Odyssey-3 kontra Luma Ray 3.2: Świat, do którego wchodzisz, czy plik do obróbki

Luma Ray 3.2 robi coś, czego prawie nic innego w generowaniu wideo nie robi: daje ci 10-, 12- i 16-bitowe klatki HDR w standardzie ACES2065-1 EXR, który jest formatem, jakiego kolorysta naprawdę pragnie, i powodem, dla którego model istnieje w obecnej formie. Odyssey-3 robi coś, czego żaden model wideo nie robi w ogóle: przyjmuje akcję jako dane wejściowe i przewiduje, co świat zrobi dalej, a następnie przekształca tę prognozę w polecenia sterujące dla ramienia robota, humanoida, samochodu lub drona. Luma Ray 3.2, wydany przez Luma AI 9 czerwca 2026 r., to narzędzie generatywne z pogranicza finishingu z API dla programistów. Odyssey-3, zapowiedziany przez Odyssey 15 września 2026 r., to nieopublikowany fundamentalny model świata bez ceny i bez daty. Porównywanie ich to mniej konkurs, a bardziej sposób na zadanie pytania, którego z dwóch bardzo różnych wyników twój pipeline naprawdę potrzebuje — skorygowanej klatki czy świata, który reaguje na sterowanie.

Ray 3.2 jest zbudowany wokół efektu

Wydanie Ray 3.2 zwraca uwagę nie tyle jakością generowania, ile tym, gdzie się zatrzymuje. Generuje w 540p, 720p i 1080p, w 5- lub 10-sekundowych klipach, w sześciu proporcjach obrazu obejmujących pion, kwadrat i panoramę, a także przyjmuje tekst, klatkę początkową, klatkę końcową lub istniejące wideo do modyfikacji. Ścieżka HDR jest tym, co wyróżnia, i wiąże się z realnymi ograniczeniami, które warto podać dokładnie: 10-, 12- i 16-bitowe wyjście HDR w ACES2065-1 EXR jest dostępne tylko w 720p i 1080p oraz tylko dla 5-sekundowych klipów. Eksport EXR jest dostępny tylko po włączeniu HDR. Standardowe wyjście to MP4. Bezszwowe zapętlanie dotyczy 5-sekundowych klipów. Do 16 klatek kluczowych na klip daje kontrolę na poziomie ujęcia, bliższą animacji niż promptowaniu, a śledzenie mimiki twarzy obejmuje do ośmiu twarzy.

Dwa inne fakty kształtują decyzję zakupową. Ray 3.2 to pierwszy model w rodzinie Ray z pełnym API dla deweloperów — wcześniejsze modele Ray były dostępne wyłącznie w subskrypcji — podzielony na rozliczany za użycie poziom Build oraz poziom Scale z zarezerwowaną przepustowością i umową SLA. Nie generuje też zsynchronizowanego dźwięku do zadań text-to-video ani image-to-video; dźwięk występuje tylko w ścieżkach modify i reframe. Luma przeprowadziła własną ocenę, twierdząc, że dorównuje Google Veo 3 i wyprzedza kilku rywali, ale to porównania prowadzone przez dostawcę, bez opublikowanych wyników liczbowych, i należy je odczytywać jako pozycjonowanie, a nie pomiar.

Odyssey-3 jest zbudowany wokół kontrolera

Centrum projektowe Odyssey-3 znajduje się na przeciwnym końcu potoku. Jest to autoregresyjny transformator dyfuzyjny trenowany na wizualnej obserwacji świata, a jego wyróżniającym elementem jest wyuczony dekoder akcji — jak ujmuje to Odyssey, „wyuczony komponent wyjściowy dołączony do modelu świata”, który przekłada wewnętrzną reprezentację modelu na działania wymagane przez dany sprzęt. Odyssey donosi, że ten sam backbone steruje ramionami robotów na podstawie dziesiątek godzin demonstracji, w czasie rzeczywistym napędza polityki humanoidalne zbudowane przy użyciu Flexion, generuje punkty trasy jazdy w pętli zamkniętej na podstawie zamrożonego backbone'u wytrenowanego na 20 godzinach danych symulowanych, lata dronami w pomieszczeniach wokół przeszkód oraz gra w Grand Theft Auto V z przeniesieniem do Red Dead Redemption 2 i Sleeping Dogs bez dodatkowego trenowania polityki w nich.

Jedyną porównawczą liczbą, jaką opublikowało Odyssey, jest to, że polityki jazdy trenowane w symulacji pokonywały między interwencjami kierowcy bezpieczeństwa około 77% dystansu, jaki pokonywały polityki trenowane na prawdziwych nagraniach. Nie ma tabeli benchmarków, raportu technicznego Odyssey-3, niezależnej oceny ani daty dostępności poza „najbliższymi tygodniami”. To zapowiedź, a nie ma ceny, bo nie można jej kupić.

Kontrast, wymiar po wymiarze

• Co powstaje na wyjściu — Luma Ray 3.2: MP4 oraz 10/12/16-bitowe pliki EXR ACES2065-1, gdy HDR jest włączony. Odyssey-3: symulowany stan świata oraz akcje motoryczne.

• Limit formatu — Luma Ray 3.2: ACES2065-1 EXR w 720p i 1080p, tylko klipy 5-sekundowe. Odyssey-3: to nie format pliku; wynik to stopniowe wdrażanie.

• Rozdzielczość i długość — Luma Ray 3.2: do 1080p, 5 s lub 10 s (10 s tylko w trybie tekst-na-wideo). Odyssey-3: ciągły, w dowolnym tempie wymaganym przez wdrożenie.

• Audio — Luma Ray 3.2: brak dla T2V/I2V; zachowywane przy modyfikacji i zmianie kadru. Odyssey-3: brak; nie jest generatorem multimediów.

• Cena — Luma Ray 3.2: za wideo, według rozdzielczości, zakresu dynamicznego i czasu trwania, przy czym eksport w HDR i EXR zwielokrotnia koszt klipu; cenniki zewnętrzne podają klip 5 s w 720p na około 0,30 USD, a w 1080p na około 1,20 USD. Odyssey-3: niepublikowane.

• Dostępność — Luma Ray 3.2: wydanie 2026-06-09, poziomy API Build i Scale. Odyssey-3: wersja zapoznawcza, „w nadchodzących tygodniach”.

Produkt kontra środowisko

Powód, dla którego to zestawienie jest pouczające, a nie arbitralne, jest taki, że oba modele kończą w różnych miejscach. Ray 3.2 kończy na pliku, który trafia do coloristy, compositora lub studia finishingowego — ścieżka EXR istnieje właśnie po to, aby wygenerowany obraz mógł przetrwać grading, compositing i ponowny grading bez rozpadania się. To decyzja dotycząca workflow i dlatego Ray 3.2 konkuruje bardziej bezpośrednio z narzędziami do postprodukcji niż z innymi generatorami.

Odyssey-3 w ogóle nie kończy się w sensie pliku. Jego wynikiem jest symulowany stan, który wciąż działa, a jego odbiorcą jest program. Testem tego, czy zadziałało, nie jest to, czy klatki wyglądają dobrze, lecz to, czy polityka wytrenowana w nim przenosi się na sprzęt. To różne kryteria sukcesu mierzone przez różnych ludzi, a żadna ilość rozdzielczości po żadnej ze stron nie czyni ich porównywalnymi.

Miejscem, w którym mogłyby się spotkać, jest ścieżka od prewizualizacji do finishingu. Model świata to naturalne narzędzie do interaktywnego eksplorowania przestrzeni — zmienianie ruchu kamery, ponowne rozstawianie sceny, natychmiastowe widzenie konsekwencji, czego dokładnie nie potrafi zrobić stały wygenerowany klip. Model taki jak Ray 3.2 to naturalne narzędzie do przekształcania wybranego wyniku w coś, co można dostarczyć w HDR. Dziś ta ścieżka ma dziurę w środku, ponieważ Odyssey-3 nie jest dostępny i nie tworzy żadnego formatu pliku, który konsumuje pipeline finishingowy.

Omijanie ich obu

Ani Luma Ray 3.2, ani Odyssey-3 nie są obsługiwane przez OrcaRouter, a ten artykuł nie twierdzi, że którykolwiek z nich jest obsługiwany. Warto zauważyć, jak duża część takiego pipeline'u to ani jeden, ani drugi z tych modeli. Model promptów, który tworzy wstępny opis ujęcia, model wizyjny, który sprawdza klatkę pod kątem zgodności z briefem, model transkrypcji, który odzyskuje dialog ze ścieżki referencyjnej — te działają nieustannie, za ułamek kosztu przypadającego na klip w modelu wideo, i to właśnie te elementy psują się o niewygodnych godzinach. Uruchamianie ich przez jedno API obejmujące ponad 200 modeli w cenie katalogowej dostawcy z 0% marży utrzymuje tę warstwę na jednym kluczu i jednym rachunku, a automatyczny failover oznacza, że zdegradowany endpoint promptów przekierowuje ruch, zamiast blokować kolejkę za nim. Gdy dostawca obniża cenę modelu wideo, pass-through oznacza, że ta obniżka obowiązuje tutaj tego samego dnia — ale dla modeli, które faktycznie obsługujemy, a dziś nie ma wśród nich żadnego z tych dwóch.

Na co warto czekać w przypadku każdego

Ray 3.2 jest już dostępny, a powód, by go wybrać, jest konkretny: jeśli Twój materiał wynikowy przechodzi przez pipeline kolorów, ścieżka ACES2065-1 EXR to możliwość, której większość generatorów po prostu nie oferuje, a ograniczenia rozdzielczości i czasu trwania — pułap 1080p, 5-sekundowe klipy dla HDR, brak natywnego dźwięku — są ceną wejścia. Jeśli potrzebujesz zsynchronizowanego dźwięku, to niewłaściwy model i powinieneś rozejrzeć się za takim, który go generuje.

Odyssey-3 warto obejrzeć z jednego powodu i nie jest to żaden z wymiarów Ray 3.2. Jeśli jeden zestaw wag naprawdę napędza ramiona, humanoidy, samochód, drona i trzy gry, każda na podstawie kilkudziesięciu godzin danych, to jest to twierdzenie o ogólności, jakiego nie składa żaden renderer, i to twierdzenie z największym potencjałem w obecnej dziedzinie. Problem w tym, że dowody na nie, dzisiaj, to własna rolka demonstracyjna Odyssey i jedna liczba z symulacji przeniesionej do rzeczywistości. Tym, co zmieniłoby odbiór, nie jest lepsze demo — lecz cena, data i jedna liczba zmierzona przez kogoś, kto tam nie pracuje.