PAN 2 対 Odyssey 3：ここで唯一価格が付いているワールドモデルが、自身の最悪の数値も公表している

物理推論に関する2つの主張が3週間隔てて発表されたが、両者の違いはスコアではない。PAN 2はInstitute of Foundation Modelsによる290億パラメータのオープンウェイト世界モデルであり、Apache-2.0の重みが2026年10月7日に、コードが11月5日に、Day-0 vLLM-Omniサポートが11月10日に公開された。開始フレームと記述されたアクションから、最大20秒の704×1248動画を毎秒24フレームでレンダリングする。Odyssey 3はOdysseyによる約140億パラメータの自己回帰拡散トランスフォーマーで、2026年10月8日に無料のリサーチプレビューとしてリリースされ、生成動画1本あたりベースティアで約0.139ドル、Proで0.267ドルだった。一方は価格のないダウンロード可能なチェックポイントだ。もう一方は重みのない従量課金製品である。そして、この組み合わせが一段落ではなく記事に値する理由は、有料のものがほとんどのラボなら埋もれさせただろうベンチマークに関する注意書きを公表した一方で、無料のものは誰にもベンチマークされていないからだ。

その逆転こそが有用な点だ。「オープンウェイト」を「より透明」と読み、「商用API」を「よりマーケティング的」と読むのが直感的な反応だ。ここでは逆に働いており、なぜそうなるのかを理解することは、2026年にワールドモデルを評価するうえで、どのリーダーボード順位よりも多くを教えてくれる。

Odysseyが公開した内容、それが1点を失う原因となった部分も含めて

Odyssey 3 Proは、動画から動画への物理推論ベンチマークであるPhysics-IQ Verifiedで66.1を報告し、それを最先端だと表現した。その数字の背後にある手法こそが興味深い点だ。それは8回中最良を選ぶ選択を用いた単一の実行によるものだったが、ベンチマーク自体の規則では、標準偏差を報告した上での4回の実行が求められている。選択を行わない場合、4回の実行の平均は63.37だった。

どちらの数値もOdysseyのものだ。両者の2.73ポイントの差は、8つのサンプルから最良のものを選び、それをスコアと呼ぶことの代償であり、両方の数値が公開されているという事実は、このカテゴリーが通常提供する以上の透明性だ。ベンチマーク独自の、トラック平均に対する純改善度の指標では、Odyssey 3 Proは+11.15パーセントポイントで2位、+12.27のFLUX 3 [large]に次ぐ。Odyssey自身の評価であるWorldMarkでは、4つのカテゴリーのうち3つで1位——一人称スタイライズド77.2、三人称リアル79.0、三人称スタイライズド76.3——で、一人称リアルでは80.6で3位、84.4のLyra 2.0と83.0のAlayaWorldに次ぐ。

購入者としてあるべき読み方でこれらの数字を読むと、三つのことが導かれる。第一に、このモデルは本当に競争力がある。ベンチマーク自体の改善指標で2位というのは、マーケティング上の作り事ではない。第二に、それが売り込まれているカテゴリーでは勝っていない。そして、自社の評価が4つのトラックのうち1つでそう認めている。第三に、そして最も有用なのは、ベンダーが選んだ数字と選ばなかった平均値を並べて公表する姿勢は、同社が公表する他のすべてをどう読むべきかについてのシグナルだ。

次に、同じ視点をPAN 2にも向けてみる。IFMは大多数の動画モデルのリリースよりもかなり多くの評価を公開した——6つの能力カテゴリにわたる300件の単一アクションケース、両方向で提示された100件の自己中心的多段階タスク、200件のプロンプトと456ステップを3つのシードにわたりステップ完了率と全計画完了率で採点。画像から動画への設定におけるPhysics-IQ Verifiedは、2つの実撮影間の分散が100になるよう正規化。PhyGroundはQwen3.8-27Bが判定する5点尺度。RBenchは5つのタスクカテゴリと4つのembodimentカテゴリにわたる非加重平均。そして140件のプロンプトに対する盲検のペアワイズ人手研究では、13名のレビュアーが1,400件の比較を生成し、EloはBradley–Terryでフィットされ1500を中心としている。IFMが公開しなかったのは選択に関する注意書きである。というのも、カードが示す限り選択対象は何もなかったからだ。数値はハーネスの出力として報告されている。

どちらも監査を受けていない。比較可能なのは一方だけだ。Odysseyは公開ベンチマークを実行したが、PAN 2の主要な数値は非公開のハーネスから出ているからだ。ベンチマーク対ハーネスというこの区別は、スコアそのものよりも価値がある。

2つの製品、2種類の摩擦

価格は、比較を言葉にするのは最も簡単で、行動に移すのは最も難しい領域です。

• 単価 — Odyssey 3 はベースティアで 832×480 の生成動画1本あたり約 $0.139、Pro では 1280×720 で約 $0.267 です。PAN 2 にはホスト型サービスがなく、モデルの重みと GPU の請求書しかないため、単価はありません。

• 実際のコスト — Odyssey 3の価格はクリップ1本分の総コストであり、PAN 2のそれはマシンそのものだ：704×1248の13秒の動画はB300 4台で約119秒かかり、文書化されたデフォルトではBF16のH200 8台となる。

• アクセスの摩擦 — Odyssey 3 には誰でも開ける無料のブラウザデモがあり、API アクセスは問い合わせフォーム経由で、セルフサービス型のキーも公開された料金表もありません。PAN 2 は Apache-2.0 の下で60ファイルにまたがる86.17ギガバイトで、制限なし、会話は不要です。

• 重み — Odyssey 3は一切公開しておらず、閲覧するためのライセンスもありません。PAN 2の重みはApache-2.0で、帰属表示の要件、ユーザー数の閾値、利用分野の制限はいずれもありません。

• ハーネスでの速度 — Odyssey 3 は 832×480 で毎秒16フレームで動作し、数ステップに蒸留されているため、人がリアルタイムで操作できます。PAN 2 はガイダンス2.5で50サンプラーステップにわたり毎秒24フレームで動作します。

これら5行をまとめてみると、この2製品は異なる買い手を狙っている。Odyssey 3は、クリップを必要とし、データセンターを自前で持ちたくない人向けの価格設定だ。コンテンツチーム、数千回の生成を実行する研究グループ、アウトプット単位で収益を考える人なら誰でも当てはまる。PAN 2は、すでにノードを持っている人向けの価格設定だ。なぜなら、それ以外の人にとっては、ライセンスが無料であることはこの製品の最も重要でない点だからだ。

両側で欠けている数字は同じもので、それは価格ではない。どちらのベンダーも、購入者が実際に気にかけている事柄について成功率を公表していない。Odysseyは生成した世界の中で運転ポリシー、ロボットアーム、ヒューマノイドを動かした。それらのデモの詳細は注意深く読む価値がある——しかし購入者が必要とする数字はそのどれにもない：道路タスクの成功率はなく、実世界での訓練に対するベースラインもなく、生成世界のどの部分が効いたかを示すアブレーションもない。

PAN 2の同等の数値はより悪く、しかも公開されている。そのモデルカードには、シミュレーションされた計画の約3分の2に、実行されないステップが少なくとも1つ含まれていると記されている。これは、出力をロボットに渡したいと考える人にとって致命的な数字であり、同時にどちらのリリースにおいても最も有用な一文でもある。なぜなら、これから土台にしようとしているものの失敗率を教えてくれるからだ。3分の2という失敗率を公表するベンダーと、失敗率を一切公表しないベンダーは、同じだけの情報を与えてくれるわけではない。そして、悪い数字を出しているほうこそ、計画を立てる際に頼りにできるベンダーなのだ。

それぞれが実際に生成するものと、その違いがなぜアーキテクチャ上の違いなのか

Odyssey 3は約140億パラメータの自己回帰型拡散トランスフォーマーで、インターネット動画、時間的に同期した入力を伴うゲームプレイ映像、シミュレートされた剛体相互作用で訓練され、その後、数ステップモデルへ蒸留されるため、出力をリアルタイムで操作できます。環境をプロンプトし、独立したカメラ操作で一人称または三人称でその中を移動し、進みながらイベントをトリガーできます。各ティアの違いは見られる内容だけです。ベースティアでは832×480で1本あたり約$0.139、Proでは1280×720で約$0.267で、無料のブラウザデモの背後にはFlashバリアントがあり、誰でもアカウントなしで開くことができます。

PAN 2は、内部に言語モデルを搭載したバッチレンダラーだ。概念的推論器が次の世界状態を構造化された時間に根差した記述として書き出し、凍結されたQwen3.5-9Bテキストエンコーダーがそれを条件付け特徴量に変換し、29Bの拡散トランスフォーマーが知覚的な詳細を埋め、Wan 2.2 VAEが704×1248を毎秒24フレームで20秒分デコードする。対話型ループはない。1回の呼び出し、1本のクリップ、呼び出し内でのフィードバックはない。代わりにあるのは契約だ。プロンプト書き換えスキル、固定のネガティブプロンプト、そしてキャプションをエンコーダーの予算であるソフト1,480トークン、ハード1,536トークンに対して検証するバリデータであり、モデルカードはエージェントのケーススタディが手作業で洗練されたプロンプトに依存していたことを認めている。

その違いは、価格よりもはるかに大きく、この2つが何に向いているかを決めている。Odyssey 3 は環境の中にいる人間のために作られている。生成し、周囲を見渡し、調整し、再び生成する。PAN 2 は問いを投げかける機械のために作られている。これをすると何が起きるのか、そしてチェッカーは別の選択肢を好むだろうか。サンプラーはその意図を符号化している——一方は蒸留された8ステップ、もう一方は各ステップでガイダンス2.5を用いる50ステップ——そして、それぞれが記録する失敗もまた同様だ。

どちらの企業も、その実証を測定に変えていない。

両方のリリースは、生成された世界の中でポリシーが学習している様子を示す動画証拠に依拠しているが、その証拠を決定的な裏付けにする数値を公表したものはどちらもない。

Odysseyは、生成されたワールド内で固定されたバックボーンを用いて、約20時間のインドの実道路データで運転ポリシーを訓練した。さらに別途、数十時間のデモンストレーションから学習したロボットアーム操作を示した。これには訓練データにはなかった復帰行動、Flexionで構築したヒューマノイドポリシー、ドローン航法、GTA Vで訓練したポリシーがRed Dead Redemption 2へ転移することなどが含まれる。ゲーム間の転移は、汎用動画ワールドモデルが訓練基盤として有効であることを示す最強の根拠である。なぜなら、ポリシーがあるゲームの映像から学習して別のゲームで機能できるなら、そのモデルはピクセルではなくダイナミクスについて何かを捉えたことになるからだ。欠けているのは、インドの道路タスクにおける公表された成功率、実世界での訓練に対するベースライン、生成されたワールドのどの部分が寄与したかを示すアブレーションのいずれかである。

PAN 2にはその種のポリシーデモはないが、Odysseyにはないものがある。公開された失敗率だ。シミュレーションされた計画の約3分の2には、実行されないステップが少なくとも1つ含まれている。そのカードも、失敗すべき計画をシミュレーションすることは、それ自身の言葉によれば、まだ測定されていないと認めている。これは訓練基盤にとって重要だ。なぜなら、成功だけを描き出す世界は、すべてがうまくいくというポリシーを教えてしまうからだ。

その2つの告白を並べてみると、カテゴリーにおけるギャップが見えてくる。一方の企業は転移を示したが、信頼性を測定しなかった。もう一方は故障モードを測定したが、転移を示さなかった。どちらも買い手が必要とする研究ではない。買い手が必要とするのは、同一タスク上で両モデルを同一ポリシーと同一指標で評価し、標準偏差がギャップより小さくなるのに十分な回数実行する研究だ。

アクセスパスが、お金ではなく時間の面でどれだけの負担になるか

Odyssey 3の摩擦は「会話」にある。ブラウザで使える無料の公開リサーチプレビューがあり、APIアクセスは問い合わせフォーム経由で、セルフサービス式のキーはなく、料金区分の数字以外にトークン単位やクリップ単位の料金表は公開されておらず、オープンウェイトも、読めるライセンスもない。今日の午後に自社のワークロードでモデルをベンチマークしたいチームにとって、それは価格とは別種の障害だ。デモは試せて、営業とは話せるが、そのどちらも再現可能なハーネスにはつながらない。

PAN 2 の摩擦は機械仕掛けだ。重みは Apache-2.0 の下、60 ファイルにまたがる 86.17 ギガバイトで、ゲートなし、事前のやり取りも不要——そして、文書化されたサービング構成が単一ノードであること、サンプラーがクリップごとに 100 回のフォワードパスを必要とすること、20 秒の 704×1248 クリップが並列化の議論以前にそれ自体でひとつのデコード問題であることに気づく。ライセンスは無料で、ハードウェアはそうではない。これはオープンウェイト分野全体が行うトレードオフであり、購入者が最もよく間違えるトレードオフでもある。

どちらの摩擦も欠陥ではない。それらは2026年に研究リリースが取る2つの形だ。価格と形態を備えた製品か、ライセンスと請求書を伴うチェックポイントか。自分がどちらの形を受け入れられるかを知ることは、どんなベンチマーク上の順位よりも有用なフィルターであり、ほとんどのチームが最初ではなく最後に適用するフィルターだ。

16 fps の製品と 24 fps の研究モデルは、それぞれ何のためにあるのか

両社とも「リアルタイム」という言葉を使っているが、その意味する量は同じではない。Odyssey 3 は毎秒16フレームで1フレームあたり62.5ミリ秒であり、カメラを操作する人が遅延を感じないほど高速だ。これが製品に必要なことであり、モデルが50ステップではなく数ステップに蒸留されている理由でもある。PAN 2 の毎秒24フレームでの20秒はまったくインタラクティブではない。これはコストがノード分で測られるバッチレンダリングであり、その目的はエージェントや研究者がその後検査するクリップを生成することにある。

仕事を計画する人にとっての帰結は、この2つが異なるループで使えるということだ。Odyssey 3はヒューマン・イン・ザ・ループのワークフローに合う。生成し、見て、調整し、また生成する——反復が安く済む程度に低い価格で。PAN 2は自動ループに合う。候補の結果を5つ生成し、チェッカーで採点し、最良のものに基づいて行動する——バッチを生み出す前に考える必要がある程度に高い価格で。一方はクリップあたりのレイテンシを最適化し、もう一方はクリップあたりの忠実度を最適化する。そしてサンプラーの設定がそのトレードオフを明示する——各ステップでガイダンス2.5を効かせた50ステップは29Bトランスフォーマーを通る100回の順伝播であり、8〜14Bクラスのモデルを通る8つの蒸留ステップとは対照的だ。

出力を何に使えるかという点にも構造的な違いがある。Odyssey 3 の生成世界によって運転ポリシーとロボットアームが訓練されており、これは汎用動画ワールドモデルが身体性制御のための訓練基盤として機能し得ることを示す、公開されている中で最も強い証拠である。PAN 2 の出力ではそうなっておらず、そのモデルカードには、失敗するはずの計画のシミュレーションがまだ測定されていないと明記されている。これは重要である。成功だけを見せる訓練基盤は、すべてがうまくいくとポリシーに教えてしまうからだ。Odyssey のデモンストレーションもその点を解決しない。生成世界で訓練されたポリシーが実世界のベースラインと比較評価されたことがないなら、それは有望な結果ではあるが、検証済みの手法ではない。

OrcaRouter がどちらに関わるのは、生成レイヤーではなく評価レイヤーであり、ここは正確に述べておく価値があります。PAN 2 も Odyssey 3 も当社のカタログにはありません。一方はご自身のノードで実行する 29B の拡散モデル、もう一方は問い合わせフォーム経由で販売されるホスト型製品であり、どちらもルーターが提供できるものではありません。ルーティングできるのはそれらを取り巻く仕組みであり、どちらの場合も実際のコストが積み上がるのはそこです — 生成されたクリップをルーブリックに照らして採点する視覚言語ジャッジ、リサーチクエスチョンをプロンプトのバッチに変換するプランナー、PAN 2 のテキストエンコーダーが消費する構造化されたワールドステート記述を、ソフト上限 1,480 トークン、ハード上限 1,536 トークンの予算内で生成するキャプションライターなどです。これらは、出力のたびに GPU 時間 1 分のコストがかかるモデルに対する数千回に及ぶ通常の呼び出しであり、まさにこうした形のワークロードでは、200 以上のモデルにまたがる単一のキー、プロバイダーのリスト価格をマークアップ 0% でそのまま適用すること、プロバイダー間の自動フェイルオーバーといった仕組みが、単なる利便性ではなくなり、バッチが完走するか 80% で止まるかの違いそのものになります。

これらのうち次のものを読む方法

順番に3つの質問で、そのどれも「何点取ったか」ではない。

その数値は公開ベンチマークのものか、それとも非公開のハーネスのものか？ Odysseyの4回実行平均63.37は、同じトラック上の他のエントリーと比較できる。PAN 2のステップ完了の数値は、他の誰もそのハーネスを実行していないため、何とも比較できない。どちらも正当だが、ポータブルなのは片方だけだ。

スコアは選ばれたものだったのでしょうか？ 8回中最良の数値と4回平均は別のものを測っており、両方を公表しているベンダーは、どちらを引用すべきかをあなたに示しています。最初のものだけを公表しているベンダーも、何かを示しているのです。

あなたが重視するタスクでの失敗率はどれくらいか。PAN 2 はこれに答えていて、3件中2件の計画でステップが1つ抜け落ちる。Odyssey はインドの道路実験についてこれに答えていない。この欠落は不誠実さではない——誰もその研究を実施していないのだ——だが、問わない買い手はデモを買っているにすぎない。

目の前の選択に当てはめると、Odyssey 3 は利用しやすい手段だ。無料のブラウザデモ、問い合わせフォーム、掛け算できるクリップ単位の価格、そして文書化された手法に裏打ちされたベンチマーク数値がある。今週ワールドモデルを試す必要があり、予算がクリップ単位なら、2つのうちすぐに始められるのはこちらだけだ。ただし注意点として、ここでの「利用しやすい」とは、APIキーではなく営業との会話を意味する。

PAN 2は監査可能な計測器だ。重み、コード、サービング用レシピ、トークン予算付きのキャプション契約、誤検知の数値を添えたガードレール——良性のテキスト・トゥ・ビデオ要求の11.5%、良性のイメージ・トゥ・ビデオ要求の3.3%が拒否され、安全でないテキスト・トゥ・ビデオ出力は33.9%から1.5%に低下——そして失敗率を先頭に掲げる制限事項の節。ハードウェアがあり、それが動作するということではなく、どのように動作するのかを知る必要があるなら、これはこのカテゴリで大差をつけてより完全なリリースだ。

この比較に決着をつけるのは、どちらの企業もまだ実施していない研究だ。両方のモデル、同一のタスク、同一のポリシー、同一の指標、そして標準偏差が差より小さくなるのに十分な回数の実行。誰もそれを提案していない。誰かがそうするまで、正確な要約はこうだ。有料モデルはより詳細に文書化された数値を公表し、無料モデルはより悪い数値を公表した。そして、検証できるのは無料モデルのほうだ。