Odyssey-3 w podglądzie: Model świata Odyssey przechodzi od obserwowania świata do działania w nim

Odyssey-3 to najnowszy fundamentalny model świata firmy Odyssey, zapowiedziany przez firmę 15 września 2026 r. i opisany w jej własnym ogłoszeniu jako model mający napędzać „roboty, prowadzić samochody, trenować AI, pilotować drony, a nawet grać w gry wideo”. To, co czyni tę zapowiedź wartą uważnej lektury, nie polega na liście urządzeń — chodzi o mechanizm. Odyssey-3 to autoregresyjny transformator dyfuzyjny trenowany do symulowania różnorodnych scenariuszy na podstawie obserwacji wizualnej, a firma dołącza wyuczony dekoder akcji do niego, komponent, który przekłada wewnętrzną reprezentację sceny w modelu na polecenia silnikowe potrzebne konkretnemu elementowi sprzętu. Na tym polega różnica między modelem, który generuje wiarygodny klip ramienia robota, a modelem, którego zadaniem jest poruszenie ramieniem. Odyssey nazywa klasę systemów, które to umożliwia, „agentami fizycznymi” — modelami, które, jak to ujmuje firma, „mówią językiem świata”. Jeśli to ujęcie brzmi blisko etykiety „physics agent” krążącej w relacjach o zapowiedzi, to jest to uzasadnione odczytanie tego samego twierdzenia, choć nie jest to własne określenie Odyssey i na tym etapie stanowi opis intencji, a nie zmierzony wynik.

Co tak naprawdę ogłosiła firma Odyssey

Ten wpis to zapowiedź, a nie premiera. Odyssey twierdzi, że „nie może się doczekać, aby udostępnić go publicznie w nadchodzących tygodniach”, i nie podaje daty, ceny ani kanału dostępu. W ogłoszeniu nie ma linku do raportu technicznego Odyssey-3 — jedynym artykułem, na który wskazuje strona, jest PROWL-1, praca firmy nad uczeniem ze wzmocnieniem, a jedynym plikiem PDF jest PDF Starchild-1. Warto tę nieobecność wyraźnie zaznaczyć, ponieważ determinuje ona wszystko poniżej: każde twierdzenie o możliwościach w tym artykule pochodzi od Odyssey i nie zostało niezależnie odtworzone, a nie ma jeszcze żadnej strony trzeciej, która opublikowałaby liczbę dotyczącą Odyssey-3, której nie dostarczyłaby Odyssey.

To, co wpis jednak precyzuje, to architektura i filozofia treningu. Model to autoregresyjny transformer dyfuzyjny. Jest trenowany na wizualnej obserwacji świata, a nie na etykietach specyficznych dla zadań, co, jak przekonuje Odyssey, daje mu wyuczone rozumienie „fizyki, dynamiki, związków przyczynowo-skutkowych, ludzkich zachowań” — i, jak twierdzi, niższe zapotrzebowanie na dane niż w przypadku systemów, które nie były w ten sposób wstępnie trenowane. Kryjący się pod tym zakład jest tym samym, który podejmuje cała dziedzina modeli świata: że przewidywanie następnego stanu sceny na dużą skalę zmusza model do zinternalizowania tego, jak faktycznie zachowują się obiekty fizyczne, ponieważ model, który myli się co do fizyki, pogrąża się w niespójności podczas długiego rolloutu i nie potrafi się z niej wydostać.

Jeden kręgosłup, sześć korpusów

Najbardziej konkretnym dowodem w ogłoszeniu jest rozprzestrzenianie się ucieleśnień napędzanych przez ten sam model bazowy. Odyssey podaje:

• Ramiona robotyczne — nauczyły się kontrolować różne ramiona i wykonywać złożone zadania na podstawie „zaledwie dziesiątek godzin demonstracji robotycznych”, w tym zachowań naprawczych, których w ogóle nie było w demonstracjach, takich jak zmiana orientacji chwytaka po nieudanym chwycie.

• Humanoidy — prace wykonane z Flexion, z politykami opartymi na dziesiątkach godzin danych z teleoperacji humanoidów, działającymi w czasie rzeczywistym; Odyssey twierdzi, że lepiej generalizowały się one na zmiany oświetlenia niż bazowe modele vision-language-action, z którymi je testowano.

• Jazda — zamrożony backbone generujący waypointy w czasie rzeczywistym na potrzeby jazdy w zamkniętej pętli, wytrenowany na „zaledwie 20 godzinach symulowanych danych z jazdy”.

• Drony — lot wewnątrz pomieszczeń z omijaniem przeszkód na podstawie dziesiątek godzin symulowanych danych lotu, a także jakościowe rollouts z zamrożonym backbone.

• Gry wideo — przedłużone sesje w Grand Theft Auto V, z transferem do Red Dead Redemption 2 i Sleeping Dogs bez dodatkowego trenowania polityki w tych tytułach.

• Środowiska treningowe AI — generowane światy wykorzystywane jako poligony treningowe dla innych agentów, powiązane z pracą PROWL-1.

Wzorzec widoczny w tych wierszach jest właściwym twierdzeniem: nie o to, że Odyssey-3 wyróżnia się w którymkolwiek z nich, lecz o to, że jeden zestaw wag, z małym wyuczonym adapterem wyjściowym, osiąga je wszystkie. Model ogólnego przeznaczenia opisujący, jak porusza się świat, to zupełnie inny zasób niż polityka dla pojedynczego robota, i to jest powód, dla którego ten podgląd znalazł się tam, gdzie się znalazł.

Ta jedna liczba i to, czego nie dowodzi

Odyssey publikuje dokładnie jedną liczbę porównawczą dla Odyssey-3: polityki jazdy trenowane wyłącznie w symulacji, przy użyciu tych samych 20 godzin danych symulacyjnych, przejechały około 77% takiego dystansu między interwencjami kierowcy bezpieczeństwa, jaki pokonały polityki trenowane na prawdziwych nagraniach. To liczba sim-to-real i naprawdę interesująca — zamknięcie choćby części luki między jazdą trenowaną w symulacji a jazdą trenowaną na prawdziwych danych jest najtrudniejszą częścią problemu. To także jedyna liczba w tym wpisie.

Nie ma tabeli dokładności, wskaźnika sukcesu, testu porównawczego między różnymi ciałami ani porównania z innym nazwanym modelem świata w ramach wspólnej ewaluacji. Karta w stopce strony twierdzi, że Odyssey-3 podnosi „stan najnowszej techniki w fizycznej dokładności modeli świata”, ale nic na stronie nie popiera tego żadną liczbą. Odyssey podaje również nazwę partnerstwa ewaluacyjnego z Poke & Wiggle obejmującego „różne ciała, punkty widzenia i sterowanie” — i nie publikuje jeszcze żadnych jego wyników. Wszystko tutaj jest twierdzeniem dostawcy, a liczbę 77% należy odczytywać dokładnie jako takie twierdzenie, dopóki niezależny podmiot go nie powtórzy.

Co oznacza brakująca tabela benchmarków

Łatwo byłoby odczytać brak benchmarków jako sygnał ostrzegawczy. Lepiej odczytywać to jako stan dziedziny. Modele świata nie mają jeszcze odpowiednika MMLU czy GPQA — wspólnej, taniej, powszechnie zaufanej ewaluacji, względem której wszyscy raportują wyniki. Sposób, w jaki Odyssey sam ujmuje sprawę, przyznaje problem skali z drugiej strony: we wpisie stwierdzono, że czołowe modele świata pozostają „mniej więcej dwa rzędy wielkości za modelami językowymi”. Kiedy sam standard ewaluacji jest nieustalony, wpis zapowiedziowy, który zamiast tabeli wyników stawia na architekturę i rozprzestrzenianie się ucieleśnienia, opisuje granicę rozwoju uczciwie, a czytelnik powinien traktować twierdzenia jakościowe jako kierunkowe, a nie rozstrzygnięte. Warto obserwować partnerstwo z Poke & Wiggle: ewaluacja między ciałami i między punktami widzenia, z opublikowanymi liczbami, byłaby pierwszym niezależnym odczytem czegokolwiek z tego.

"W nadchodzących tygodniach" to prawdziwy nagłówek

Dla każdego, kto musi podjąć decyzję w tym kwartale, kluczowym zdaniem w ogłoszeniu jest to o dostępności. Odyssey-3 nie jest ogólnie dostępny, nie ma opublikowanej ceny, dokumentacji API ani podanej daty — tylko „nadchodzące tygodnie”. To stawia go w innej kategorii niż model, który można ocenić już dziś. Oznacza to również, że strony z porównaniami, które nieuchronnie powstaną na jego temat, są na razie porównaniami między gotowym produktem a podglądem badawczym, co jest prawdziwym rozróżnieniem, a nie formalnością: podgląd może być doskonały, a mimo to nie być czymś, co można w poniedziałek wpiąć do potoku.

Istnieje drugi powód, dla którego moment ma znaczenie. Odyssey pozyskała 310 mln USD w rundzie Series B przy wycenie 1,45 mld USD, a AWS stał się jej preferowanym dostawcą usług chmurowych — firma ma moc obliczeniową, by rozwijać czołowy model świata, a zapowiedź, która pojawia się na kilka miesięcy przed publiczną premierą, jest sposobem pokazywania tej pracy. Traktuj to ogłoszenie jako deklarację trajektorii, a nie możliwości.

Co z tym zrobić, jeśli budujesz dzisiaj

Samego Odyssey-3 nie można wywołać, a OrcaRouter go nie obsługuje — żadna warstwa routingu tego nie robi, bo nie ma jeszcze czego routować. Warto teraz zrobić jedno: podzielić decyzję na dwie części. Pierwsza część to model świata i w tym przypadku uczciwa odpowiedź brzmi: poczekać na publiczne wydanie i pierwszą niezależną ewaluację. Druga część to wszystko wokół niego: model językowy, który zamienia zadanie w coś, co może wykorzystać polityka, model wizyjny, który odczytuje scenę, model transkrypcji, który etykietuje nagraną demonstrację. Ten otaczający stos to zwykła praca routowana i jest dostępny już dziś w jednym API obejmującym ponad 200 modeli w cenie katalogowej dostawcy z 0% marży, z automatycznym przełączaniem awaryjnym, gdy dostawca zawodzi. Powód, by kierować tę warstwę już teraz, a nie później, jest taki, że to warstwa, którą nadal będziesz uruchamiać, gdy Odyssey-3 zostanie wydany, a zmiana modelu promptów to zmiana konfiguracji, natomiast przepisanie integracji już nie.

Warto też pozostawić kwestię modelu świata otwartą w najtańszy możliwy sposób. Kiedy model taki jak Odyssey-3 rzeczywiście trafia do dostawcy z routingiem, pojawia się tego samego dnia w cenie katalogowej dostawcy, więc jego wypróbowanie kosztuje jedno wywołanie API, a nie podpisanie umowy. Zbudowanie otaczającego potoku w taki sposób, aby można było wstawić nowy model, to praktyczne przygotowanie na wciąż przesuwającą się granicę.

Co zmieniłoby odczyt?

Trzy rzeczy zamieniłyby ten podgląd w ustalony fakt. Opublikowany raport techniczny z architekturą i szczegółami treningu pozwoliłby zewnętrznym grupom odtworzyć cokolwiek. Pierwszy niezależny benchmark — najlepiej praca Poke & Wiggle cross-body — zastąpiłby twierdzenie dostawcy liczbą zmierzoną przez kogoś innego. A publiczne wydanie z datą i ceną sprawiłoby, że każde porównanie z Odyssey-3 byłoby porównaniem między dwiema rzeczami, które czytelnik może faktycznie uruchomić.

Do tego czasu podsumowanie, którego da się bronić, brzmi tak: Odyssey-3 to wiarygodna deklaracja osiągnięcia naprawdę trudnej rzeczy — jeden model świata, wiele ciał, sterowanie, a nie renderowanie — z dobrze finansowanego laboratorium z dorobkiem w tej dziedzinie, przedstawiona niemal bez liczb i bez daty dostępności. Tak wygląda zapowiedź czegoś pionierskiego. Traktuj deklaracje dotyczące możliwości jako orientacyjne, architekturę jako interesującą część, a datę wydania jako jedyną informację, która zmienia Twoje plany.