Odyssey-3 vs MiniMax H3: Różnica to pobranie

3 sierpnia 2026 r. wagi modelu wideo 2K trafiły na Hugging Face pod nazwą, którą każdy może pobrać i uruchomić: MiniMax H3. Sześć tygodni później, 15 września, Odyssey opublikowało stronę badawczą o Odyssey-3 — fundamentalnym modelu świata, który steruje ramionami robotów, samochodem, dronem i trzema grami wideo — i umieściło jedno zdanie tam, gdzie powinien znaleźć się link do pobrania: zostanie udostępniony publicznie „w nadchodzących tygodniach”. Te dwa zdania to całe porównanie. Jeden z tych modeli może znaleźć się w twoim klastrze jeszcze dziś wieczorem, na twoim własnym sprzęcie, na licencji, którą możesz przeczytać. Drugiego nie da się kupić, wynająć ani pobrać przez nikogo spoza jego laboratorium, a firma nie powiedziała, kiedy to się zmieni. Ta asymetria nie jest przypisem do tego starcia. To właśnie jest to starcie.

Co tak naprawdę daje ci MiniMax H3

H3 ogłoszono 31 lipca 2026 roku, a 3 sierpnia udostępniono jego kod źródłowy. Jest to model ogólnego przeznaczenia, a nie generator wideo realizujący jedno zadanie: odczytuje tekst, obrazy, wideo i dźwięk jako kontekst, a generuje wideo o długości do 15 sekund w rozdzielczości do 2K z natywnym dźwiękiem stereofonicznym przy 32 kHz i 24 klatkach na sekundę. Obsługiwanych jest sześć formatów obrazu (od 21:9 do 9:16), a dialog jest stabilnie obsługiwany w jedenastu językach. Istnieją dwa opublikowane warianty otwartej wersji bazowej — H3-Base-FL2VA do generowania wideo z tekstu oraz na podstawie pierwszej klatki, ostatniej klatki albo pierwszej i ostatniej klatki, a także H3-Base-Ref2VA, który przyjmuje do dziewięciu obrazów, trzech klipów wideo i trzech klipów audio, z limitem dwunastu plików wejściowych.

To, co ma znaczenie dla tego porównania, to miejsce, w którym kończy się otwarta część. Pełny system H3 to trzyetapowy potok: H3-Context-IR wstępnie przetwarza i orkiestruje kontekst, H3-Base generuje w rozdzielczości 768p, a H3-Regenerate-2K podnosi wynik do 2K. Publiczne są tylko wagi H3-Base i są udostępniane na licencji MiniMax H3 Community License, a nie Apache czy MIT — licencji z warunkami, którą warto przeczytać, zanim trafi do komercyjnego potoku. Etap Context-IR i moduł regeneracji 2K działają po stronie MiniMax. Tak więc „otwarte wagi” dają tu jedynie środek potoku. Zespół, który pobierze H3-Base i uruchomi go u siebie, otrzymuje generowanie wideo w 768p i żadnej drogi do 2K bez kontaktowania się z dostawcą.

Co zamiast tego daje ci Odyssey-3

To, co zamiast tego daje Odyssey-3, to twierdzenie i zestaw demonstracji. Odyssey opisuje go jako fundamentalny model świata, a opublikowane szczegóły architektoniczne są wystarczająco konkretne, by można było je później zweryfikować: autoregresyjny transformator dyfuzyjny trenowany na dużym zbiorze wizualnych obserwacji świata, który — jak twierdzi firma — daje wyuczone rozumienie fizyki, dynamiki, związków przyczynowo-skutkowych i ludzkich zachowań. Adaptacja do zadań odbywa się przez doczepienie dekodera akcji trenowanego na parach obserwacja–akcja, podczas gdy wstępnie wytrenowany model świata pozostaje zamrożony — niewielka polityka odczytuje reprezentacje zamrożonego modelu, zamiast dostrajać sam model.

Demonstracje obejmują sześć ucieleśnień. Ramiona robotyczne po dziesiątkach godzin demonstracji, w tym zachowania naprawcze, których nie było w danych treningowych — zmiana orientacji chwytaka po nieudanym chwycie. Polityki dla humanoidów zbudowane z użyciem Flexion na podstawie dziesiątek godzin danych z teleoperacji, które zdaniem Odyssey generalizują lepiej niż bazowe modele VLA, z którymi je porównywano, choć nie podano liczby. Jazda w pętli zamkniętej nauczona na podstawie dwudziestu godzin danych symulacyjnych, prowadzona w Indiach. Lot drona w pomieszczeniach z omijaniem przeszkód na podstawie danych symulacyjnych. Środowiska gier, w tym polityki wytrenowane w Grand Theft Auto V, które przeniosły się do Red Dead Redemption 2 i Sleeping Dogs bez dodatkowego treningu w tych tytułach; około dwóch godzin nagrań z GTA wystarczyło, by wygenerować poruszanie się konno w RDR2. A także generowanie środowisk do trenowania innych systemów AI, powiązane z firmowymi pracami nad uczeniem ze wzmocnieniem w ramach PROWL.

Jedyną twardą liczbą na tej stronie jest porównanie z rzeczywistym materiałem wideo: Odyssey podaje, że polityki jazdy trenowane w symulacji przejechały między interwencjami kierowcy bezpieczeństwa około 77% dystansu, jaki pokonały polityki trenowane na rzeczywistych danych. To liczba dostawcy, nieodtworzona, bez stojącego za nią raportu technicznego, a żadna strona trzecia nie opublikowała wyniku dotyczącego Odyssey-3. To liczba, która rozstrzyga o tym, czy model świata jest użyteczny, a obecnie jest wyłącznie słowem jednej firmy.

Dwa uzależnienia, które wcale nie są do siebie podobne

Kusi, by zaszufladkować MiniMax H3 jako „ten otwarty”, a Odyssey-3 jako „ten zamknięty”, ale rzeczywistość licencyjna jest ciekawsza niż to i działa w obu kierunkach.

MiniMax H3 jest otwarty pośrodku, a zamknięty na brzegach. Możesz mieć generator, badać go, dostrajać i uruchamiać bez wywołania sieciowego. Nie możesz mieć orkiestracji kontekstu, która czyni go modelem ogólnym, ani nie możesz mieć kroku 2K. Jeśli obietnica jakości Twojego produktu zależy od rozdzielczości wyjściowej, Twoje wdrożenie z otwartymi wagami ma sufit, który podnosi tylko hostowana warstwa dostawcy.

Odyssey-3 jest zamknięty na każdej warstwie, a to, jak sama firma go przedstawia, sprawia, że jest to dziwne. Model świata adresowany do robotów, dronów i pojazdów jest adresowany do nabywców, którzy uruchamiają wnioskowanie na sprzęcie, który kontrolują — hale fabryczne, pojazdy testowe, płatowce. Ci nabywcy nie mogą używać hostowanego punktu końcowego w pętli sterowania; opóźnienia i łączność to wykluczają. Zatem model biznesowy dla takiego modelu musi obejmować wagi, inaczej nie ma klientów w segmentach, które Odyssey wciąż wymienia. Brak licencji dzisiaj to mniej deklaracja intencji, a bardziej stwierdzenie, że warunki komercyjne wciąż są spisywane. Ogłoszona w czerwcu 2026 r. runda serii B Odyssey o wartości 310 mln USD przy wycenie 1,45 mld USD, z AWS jako preferowaną chmurą i Trainium jako podłożem obliczeniowym, to kontekst, w którym te warunki zostaną ustalone.

Dimension by dimension

• Co generuje — MiniMax H3: wyrenderowany klip, 4–15 s, do 2K z dźwiękiem stereofonicznym. Odyssey-3: symulowany stan świata oraz akcje silników dla podłączonego sprzętu.

• Co możesz pobrać — MiniMax H3: wagi H3-Base, licencja społecznościowa, 768p. Odyssey-3: nic; brak wag, brak licencji, brak repozytorium.

• Co pozostaje po stronie dostawcy — MiniMax H3: H3-Context-IR i H3-Regenerate-2K, dwa moduły, które czynią go uniwersalnym i umożliwiają 2K. Odyssey-3: wszystko.

• Cena — MiniMax H3: publikowane stawki za sekundę, około 0,08 USD przy 768p i 0,13 USD przy 2K, a także 0,05 USD za sekundę ponownie wygenerowanego materiału (dane producenta). Odyssey-3: brak jakichkolwiek publikowanych danych.

• Dostępność — MiniMax H3: dostępny od 3 sierpnia 2026, można go wywoływać już teraz. Odyssey-3: ogłoszony 15 września 2026, „w nadchodzących tygodniach”, bez daty.

• Dowody od podmiotów trzecich — MiniMax H3: zajmuje pierwsze miejsce w edycji wideo, a drugie lub trzecie w generowaniu wideo na podstawie tekstu i obrazu w ocenach podmiotów trzecich. Odyssey-3: jedna wartość podana przez producenta i brak jakichkolwiek zewnętrznych testów.

Jeśli w tym miesiącu musisz coś zbudować

Praktyczna konsekwencja jest taka, że tylko jedna z tych dwóch jest decyzją, na podstawie której możesz działać. MiniMax H3 jest kierowany w OrcaRouter jako minimax/minimax-h3 w cenie katalogowej dostawcy, z 0% marży — więc stawka dostawcy to stawka, którą płacisz, a gdy MiniMax zmienia jakąś liczbę, Twój rachunek zmienia się wraz z nią tego samego dnia, a nie przy odnowieniu. Ma to większe znaczenie w przypadku modelu wideo rozliczanego za sekundę niż w większości przypadków, ponieważ rozpiętość między 768p a 2K wynosi prawie dwa do jednego, a różnica między prototypem a premierą może być różnicą między tymi dwoma poziomami.

Jest jeszcze drugi powód, by sięgnąć tu po router zamiast bezpośredniej integracji z dostawcą. Otwarta część H3 jest naprawdę przydatna sama w sobie, a zespoły, które najprawdopodobniej się tym zainteresują, to te, które mają GPU i wyrobione zdanie na ich temat. Te zespoły trafiają do mieszanej konfiguracji: self-hosted H3-Base do zadań masowych, hostowana ścieżka do regeneracji 2K oraz jeden lub dwa inne modele do tego, czego pipeline potrzebuje wokół wideo. Jeden klucz i automatyczne przełączanie awaryjne między dostawcami jest w takim układzie warte więcej niż w stosie z jednym modelem, a DSL routingu składa otaczające modele — model promptów, model obrazu dla klatki początkowej, model wideo — w jedno wywołanie zamiast trzech integracji.

Odyssey-3, mówiąc wprost, nie jest routowany przez OrcaRouter ani przez nikogo innego. Nie ma endpointu, do którego można by go routować, ani ceny, którą można by przekazać. Ten artykuł nie twierdzi inaczej.

Pytanie warte zadania obu dostawcom

MiniMax już odpowiedział na ciekawe pytanie dotyczące H3, a odpowiedź brzmi: „środek, przy 768p, w ramach naszej licencji”. Jeśli oceniasz H3, rzeczą do przetestowania jest to, czy otwarta baza plus własna infrastruktura bije hostowaną ścieżkę 2K pod względem kosztu na użyteczną sekundę — i przetestuj to, zanim oprzesz twierdzenie produktowe na wyniku 2K.

Odyssey nie odpowiedziało jeszcze w sprawie swojej wersji. Gdy okno wydania się zamknie, pierwszym pytaniem nie jest benchmark, lecz licencja: które z tych sześciu ucieleśnień jest wspieranym wdrożeniem, na czyim sprzęcie, w jakiej cenie oraz czy dekoder akcji, który sprawia, że zamrożony model świata steruje ramieniem robota, jest czymś, co trenuje klient, czy czymś, co dostarcza Odyssey. Model świata, który za pomocą jednego backbone'u dociera do ramion robotów, humanoidów, samochodów, dronów i trzech gier, jest twierdzeniem o ogólności, a ogólność jest tym, co czyni go modelem fundamentalnym, a nie polityką — i właśnie dlatego warunki handlowe, a nie materiał demonstracyjny, zdecydują, kto będzie mógł z niego korzystać.

Do tego czasu uczciwa tablica wyników wygląda tak: jeden model, który możesz pobrać, jeden model, który możesz obserwować. Najpierw zwracaj uwagę na repozytorium i licencję, a dopiero potem na benchmark — w tej kolejności, bo bez tych dwóch pierwszych trzeci jest nie do zweryfikowania.

Umieść cały pipeline za jednym kluczem API z automatycznym przełączaniem awaryjnym zamiast trzech oddzielnych integracji.