Odyssey-3 vs FLUX 3 Video：シミュレーターとレンダラーは同じツールではない

Odyssey-3とFLUX 3 Videoが比較されるのは、どちらも存在しない世界の動画を生成するからだが、類似点はおおよそそこまでだ。FLUX 3 VideoはBlack Forest Labsの生成モデルで、2026年8月4日から一般提供されており、プロンプトまたは開始フレームから、ネイティブ音声付きの1080p SDR MP4を最大20秒生成し、出力1秒単位で課金される。Odyssey-3はOdysseyの基盤ワールドモデルで、2026年9月15日にプレビュー公開され、まだ一般公開されていない。行動に応じてシーンがどう変化するかをシミュレートし、そのシミュレーションをロボットアーム、ヒューマノイド、自動車、ドローンのモーターコマンドに変換する学習済みデコーダを付属させる。一方はレンダラーであり、人に見せるための観測を生成する。もう一方はシミュレーターであり、プログラムが行動に移せる状態を生成する。とはいえ、両者を直接比較するのは有用だ——勝者を決めるためではなく、両者が出力するものこそ、多くのチームが現在一つの予算項目で買おうとしている2つの異なるものだからだ。

違いはモデルから出力されるものにある

この区別を最も明確に保つ方法は、World Labsがワールドモデル向けに公開した分類法です。これは、システムを、知覚–行動ループのどの部分を出力するかによって分類します。レンダラーは観測を出力します——人間の目向けのピクセルであり、視覚的忠実度で評価されます。シミュレーターは状態を出力します——人間とプログラムの両方が計算に用いるのに十分なほど、幾何学的かつ物理的に忠実な世界の表現です。プランナーは行動を出力します。FLUX 3 Videoはまさにレンダラーであり、しかも優れたものです。Odyssey-3は、片足をプランナーの列に置きつつ、シミュレーターの列を目指しています。なぜなら、行動デコーダーこそが、シミュレーションでハードウェアを駆動できるようにするものだからです。

それはマーケティング上の違いではなく、実用的なテストがある。動画モデルで部屋をレンダリングし、視点をその外へ歩かせて出て、振り返ってみよう。家具は元あった場所にないかもしれない。モデルがフレームごとに予測し、持続する世界を決して保持しなかったからだ。同じことをシミュレータに尋ねれば、答えは安定しているはずだ。モデルの要点は、フレームの下にある状態だからだ。Odyssey自身の発表もこれに依拠している——動画生成器ではなくダイナミクスモデルを構築する理由は、その内部で訓練されたポリシーを評価し改善できることであり、ただ眺めるだけではないからだ。

FLUX 3 Video、具体的には

Black Forest Labsは2026年8月4日にFLUX 3 Videoを出荷し、その仕様表はシミュレーションではなく本番出力を狙ったものだ。単一パスで最大20秒、最大1080p、SDR、MP4として生成し、映像とともにネイティブ音声も生成する。価格は生成動画1秒あたりで、ドラフト720pティアが1秒$0.06、標準720pティアが$0.17、1080pが$0.29で、ビデオツービデオの作業はこれらより高く設定されている。これらはベンダー公表の数値だ。

Black Forest Labsがそれに付けた唯一のベンチマーク数値は、テキストから動画生成における内部Elo 1,135です。これはベンダーが実施した評価であり、独立して再現されていません——FLUX 3 Videoは現在、独立系の動画リーダーボードには登場していません。このランキングは主張として扱うべきです。疑問の余地がないのは提供内容です。価格が設定され、文書化され、秒単位で課金されるAPIが、今日、ファイルを返します。

具体的には Odyssey-3

Odyssey-3はアーキテクチャを備えたプレビューであり、価格は設定されていない。それは視覚観測で訓練された自己回帰拡散トランスフォーマーであり、際立った特徴はアクションデコーダーである。Odysseyの言葉を借りれば「ワールドモデルに付随する学習済み出力コンポーネント」であり、観測と行動のペアで訓練され、モデルの内部表現を特定のハードウェアが必要とする行動に変換する。Odysseyは、数十時間のデモンストレーションからロボットアームを駆動し、Flexionで構築されたヒューマノイドポリシーをリアルタイムで実行し、20時間のシミュレーションデータからのクローズドループ運転、屋内障害物回避ドローンの飛行、そしてGrand Theft Auto Vでの長時間プレイと、追加のポリシー訓練なしにRed Dead Redemption 2やSleeping Dogsへの転移を報告している。同社はまた、比較数値を1つ報告している。シミュレーションで訓練された運転ポリシーは、実映像で訓練されたポリシーと比べて、安全ドライバーによる介入の間を約77%の距離しか走行しなかった。独立したベンチマークはなく、Odyssey-3の技術レポートもなく、「数週間以内」以外のリリース日もない。すべての数値はOdyssey自身によるものである。

次元ごとの対比

• 出力内容 — FLUX 3 Video：ピクセルのMP4ファイル。Odyssey-3：シミュレートされた世界状態、およびアクションデコーダーを通じたモーター動作。

• 誰がそれを消費するのか — FLUX 3 Video：視聴する人物、あるいはカットを仕上げる編集者。Odyssey-3：ロボットコントローラー、運転ポリシー、またはトレーニング中のRLエージェント。

• 最大出力 — FLUX 3 Video: 1回のパスで最大20秒、最大1080p SDR、ネイティブ音声。Odyssey-3: シミュレーションが成立し続ける限り継続的に展開し、デプロイに必要な任意のフレームレートで動作。

• 価格 — FLUX 3 Video：ドラフト720p $0.06/秒、720p $0.17/秒、1080p $0.29/秒（ベンダー）。Odyssey-3：公開情報なし。

• 提供状況 — FLUX 3 Video: 2026-08-04より一般提供中。Odyssey-3: プレビュー、公式には「数週間以内」。

• ベンチマーク — FLUX 3 Video：ベンダーElo 1,135 T2V、未再現、独立系ボードに不在。Odyssey-3：ベンチマーク表なし、ベンダーのsim-to-real値が1つのみ。

価格の非対称性こそが、正直な見出しである。

一方には価格があり、もう一方にはない。そしてそのたった一つの事実は、あらゆる性能の主張よりも、両者をどう選ぶかについて多くを語っている。FLUX 3 Video には出力1秒あたりの従量課金コストがあるため、チームは最初の1本を生成する前に100本のクリップのコストを計算できる。Odyssey-3 には公開価格もAPIも提供時期もないため、現時点ではその利用コストは知りようがなく、請求の形も同様に不明だ。Odyssey が説明する種類のワールドモデルは、通常、動画生成とはまったく異なる課金体系になる。美しいピクセルの秒単位ではなく、シミュレーションの時間単位で請求される。なぜなら、利用者は何百万ステップも走りうる学習ループだからだ。1秒あたり$0.29と何もないものを比べるのは比較ではない。それを比較として提示するページは、推測で空白を埋めているだけだ。

彼らが実際に会うことになる場所

この二つは代替物ではなく、より興味深い問いは、それらが組み合わせられるかどうかだ。FLUX 3 Video は、成果物が人間の視聴するファイルであるあらゆる用途にとって、より優れたツールだ。商品ショット、広告バリエーション、ソーシャル向け短縮版、プリビズなどである。Odyssey-3 は、もし期待に応えるなら、成果物が物理世界で機能しなければならないポリシー、またはプログラムが推論しなければならないシーンであるあらゆる用途にとって、より優れたツールだ。映画やゲームのパイプラインでは、あり得る構成は二者択一ではない——ワールドモデルがインタラクティブな環境を生成し、レンダラーが、最終的に外部へ出される磨き上げられたフレームを生成する。

そのコンポジションには現在、現実的な制約があり、それはSDRという制約です。FLUX 3 VideoはSDR MP4を出力します。Odyssey-3はグレーディング済みファイルではなく、シミュレートされた環境を出力します。どちらもHDRファイニングツールではないため、放送または劇場用の成果物で終わるパイプラインでは、その両方の後にマスタリング工程が依然として必要です。

ルーティングと、ここでそれがカバーする範囲およびカバーしない範囲

現時点でどちらのモデルもOrcaRouter経由でルーティングすることはできません。FLUX 3 VideoはBlack Forest Labs自身のAPIおよび複数のサードパーティプラットフォームから提供されており、Odyssey-3はまだリリースされていないため、どこからも入手できません。このようなパイプラインにおいてルーティングレイヤーが真価を発揮するのは、動画モデルの上のレイヤーです。すなわち、ショットリストを作成する言語モデル、生成されたフレームがブリーフに適合しているかを確認するビジョンモデル、録音されたナレーションをキャプションに変換する文字起こしモデルです。これらはごく普通のルーティング対象ワークロードであり、その土台となるのはプロバイダー定価・マークアップ0%で200以上のモデルにまたがる単一のAPIです。そのため、ベンダーの値下げは次回の契約更新時ではなく当日に請求へ反映されます。マルチステージパイプラインで重要なのはルーティングDSLです。複数のモデルを単一の呼び出しに組み合わせ、自動フェイルオーバーによってプロバイダーが劣化した際にも対応するため、プロンプトモデルのエンドポイントの調子が悪いという理由でレンダリングステップが失敗することはありません。ただし、これらのいずれもFLUX 3 VideoやOdyssey-3をホストするものではなく、本記事はそのようには主張していません。

どれを、誰のために

成果物がファイルの場合——クリップ、カットダウン、プリビジュアライゼーション——今日買えるのはFLUX 3 Videoであり、公表された秒単位の価格で、ネイティブ音声と20秒のシングルパス出力を備え、ベンダーのEloの主張は選ぶ理由というより妥当なボーナスだ。成果物がハードウェア上で動作しなければならないコントローラーなら、Odyssey-3があなたの問題を狙ったものだが、正直な助言は待つことだ。価格も日程も、独立した数値もまだなく、77%というsim-to-realの数値はOdyssey自身のもので、再現されていない。

注目すべきは、どのモデルが勝つかではない。なぜなら、それらは競争しているわけではないからだ。注目すべきは、外部のグループがOdyssey-3を実行できるようになったとき、そのアクションデコーダーが、発表に列挙されている6つのエンボディメントをまたいで汎化するかどうかだ。それは、成り立てば最も大きな利点をもたらす主張であり、現時点でそれを裏づける証拠は、測定値ではなく一連のデモンストレーションにすぎない。