Kling 4.0 vs Odyssey-3: Klip i świat nie są zamiennikami

Poproś Kling 4.0 o diner o 2 w nocy, a otrzymasz 30-sekundowy film przedstawiający diner o 2 w nocy — ten sam film, klatka po klatce, za każdym razem, gdy uruchomisz ten sam prompt. Poproś Odyssey-3 o diner o 2 w nocy, a otrzymasz diner, do którego możesz wejść, obrócić się w nim i strącić filiżankę kawy z lady, przy czym model przewiduje, co wydarzy się dalej na podstawie tego, co właśnie zrobiłeś, a nie tego, co wpisałeś. To różne produkty noszące tę samą etykietę kategorii, a porównanie staje się użyteczne dopiero wtedy, gdy przestaniesz pytać, który generuje lepsze wideo, i zaczniesz pytać, który tworzy artefakt, którego potrzebuje twój projekt.

{{1}}To nie jest unik.{{/1}} To właśnie dlatego to starcie zasługuje na osobną stronę: jeśli poszukasz, znajdziesz artykuły-listy, które porównują je ze sobą pod względem rozdzielczości i ceny, co przypomina porównywanie aparatu z symulatorem lotu pod względem liczby klatek na sekundę. Liczby są prawdziwe, ranking jest bez znaczenia, a decyzja, która się pod nim kryje, jest decyzją, którą naprawdę możesz podjąć.

Co dokładnie generuje każdy z nich na wyjściu

Kling 4.0 to generatywny model wideo od Kuaishou, dostępny dla wszystkich od 15 października 2026 r. Obsługuje tekst-na-wideo, obraz-na-wideo, pierwsza i ostatnia klatka, wiele klatek kluczowych, omni-reference i edycję ukierunkowaną, generując klipy od 3 do 30 sekund w 720p, 1080p lub 4K, z dwukanałowym dźwiękiem stereo i wielojęzyczną synchronizacją ruchu warg.

Odyssey-3 to model świata od Odyssey — autoregresyjny transformator dyfuzyjny, 14 mld parametrów w konfiguracji bazowej, zbudowany do generowania środowiska na podstawie promptu, a następnie do jego ciągłego przewidywania w czasie rzeczywistym, gdy ktoś po nim nawiguje. Jego publiczny podgląd badawczy udostępniono 8 października 2026 r., a darmowe demo w przeglądarce uruchamia lżejszy wariant, Odyssey-3 Flash. Dostępne są dwa opublikowane poziomy: Odyssey-3 w 832×480 i Odyssey-3 Pro w 1280×720.

Słowo „video” pojawia się w obu opisach i w każdym znaczy coś innego. Jedno generuje plik. Drugie tworzy system, którym sterujesz.

Dlaczego interaktywność zmienia to, w czym model musi być dobry

Generator klipów jest oceniany na podstawie tego, jak wygląda ustalona sekwencja: kompozycja, oświetlenie, ruch, to, czy dłonie mają pięć palców. Może przeznaczyć cały swój budżet obliczeniowy na uczynienie jednej trajektorii piękną, ponieważ istnieje tylko jedna trajektoria.

Model świata ocenia się po tym, co dzieje się, gdy się w niego ingeruje. Opis architektury Odyssey przedstawia wieloetapowy transformator dyfuzji wideo rozszerzony autoregresyjnie za pomocą teacher forcing i maskowania przyczynowego, z pipeline’em po treningu, który łączy dopasowywanie rozkładów i destylację adwersarialną w wariant kilkukrokowy. Dyfuzja zapewnia wierność, autoregresja zapewnia zdolność przetrwania sekwencji działań, a destylacja zapewnia szybkość. Wszystkie trzy elementy mają kluczowe znaczenie, a wszystkie trzy stanowią firmowy opis jej własnego systemu.

Ta różnica uwidacznia się w benchmarku, który wybrała Odyssey. Physics-IQ Verified, prowadzony przez Anates Labs we współpracy z DeepMind, pokazuje modelom nagrania rzeczywistych eksperymentów fizycznych — płynów, optyki, mechaniki ciała stałego, magnetyzmu, termodynamiki — i ocenia kontynuację względem tego, co faktycznie się wydarzyło. Trudno go oszukać, ponieważ kluczem odpowiedzi jest świat fizyczny. Obecnie klasyfikuje 41 modeli z 16 laboratoriów.

Liczby fizyczne, wraz z dołączonymi zastrzeżeniami

• Odyssey-3 Pro — 66,1 w ścieżce wideo-do-wideo Physics-IQ Verified, najwyższy surowy wynik, jaki Odyssey podaje. To wynik best-of-8 z pojedynczego przebiegu; średnia z czterech przebiegów bez selekcji wynosi 63,37.

• Poprawa netto względem średniej ścieżki — FLUX 3 [large] prowadzi z wynikiem +12,27 punktu procentowego, Odyssey-3 Pro jest drugi z +11,15, a Odyssey-3 trzeci z +9,99.

• Znormalizowany koszt na wygenerowane wideo — Odyssey-3 Pro 0,267 USD, Odyssey-3 0,139 USD, w porównaniu z FLUX 3 [large] przy 0,868 USD i Seedance 2.5 przy 2,838 USD. Koszty są znormalizowane do 24 fps i wyjścia o szerokości 1280 tam, gdzie tabela rankingowa na to pozwala.

• WorldMark — Odyssey-3 zajmuje pierwsze miejsce w trzech z czterech podziałów. Podział, którego nie wygrywa, to rzeczywiste środowiska z perspektywy pierwszej osoby, gdzie plasuje się na trzecim miejscu z wynikiem 80,6, za Lyra 2.0 z 84,4 i AlayaWorld z 83,0. Jest to ocena dostawcy przeprowadzona na cudzym zbiorze danych z wykorzystaniem własnych podpisów benchmarku, a nie zewnętrzna arena.

• Niezależność — brak. Każdy z powyższych wyników jest zgłaszany samodzielnie. Żaden zewnętrzny ewaluator nie uruchomił Odyssey-3 w środowisku testowym, którego nie wybrał.

Przeczytaj drugi wiersz dwa razy. W metryce uwzględniającej trudność toru Odyssey-3 Pro nie jest pierwszy — pierwszy jest ogólny generator wideo. Nagłówek firmy to surowy wynik; preferowane przez ranking podsumowanie plasuje go na drugim miejscu. Oba są prawdziwe, a ta różnica to coś, co wpis zapowiadający premierę pomija.

Dowody po stronie Kling 4.0 są skromniejsze, a nie lepsze

Kuaishou nie opublikowało żadnego własnego benchmarku dla Kling 4.0, a model nie znajduje się na rankingach wideo Artificial Analysis na dzień 23 października. To nie jest zły wynik — to brak wyniku. Istnieją jedynie specyfikacja, nota wydania i tydzień wrażeń z praktycznego korzystania od osób mających dostęp do aplikacji, co stanowi słabszą podstawę dowodową niż wyniki samodzielnie zgłoszone przez Odyssey i zupełnie inną.

Specyfikacja jest naprawdę mocna i jest mocna w sposób, który ma znaczenie dla treści tworzonych przez autora, a nie dla symulacji:

• Czas trwania — od 3 do 30 sekund w jednym przebiegu, z opcją wydłużenia do 2 minut wymienioną jako funkcja dostępna wkrótce. Wersja zapoznawcza Odyssey generuje ciągłe środowisko, a nie ograniczony czasowo klip.

• Rozdzielczość — 720p, 1080p i 4K, z 10-bitowym HDR w dwóch najwyższych poziomach oznaczonych jako „wkrótce”. Odyssey-3 Pro to 1280×720 na szczycie swojego zakresu, a podstawowy poziom to 832×480.

• Kontrola — do 10 obrazów klatek kluczowych i budżet referencyjny wynoszący 15 pozycji, rozdzielony między obrazy, sekundy wideo, głos i elementy. To panel sterowania reżysera: określasz, co dzieje się kiedy.

• Dźwięk — dwukanałowe stereo z synchronizacją ust w dziewięciu językach i z nazwanymi akcentami. Podgląd Odyssey nie ma porównywalnego wyjścia audio, ponieważ nie oglądasz ukończonej sceny.

• Dostęp — produkt konsumencki jest już dostępny; API zaczęło być udostępniane klientom korporacyjnym i deweloperom 21 października, a cennik dla deweloperów nadal oznacza model jako „Coming Soon” i podaje wyłącznie stawki podglądowe.

Koszt za wynik, a nie koszt za sekundę

Te dwie jednostki cenowe nie przeliczają się na siebie, dlatego tabele porównawcze podają błędne wyniki. Stawka podglądowa Kling 4.0 wynosi 0,157 USD za sekundę przy 720p i 0,235 USD przy 1080p, bez opublikowanej stawki dla 4K. Wpis Odyssey w rankingu to 0,139 USD lub 0,267 USD za wygenerowane wideo, znormalizowany na potrzeby porównania modeli o różnych szybkościach klatek.

Jeśli chcesz 30-sekundowe ujęcie w 1080p, Kling 4.0 w stawce preview kosztuje około 7,05 USD, zakładając, że ta stawka utrzyma się po premierze. Jeśli chcesz dziesięć minut eksplorowalnego środowiska w 720p, wskaźnik Odyssey na wideo nic ci nie mówi, ponieważ „wideo” w tej kolumnie to próbka benchmarkowa, a nie sesja. Uczciwe stwierdzenie brzmi: jeden produkt ma stawkę za sekundę, a drugi to badawcze preview bez jakiegokolwiek cennika. Budżetów nie da się porównać przez tę lukę.

Problem dostępu jest symetryczny, a to jest praktyczny wniosek.

Żaden z modeli nie jest rozwiązaniem typu drop-in. Kling 4.0 jest udostępniany etapami z cennikiem w wersji zapoznawczej; Odyssey-3 to podgląd badawczy z formularzem kontaktowym w celu uzyskania dostępu do API, bez dokumentacji limitów zapytań i bez udostępnionych wag modelu.

Dla zespołu oceniającego oba modele użytecznym posunięciem jest utrzymanie środowiska ewaluacyjnego niezależnego od SDK któregokolwiek z dostawców. OrcaRouter nie hostuje żadnego z tych modeli — nie ma trasy Odyssey ani identyfikatora Kling 4.0 w katalogu — ale praca wokół nich to zwykły ruch API: etap rozszerzania promptu, który zamienia opis ujęcia w coś, czego model wideo może użyć, lista ujęć, opisywanie, etap oceniania decydujący, które z ośmiu próbek zachować. Działają one na jednym punkcie końcowym zgodnym z OpenAI, obejmującym ponad 200 modeli w cenie katalogowej dostawcy z marżą 0%, a automatyczne przełączanie awaryjne sprawia, że przebieg ewaluacji nie pada, bo jeden z upstreamów ma gorszy dzień. Gdy którykolwiek z modeli udostępni samoobsługowe API, środowisko ewaluacyjne już ma właściwy kształt.

Modele, które możesz dziś wywołać, to poprzednia generacja po obu stronach. Kling 3.0 jest na OrcaRouter w cenie 0,084 USD za żądanie. Odyssey nie ma routowalnego poprzednika. Ta asymetria jest warta uwagi: w kategorii, w której interesujący model jest zwykle tym niedostępnym, fallback po stronie Kling jest przynajmniej rzeczywistym endpointem.

Kto tak naprawdę powinien wybrać, który?

Wybierz Kling 4.0, jeśli efektem ma być gotowe ujęcie: reklama, sekwencja teledysku, film produktowy — cokolwiek, gdzie ktoś oceni kadr i dźwięk, a następnie to wyeksportuje. 30-sekundowy pojedynczy przebieg, 10 klatek kluczowych i dźwięk stereo są ukierunkowane właśnie na to zadanie, a żaden model świata ich nie zastąpi.

Wybierz Odyssey-3, jeśli produktem końcowym ma być miejsce, w którym ktoś działa: dane treningowe dla robotyki, prototypowanie przestrzenne, demonstracja w stylu gry, ocena agenta ucieleśnionego. Wyniki Physics-IQ, nawigacja z perspektywy pierwszej i trzeciej osoby oraz raporty dostawcy o przenoszeniu polityk robotów z zamrożonego backbone'u to odpowiedni rodzaj dowodów do tego zadania, pod warunkiem że pamiętasz, iż pochodzą od dostawcy.

Nie wybieraj żadnego z nich, jeśli tym, czego potrzebujesz, jest powtarzalny, rozliczalny endpoint w tym miesiącu. Oba są w trakcie wdrażania, jeden nie ma ceny, a drugi ma stawkę testową, a ścieżka produkcyjna oparta dziś na którymkolwiek z nich to zakład o harmonogram premiery, nad którym nie masz kontroli.

Tego nie rozstrzygnie benchmark, który oba modele mogą przejść. Rozstrzygnie to test przepływu pracy: weź jedną scenę, wygeneruj ją jako 20-sekundowe autorskie ujęcie w Kling 4.0, a następnie odtwórz tę samą lokację w Odyssey-3 i spróbuj zainscenizować tę samą akcję, sterując kamerą. Jeśli wersja interaktywna nie potrafi utrzymać potrzebnej kompozycji, model świata jest niewłaściwym narzędziem, niezależnie od swojego wyniku w testach fizyki. Jeśli wersja autorska nie przetrwa zmiany punktu widzenia, to generator klipów też nie. Ten eksperyment kosztuje jedno popołudnie i mówi więcej niż jakikolwiek ranking Elo po którejkolwiek ze stron.