secondo: 0,05 $/sec a 480p e 0,07 $/sec a 720p sul modello originale, mentre G​rok Imagine Video 1.5 parte da 0,08 $/sec su 480p, 720p e 1080p. G​rok Imagine Video 1.5 Lite parte da 0,02 $/sec per risoluzioni fino a 1080p e una durata fino a quindici secondi. Odyssey-3 non ha alcun prezzo pubblicato; le sue uniche cifre di costo pubbliche sono le stime normalizzate della classifica: 0,139 $ per video generato per Odyssey-3 e 0,267 $ per Odyssey-3 Pro.

• Una clip di dieci secondi, a conti fatti — $0,50 a 480p o $0,70 a 720p su G​rok Imagine Video; $0,80 su G​rok Imagine Video 1.5; $0,20 sul livello Lite. Odyssey-3 non si può prezzare in questo modo, perché non puoi acquistarne dieci secondi.

• Risoluzione — Grok Imagine Video 1.5 gestisce il 1080p nativo per text-to-video e image-to-video. Odyssey-3 arriva al massimo a 1280×720 nel piano Pro.

• Durata — G​rok Imagine Video 1.5 Lite raggiunge quindici secondi. L'unità di Odyssey-3 non è una clip; è una sessione, delimitata da quanto a lungo l'anteprima mantiene coerenti le sue previsioni.

• Audio — G​rok Imagine Video genera parlato con sincronizzazione labiale e accetta riferimenti vocali. Odyssey-3 non ne genera alcuno.

Controllo — immagini di riferimento, frame bloccati, primo e ultimo frame e riferimenti vocali, tutti specificati prima della generazione. Contro la navigazione live e gli eventi a metà generazione durante la generazione. Quello di Grok è authoring; quello di Odyssey-3 è interazione.

• Disponibilità — oggi una chiave API self-service per G​rok Imagine Video. Un modulo di contatto e un'anteprima nel browser per Odyssey-3.

Dove li mette il consiglio di fisica

Physics-IQ Verified, il benchmark di Anates Labs e DeepMind che valuta le continuazioni di esperimenti fisici reali, attualmente classifica 41 modelli, ed entrambi questi vi figurano — il che lo rende l'unica superficie di terze parti in cui i due possano essere confrontati in assoluto.

• G​rok Imagine Video — posizione 13, miglioramento netto di −4,04 punti percentuali rispetto alla media della traccia, sui prompt del benchmark stesso, 24 fps, costo normalizzato di $0,352 per video.

• Odyssey-3 — 8° posto sullo stesso set di prompt a +2,15 pp e 0,129 $, e 3° posto sui prompt personalizzati a +9,99 pp.

Il divario non è piccolo e non è un artefatto di risoluzione: la classifica normalizza il costo a 24 fps e a un output da 1280 pixel di larghezza dove gli input lo consentono, e riporta il regime di prompt per ogni riga. Un punteggio negativo di miglioramento netto non significa che G​rok Imagine Video generi video scarsi — chiaramente non è così, ed è in produzione a un prezzo che lo rende facile da usare. Significa che, sul compito specifico di continuare correttamente un esperimento fisico, fa peggio del modello medio di quella classifica, mentre Odyssey-3 fa meglio del modello medio di quella classifica due volte su due, in due diversi regimi di prompt.

La dichiarazione di punta di Odyssey-3 è ancora più forte: 66,1 sulla categoria video-to-video per Odyssey-3 Pro, il punteggio più alto riportato da Odyssey, più 54,7 per lo stesso livello su image-to-video. Questi dati provengono dal resoconto di Odyssey anziché da una prova indipendente, e vanno letti in questo modo.

La cosa che il listino prezzi non copre

C'è una differenza di categoria nascosta dietro le tariffe al secondo che vale la pena nominare, perché decide quale di questi vuoi.

Il modello di fatturazione di Grok Imagine Video — dollari al secondo di output — è una promessa sulla capacità di elaborazione. Ogni dollaro acquista una quantità fissa di video finito, e l'unica domanda è se quindici secondi a 1080p con sincronizzazione labiale valgano 1,20 $. Per un'unità pubblicitaria, un template social, una pipeline di marketing, questa è un'ottima domanda con una risposta chiara, e il tier Lite a 0,02 $/sec rende la risposta facile il più delle volte.

Odyssey-3 non viene fatturato in questo modo e non può esserlo, perché il suo output non è una quantità fissa. Un ambiente interattivo viene consumato in base a quanto tempo qualcuno ci resta dentro e a quante volte cambia idea, e questo rende privo di senso il modello al secondo. Quando Odyssey pubblicherà un prezzo — e non c'è alcun segnale di quando — dovrà essere un prezzo a sessione, un prezzo di calcolo o qualcos'altro che non è ancora stato inventato per questa categoria. Non è un argomento contro Odyssey-3. È il motivo per cui al momento è impossibile completare un confronto tra questi due dal punto di vista di uno sviluppatore.

Raggiungere quello a consumo oggi

Grok Imagine Video è l'API di xAI stessa, e OrcaRouter non la ospita. Odyssey-3 non è su nessuna piattaforma ospitata che possiamo verificare, e non esiste una tariffa pubblicata che permetta a chiunque di instradare, anche se lo fosse.

Ciò che una chiave OrcaRouter raggiunge è il resto dello stack di video e modelli su cui costruiresti questo confronto: MiniMax-H3 a 0,08 $ per secondo di output 768P, la linea video K​ling e oltre 200 modelli dietro un unico endpoint al prezzo di listino del provider con 0% di ricarico — così, quando un laboratorio riduce la tariffa al secondo, la modifica è attiva sul tuo utilizzo lo stesso giorno anziché al tuo prossimo rinnovo contrattuale. Il failover automatico tra provider evita che un batch che combina diversi modelli video fallisca per un'ora critica di un singolo upstream, e il DSL di routing ti consente di mettere un modello video ospitato e un modello di testo o vision dietro un'unica interfaccia, che è esattamente ciò di cui ha bisogno una pipeline che genera e poi valuta. Né Odyssey-3 né G​rok Imagine Video sono oggi in quel catalogo.

Quale vuoi

Se hai bisogno di output video con audio, a 1080p, a un prezzo che puoi inserire in un foglio di calcolo, e ti serve questa settimana, G​rok Imagine Video è una risposta che funziona e Odyssey-3 non è un candidato — non ha audio, un tetto di risoluzione inferiore e nessun modo per acquistarlo.

Se stai costruendo qualcosa che debba prevedere ciò che accade dopo un'azione — una policy, un ciclo di controllo, un ambiente di addestramento — il listino prezzi è irrilevante e la classifica della fisica non lo è. Odyssey-3 viene valutato esattamente su quella capacità ed è vicino alla cima della classifica; G​rok Imagine Video, eccellente nel produrre un'inquadratura finita, è sotto la media del tracciato nello stesso test. Domande diverse, e le risposte non si sovrappongono.