Odyssey-3 vs Runway Gen-4.5: Dwa zakłady na te same dwa słowa

Ciekawe w zestawieniu Odyssey-3 z Runway Gen-4.5 jest to, że obie firmy zgadzają się co do celu, a nie zgadzają się co do drogi. Obie twierdzą, że celem jest ogólny model świata — wyuczony system, który symuluje rzeczywistość wystarczająco dobrze, by był użyteczny. Stanowisko Runway, przedstawione wprost przez CTO tej firmy, jest takie, że dochodzi się do tego, budując najpierw bardzo dobry model wideo, ponieważ nauczenie sieci bezpośredniego przewidywania pikseli to najbardziej obiecująca droga do ogólnej symulacji. Stanowisko Odyssey, widoczne w każdym wyborze architektonicznym opublikowanym na temat Odyssey-3, jest takie, że piksele są produktem ubocznym, a istotą jest dynamika. Gen-4.5 to najmocniejszy obecny wyraz pierwszego zakładu. Odyssey-3, ogłoszony 15 września 2026 r. i zapowiedziany do publicznego wydania „w nadchodzących tygodniach”, to drugi zakład przedstawiony jako pełny model. Czytane obok siebie, nie są tak naprawdę konkurentami — to dwie odpowiedzi na to samo pytanie, a pytanie brzmi, czy droga do modelu świata prowadzi przez rendering.

Zakład Runway: zdobyć model świata poprzez rendering

Runway nie doszedł do ujęcia modelu świata późno ani przez przypadek. Udostępnia model, który określa mianem ogólnego modelu świata — GWM-1, opisywany jako zbudowany do symulacji rzeczywistości w czasie rzeczywistym, interaktywny i sterowalny — i traktuje go jako warstwę ponad swoimi modelami wideo, a nie ich zamiennik. Argumentacja ma strukturę drabiny: ten sam sygnał treningowy, który sprawia, że model dobrze utrzymuje spójność sceny przez dziesięć sekund, jest sygnałem, który uczy go, jak obiekty trwają, jak zachowuje się światło, jak kontynuowany jest ruch. Osiągnij wystarczającą biegłość w pikselach, a ogólna symulacja wyniknie z tego sama.

Gen-4.5 to obecny szczebel. Ogłoszony 1 grudnia 2025 r. i udostępniony płacącym subskrybentom od 12 grudnia, to model tekst-na-wideo i obraz-na-wideo o cechach, na których Runway zbudował swoją reputację: jakość ruchu, wierność promptom, spójność postaci i obiektów oraz kontrola kamery. Jego ograniczenia są przedstawiane równie jasno jak jego mocne strony. Klipy trwają od dwóch do dziesięciu sekund — dziesięć to maksimum, a nie wartość domyślna. Materiał wyjściowy ma 720p przy 24 lub 25 klatkach na sekundę i sześć proporcji obrazu. Nie ma ścieżki audio ani storyboardowania wieloujęciowego; sekwencję składa się z osobnych generacji. To renderer — i to bardzo dobry — a to dokładnie teza, której jego spółka-matka potrzebuje.

Ile kosztuje Gen-4.5 i jak zbudowana jest struktura cen?

Runway wycenia Gen-4.5 na 12 kredytów za sekundę wygenerowanego wideo. Kredyty sprzedają się po jednym cencie każdy, więc robocza stawka to 0,12 USD za sekundę: pięciosekundowy klip kosztuje 0,60 USD, a dziesięciosekundowy 1,20 USD. Opcje wyjściowe wiążą się z dopłatami w API — sekwencje ProRes lub PNG dodają pięć kredytów za sekundę, a HDR dodaje dwadzieścia za sekundę, rosnąc do czterdziestu powyżej około czterech megapikseli. To są ceny katalogowe dostawcy, a rozrzut ma większe znaczenie niż nagłówek: dziesięciosekundowy klip HDR kosztuje ponad trzy razy więcej niż zwykły, więc model kosztów oparty na 0,12 USD/s jest błędny w momencie, gdy HDR wchodzi do specyfikacji dostarczanego materiału.

Dwa szczegóły strukturalne warto znać, zanim zaplanujesz budżet. Kredyty API i kredyty subskrypcji aplikacji to osobne salda — plan Standard, Pro lub Max nie pokrywa generacji przez API — a API działa asynchronicznie, więc zadanie jest zlecane i odpytywane, a nie zwracane w tej samej odpowiedzi. Żadna z tych rzeczy nie jest zarzutem; obie są czymś, co zespoły odkrywają po zdecydowaniu się na integrację. API obsługuje także modele wideo firm trzecich obok własnych modeli Runway, co oznacza, że jeden klucz Runway może dawać dostęp do więcej niż tylko katalog Runway, jeśli tego chcesz.

Zakład Odyssey: najważniejsze to nie zdjęcie

Odyssey-3 jest opisywany przez swojego twórcę jako fundamentalny model świata, który może zasilać roboty, kierować samochodami, trenować SI, pilotować drony i grać w gry wideo. Architektonicznie jest to autoregresyjny transformator dyfuzyjny wytrenowany na dużym zbiorze obserwacji wizualnych, a Odyssey twierdzi, że wynik ten zawiera wyuczone rozumienie fizyki, dynamiki, przyczyny i skutku oraz ludzkich zachowań. Szczegół, który zdradza ten zakład, dotyczy sposobu adaptowania zadań: zamiast dostrajać model, Odyssey dołącza dekoder akcji wytrenowany na parach obserwacja–akcja i przez cały czas utrzymuje wstępnie wytrenowany model świata w stanie zamrożonym. Niewielka polityka odczytuje wewnętrzną reprezentację zamrożonego modelu i zamienia ją na polecenia ruchowe.

Ten projekt ma sens tylko wtedy, gdy wierzy się, że zasobem jest reprezentacja — a nie wyrenderowana klatka. Demonstracje potwierdzają to w sześciu wcieleniach, wszystkie zgłoszone przez dostawców. Ramiona robotów na podstawie dziesiątek godzin demonstracji, w tym zachowania naprawcze, których nikt nie umieścił w danych, takie jak przekierowanie chwytaka po nieudanym chwycie. Polityki humanoidalne zbudowane przy użyciu Flexion z dziesiątek godzin danych teleoperacyjnych, które według Odyssey generalizują lepiej niż testowane przez nią bazowe modele VLA, bez publikowania liczb. Jazda w zamkniętej pętli w Indiach na podstawie dwudziestu godzin danych symulowanych. Lot dronem w pomieszczeniach na podstawie danych symulowanych. Polityki z Grand Theft Auto V, które przeniosły się do Red Dead Redemption 2 i Sleeping Dogs bez dodatkowego treningu w tych tytułach — około dwóch godzin materiału z GTA wystarczyło do ruchu konnego w RDR2. Oraz generowanie środowisk do trenowania innych AI, powiązane z pracą Odyssey nad uczeniem ze wzmocnieniem PROWL.

Opublikowano jedną liczbę. Odyssey podaje, że polityki jazdy trenowane w symulacji przejeżdżały między interwencjami kierowcy bezpieczeństwa około 77% takiego dystansu, jaki przejeżdżały polityki trenowane na prawdziwych nagraniach. Żadne twierdzenie z powyższego akapitu nie zostało odtworzone, nie istnieje raport techniczny i żadna strona trzecia nie uruchomiła tego modelu. Szeroki zakres obejmujący sześć ucieleśnień to interesujące twierdzenie; brak tabeli benchmarkowej jest powodem, by podchodzić do niego z rezerwą.

Gdzie dwa zakłady stają się testowalne

Spór o strategię jest użyteczny tylko wtedy, gdy prowadzi do przewidywania — a ten prowadzi. Jeśli Runway ma rację — jeśli wierność renderowania jest drogą — to jakość fizyki modelu wideo powinna poprawiać się w funkcji tego, jak dobry jest on w wideo, a dwa rankingi powinny zmieniać się razem. Jeśli Odyssey ma rację, powinny istnieć przypadki, w których model renderujący pięknie jest bezużyteczny, a model renderujący prymitywnie jest użyteczny, ponieważ użyteczną właściwością jest to, czy następny stan jest wystarczająco przewidywalny, by kontroler mógł na nim działać.

Jest już wskazówka, w którą stronę to się przechyla, i nie schlebia to żadnej ze stron. Sama lista słabości Gen-4.5 sporządzona przez Runway — wśród nich fizyka — przypomina, że renderer jest zoptymalizowany, by przekonać widza, a widz wybacza w sposób, w jaki pętla sterowania nie wybacza. Tymczasem jedyna opublikowana liczba Odyssey, 77% wydajności jazdy na prawdziwych nagraniach, jest stratą względem rzeczywistych danych, a nie wygraną. Żadna z firm nie twierdzi, że droga została ukończona. Różnica polega na tym, co każda z nich mierzy.

Punktem, w którym zakłady naprawdę się rozchodzą, jest ucieleśnienie. Nic w projekcie ani cenniku Gen-4.5 nie przewiduje przestrzeni akcji; jest to funkcja z tekstu lub obrazu do klipu. Nic w materiałach Odyssey-3 nie przewiduje pliku do dostarczenia; jest to funkcja ze stanu świata i akcji na następny stan świata. To różne produkty dla różnych nabywców, a żaden postęp po którejkolwiek ze stron nie zamieni jednego w drugie, ponieważ tym, co je różni, jest interfejs.

Obok siebie

• Co to jest — Runway Gen-4.5: renderer tekstu na wideo i obrazu na wideo. Odyssey-3: model świata, który przewiduje kolejne stany i emituje działania motoryczne.

• Jak nim sterujesz — Runway Gen-4.5: prompt lub obraz statyczny, przez asynchroniczne API. Odyssey-3: dekoder akcji plus niewielka polityka odczytująca zamrożony szkielet.

• Wynik — Runway Gen-4.5: klipy 2–10 s, 720p, 24/25 fps, sześć proporcji obrazu, bez dźwięku. Odyssey-3: brak wyrenderowanego materiału wynikowego; symulowane stany w sześciu ucieleśnieniach.

• Cena — Runway Gen-4.5: 12 kredytów na sekundę, 0,12 USD/sekundę, plus 5 kredytów/sekundę za ProRes lub PNG i 20 za HDR (lista dostawców). Odyssey-3: nieopublikowany, bez ogłoszonych warunków handlowych.

• Dojrzałość — Runway Gen-4.5: na rynku od grudnia 2025 r., z ugruntowanym API i materiałami od podmiotów trzecich. Odyssey-3: ogłoszony 15 września 2026 r., publiczna premiera „w nadchodzących tygodniach”.

• Dowody — Runway Gen-4.5: osiem miesięcy publicznych wyników. Odyssey-3: jedna wartość od dostawcy, brak niezależnych testów.

Żadne z tych nie znajduje się w naszym kluczu, i to jest szczera wersja.

OrcaRouter nie routuje żadnego z tych modeli, a ten tekst nie będzie udawał, że jest inaczej: Runway Gen-4.5 jest udostępniany przez własne API Runway, a Odyssey-3 nie ma w ogóle endpointu. To, na co perspektywa routingu faktycznie się przydaje w takim porównaniu, to otaczający je pipeline. Realistyczny workflow z Gen-4.5 to nie jeden model — to model promptów, który rozbudowuje brief, model obrazu, który generuje pierwszą klatkę, sam model wideo oraz coś dalszego, co ocenia lub opisuje wynik. Złożenie ich w jedno wywołanie przez DSL routingu, na jednym kluczu, w cenie katalogowej dostawcy z 0% marży, to ta część stacku, którą OrcaRouter może dziś faktycznie zdjąć ci z głowy. Automatyczne przełączanie awaryjne ma tu znaczenie z przyziemnego powodu: asynchroniczne API wideo odpytują, kolejki się zapychają, a pipeline, który utknie na jednym zdegradowanym endpoincie, utknie na całej drodze do gotowego rezultatu.

Kiedy Odyssey-3 faktycznie zostanie wydany, kwestia routingu będzie inna i trudniejsza. Model, którego atutem jest to, że działa na sprzęcie, który posiadasz, wcale nie jest oczywistym kandydatem do routingu, a interesującym pytaniem dla routera będzie to, co go otacza — narzędzia sim-to-real, trenowanie polityk, ewaluacja — a nie samo wywołanie modelu.

To, kto ma rację, to pytanie na 2027 rok.

Jeśli w tym kwartale potrzebujesz wideo, odpowiedzią jest Gen-4.5 i nie ma nad czym się zastanawiać: ma ustaloną cenę, dokumentację i osiem miesięcy publicznego użytkowania, a przy cenie $0.12 za sekundę koszt sprawdzenia, czy pasuje do Twojej pracy, jest niewielki. Zaplanuj budżet na dopłaty oraz na oddzielne saldo środków API, a dziesięciosekundowy limit traktuj jako twarde ograniczenie projektowe, a nie liczbę, którą obejdziesz.

Jeśli budujesz kontroler — cokolwiek, gdzie wyuczony model musi mówić sprzętowi, co ma robić dalej — Gen-4.5 nie wchodzi w grę za żadną cenę, a Odyssey-3 jest tym, który jest skierowany na twój problem, bez możliwości jego uzyskania. Konkretny powód, by się tym przejmować, to wynik z zamrożonym backbone: jeśli jeden wstępnie wytrenowany model może sterować ramionami, humanoidami, samochodem, dronem i trzema grami poprzez mały dekoder, to jest stwierdzenie o tym, jak dużo fizycznego zrozumienia się przenosi, i to jest twierdzenie, które uczyniłoby modele świata warstwą fundamentalną, a nie polityką dla pojedynczego zadania. Konkretny powód, by czekać, jest taki, że nikt poza Odyssey go nie uruchomił.

Na co warto patrzeć, po kolei: raport techniczny, potem licencja, potem strona trzecia odtwarzająca wynik 77% na własnym sprzęcie. Droga Runway i droga Odyssey obie kończą się na ogólnym modelu świata. Tylko jedna z nich ma obecnie punkt poboru opłat, do którego można podejść.

Kieruj modelem promptowym, modelem obrazów i modelem wideo przez jeden punkt końcowy z automatycznym przełączaniem awaryjnym zamiast trzech integracji.