PAN 2 vs Odyssey 3: Jedyny model świata z ceną, który publikuje również swój najgorszy wynik

Dwa twierdzenia o rozumowaniu fizycznym, opublikowane w odstępie trzech tygodni, a różnica między nimi nie tkwi w wyniku. PAN 2 to model świata o otwartych wagach i 29 miliardach parametrów od Institute of Foundation Models — wagi na licencji Apache-2.0 7 października 2026, kod 5 listopada, wsparcie Day-0 dla vLLM-Omni 10 listopada — który renderuje do dwudziestu sekund wideo 704×1248 przy 24 klatkach na sekundę na podstawie klatki początkowej i opisanego działania. Odyssey 3 to autoregresyjny transformator dyfuzyjny o około 14 miliardach parametrów od Odyssey, udostępniony jako bezpłatny podgląd badawczy 8 października 2026 w cenie około 0,139 USD za wygenerowane wideo w warstwie podstawowej i 0,267 USD w Pro. Jeden to możliwy do pobrania checkpoint bez ceny. Drugi to produkt rozliczany za użycie, bez wag. A powód, dla którego to zestawienie zasługuje na artykuł, a nie akapit, jest taki, że płatny produkt opublikował zastrzeżenie dotyczące benchmarku, które większość laboratoriów wolałaby ukryć, podczas gdy darmowy nie został zbenchmarkowany przez nikogo w ogóle.

Ta inwersja jest właśnie tym, co użyteczne. Naturalnym odruchem jest odczytywać „open weights” jako „większą przejrzystość”, a „komercyjne API” jako „więcej marketingu”. Tutaj jest odwrotnie, a zrozumienie dlaczego mówi ci więcej o ocenie modeli świata w 2026 roku niż jakakolwiek pozycja w rankingu.

Co opublikowała Odyssey, w tym część, która kosztuje ją punkt

Odyssey 3 Pro odnotował wynik 66,1 w Physics-IQ Verified, benchmarku rozumowania fizycznego wideo-do-wideo, i określił go jako state of the art. Najciekawszy jest jednak sposób uzyskania tej liczby: pochodzi ona z pojedynczego przebiegu z selekcją best-of-eight, podczas gdy zasady samego benchmarku wymagają czterech przebiegów z podanym odchyleniem standardowym. Bez selekcji średnia z czterech przebiegów wyniosła 63,37.

Obie liczby należą do Odyssey. Różnica 2,73 punktu między nimi to cena wyboru najlepszej z ośmiu próbek i nazwania jej wynikiem, a fakt, że obie liczby są publicznie dostępne, oznacza większą przejrzystość, niż zwykle oferuje ta kategoria. Według własnej miary benchmarku dotyczącej poprawy netto względem średniej ścieżki Odyssey 3 Pro zajmuje drugie miejsce z wynikiem +11,15 punktu procentowego, za FLUX 3 [large] z +12,27. W WorldMark, własnej ocenie Odyssey, zajmuje pierwsze miejsce w trzech z czterech kategorii — 77,2 w kategorii stylizowanej pierwszej osoby, 79,0 w kategorii rzeczywistej trzeciej osoby, 76,3 w kategorii stylizowanej trzeciej osoby — a trzecie w kategorii rzeczywistej pierwszej osoby z 80,6, za Lyra 2.0 z 84,4 i AlayaWorld z 83,0.

Odczytaj te liczby tak, jak powinien je odczytać kupujący, a wynikają z tego trzy rzeczy. Po pierwsze, model jest naprawdę konkurencyjny: drugie miejsce według własnej miary poprawy stosowanej w benchmarku nie jest zabiegiem marketingowym. Po drugie, nie wygrywa w kategorii, w której jest reklamowany, a jego własna ocena mówi o tym w jednym z czterech torów. Po trzecie i najbardziej użytecznie, gotowość dostawcy do publikowania obok siebie wybranej liczby i niewybranej średniej jest sygnałem, jak czytać wszystko inne, co publikują.

Teraz spójrzmy przez ten sam pryzmat na PAN 2. IFM opublikował znacznie więcej ewaluacji niż większość wydań modeli wideo — 300 przypadków pojedynczych akcji w sześciu kategoriach możliwości; 100 egocentrycznych zadań wieloetapowych sformułowanych na dwa sposoby, 200 promptów i 456 kroków, ocenianych pod kątem ukończenia kroków i ukończenia całego planu w trzech ziarnach losowych; Physics-IQ Verified w trybie obraz-na-wideo, znormalizowany tak, aby wariancja między dwoma rzeczywistymi ujęciami wynosiła 100; PhyGround w pięciopunktowej skali ocenianej przez Qwen3.8-27B; RBench jako nieważoną średnią po pięciu kategoriach zadań i czterech kategoriach ucieleśnienia; oraz ślepe badanie porównawcze parami z udziałem ludzi na 140 promptach, w którym trzynastu recenzentów wykonało 1400 porównań, z Elo dopasowanym metodą Bradleya–Terry’ego i wyśrodkowanym na 1500. Tym, czego IFM nie opublikował, jest zastrzeżenie dotyczące selekcji, ponieważ — o ile widać na karcie — nie było z czego wybierać: liczby są podawane jako wynik działania harnessu.

Oba są niezaudytowane. Tylko jeden z nich można porównać z czymkolwiek innym, ponieważ Odyssey przeprowadził publiczny benchmark, a kluczowe dane PAN 2 pochodzą z prywatnego harnessu. Ta różnica — benchmark kontra harness — jest warta więcej niż same wyniki.

Dwa produkty, dwa rodzaje tarcia

Cena to obszar, w którym porównanie najłatwiej wyrazić słowami, a najtrudniej przełożyć je na działanie.

• Cena jednostkowa — Odyssey 3 to około 0,139 USD za wygenerowane wideo przy 832×480 w planie podstawowym i około 0,267 USD przy 1280×720 w planie Pro; PAN 2 nie ma ceny jednostkowej, ponieważ nie ma usługi hostowanej — tylko wagi i rachunek za GPU.

• Prawdziwy koszt — cena Odyssey 3 to całkowity koszt jednego klipu; w przypadku PAN 2 to koszt maszyny: trzynaście sekund wideo 704×1248 zajmuje około 119 sekund na czterech B300, a udokumentowana konfiguracja domyślna to osiem H200 w BF16.

• Bariera dostępu — Odyssey 3 ma darmowe demo w przeglądarce, które każdy może otworzyć, oraz dostęp do API przez formularz kontaktowy, bez samoobsługowych kluczy i bez opublikowanego cennika; PAN 2 to 86,17 gigabajta w sześćdziesięciu plikach na licencji Apache-2.0, bez ograniczeń dostępu, bez konieczności rozmowy.

• Wagi — Odyssey 3 nie publikuje żadnych wag i nie ma licencji na ich odczyt; wagi PAN 2 są objęte licencją Apache-2.0 bez wymogu atrybucji, bez progu liczby użytkowników i bez ograniczeń dotyczących dziedziny zastosowania.

• Szybkość w środowisku testowym — Odyssey 3 działa z szybkością 16 klatek na sekundę przy 832×480, zredukowany do kilku kroków, dzięki czemu użytkownik może sterować w czasie rzeczywistym; PAN 2 działa z szybkością 24 klatek na sekundę w pięćdziesięciu krokach próbkowania przy guidance 2.5.

Połącz te pięć wersów, a okaże się, że oba produkty są skierowane do różnych nabywców. Odyssey 3 jest wyceniony dla kogoś, kto chce klipów i nie chce posiadać centrum danych — zespołu contentowego, grupy badawczej wykonującej kilka tysięcy generacji, każdego, czyja ekonomika jednostkowa rozlicza się za wynik. PAN 2 jest wyceniony dla kogoś, kto już ma węzeł, ponieważ dla wszystkich pozostałych to, że licencja jest darmowa, jest w nim najmniej ważne.

Brakująca liczba po obu stronach jest ta sama i nie jest to cena. Żaden z dostawców nie publikuje wskaźnika sukcesu dla tego, na czym kupującym naprawdę zależy. Odyssey uruchomił politykę jazdy, ramię robota i humanoida w swoich wygenerowanych światach, a szczegóły tych demonstracji warto uważnie przeczytać — ale liczby, której potrzebuje kupujący, nie ma w żadnej z nich: brak wskaźnika sukcesu w zadaniu jazdy, brak punktu odniesienia wobec treningu w rzeczywistym świecie, brak ablacji pokazującej, która część wygenerowanego świata wykonała pracę.

Analogiczna liczba w PAN 2 jest gorsza i podana publicznie. W jej karcie modelu napisano, że około dwie trzecie symulowanych planów zawiera co najmniej jeden krok, który nie jest wykonywany. To druzgocąca liczba dla każdego, kto ma nadzieję przekazać wynik robotowi, a zarazem najbardziej użyteczne zdanie w obu tych publikacjach, ponieważ mówi, jaki jest wskaźnik awaryjności tego, na czym zamierzasz budować. Dostawca, który publikuje wskaźnik awaryjności na poziomie dwóch trzecich, i dostawca, który nie publikuje żadnego wskaźnika, nie dostarczają równie wielu informacji, a ten z złą liczbą to ten, wokół którego można planować.

Co faktycznie generuje każdy z nich i dlaczego różnica ma charakter architektoniczny

Odyssey 3 to autoregresyjny transformator dyfuzyjny o około 14 miliardach parametrów, wytrenowany na wideo z internetu, nagraniach z rozgrywki z synchronizowanym czasowo wejściem oraz symulowanych oddziaływaniach ciał sztywnych, a następnie destylowany do modelu kilkukrokowego, dzięki czemu można poruszać się po jego wynikach w czasie rzeczywistym: opisujesz środowisko promptem, poruszasz się po nim w pierwszej lub trzeciej osobie z niezależną kontrolą kamery i wyzwalasz zdarzenia w trakcie. Poziomy różnią się tylko tym, co można zobaczyć — 832×480 w wariancie podstawowym za około 0,139 USD za wideo i 1280×720 w Pro za około 0,267 USD — a wariant Flash stoi za darmowym demo w przeglądarce, które każdy może otworzyć bez konta.

PAN 2 to renderer wsadowy z modelem językowym w środku. Rozumujący konceptualnie model zapisuje następny stan świata jako ustrukturyzowany, osadzony w czasie opis, zamrożony enkoder tekstowy Qwen3.5-9B przekształca go w cechy warunkujące, transformer dyfuzyjny 29B uzupełnia szczegóły percepcyjne, a VAE Wan 2.2 dekoduje dwadzieścia sekund materiału 704×1248 przy 24 klatkach na sekundę. Nie ma pętli interaktywnej: jedno wywołanie, jeden klip, żadnej informacji zwrotnej w ramach wywołania. Zamiast tego jest kontrakt — umiejętność przepisywania promptów, stały prompt negatywny i walidator, który sprawdza opisy względem budżetu enkodera wynoszącego 1 480 tokenów w trybie miękkim i 1 536 w trybie twardym, przy czym karta modelu przyznaje, że studia przypadków agenta opierały się na ręcznie dopracowanych promptach.

Ta różnica decyduje o tym, do czego każde z nich się nadaje, znacznie bardziej niż cena. Odyssey 3 jest zbudowany dla osoby znajdującej się w danym środowisku: wygeneruj, rozejrzyj się, dostosuj, wygeneruj ponownie. PAN 2 jest zbudowany dla maszyny zadającej pytanie: jeśli zrobię to, co się stanie, i czy weryfikator wolałby inną opcję. Samplery kodują intencję — osiem destylowanych kroków w jednym przypadku, pięćdziesiąt kroków z guidance na poziomie 2,5 na każdym kroku w drugim — i podobnie robi to porażka, którą każde z nich dokumentuje.

Demonstracji żadna z firm nie przekształciła w pomiar

Oba wydania opierają się na materiałach wideo pokazujących, jak polityka uczy się wewnątrz wygenerowanego świata, a żadne z nich nie opublikowało liczby, która nadałaby tym dowodom należytą wagę.

Odyssey wytrenowało politykę jazdy na około 20 godzinach danych z rzeczywistych indyjskich dróg, z zamrożonym backbone'em wewnątrz swoich generowanych światów, a osobno pokazało manipulację ramieniem robota nauczoną z dziesiątek godzin demonstracji, w tym zachowania związane z odzyskiwaniem kontroli, których nie było w danych treningowych, polityki humanoidalne zbudowane z użyciem Flexion, nawigację dronów oraz politykę wytrenowaną w GTA V przenoszącą się do Red Dead Redemption 2. Transfer między grami jest najsilniejszym argumentem za ogólnym modelem świata wideo jako podłożem treningowym, ponieważ jeśli polityka może uczyć się z nagrań z jednej gry i działać w innej, model uchwycił coś na temat dynamiki, a nie pikseli. Brakuje natomiast jakiegokolwiek opublikowanego wskaźnika sukcesu w zadaniu indyjskich dróg, jakiegokolwiek punktu odniesienia względem treningu w rzeczywistym świecie oraz jakiejkolwiek ablacji pokazującej, która część wygenerowanego świata wykonała tę pracę.

PAN 2 nie ma tego rodzaju pokazu polityki, ale ma coś, czego Odyssey nie ma: opublikowany wskaźnik awaryjności. Około dwie na trzy symulowane plany zawierają co najmniej jeden krok, który nie jest realizowany. W jego karcie przyznano również, że symulowanie planów, które powinny się nie powieść, nie jest — jak to ujęto — jeszcze mierzone; ma to znaczenie dla podłoża treningowego, ponieważ świat, który renderuje wyłącznie sukces, uczy politykę, że wszystko działa.

Zestaw te dwa przyznania obok siebie, a luka w kategorii staje się widoczna. Jedna firma wykazała transfer i nie zmierzyła niezawodności. Druga zmierzyła tryb awarii i nie wykazała transferu. Żadne z nich nie jest badaniem, którego potrzebuje kupujący, czyli badaniem obejmującym oba modele w jednym zadaniu, z jedną polityką i jedną metryką, przeprowadzonym wystarczająco wiele razy, aby odchylenie standardowe było mniejsze niż luka.

Ile czasu, a nie pieniędzy, kosztują cię ścieżki dostępu

Barierą w Odyssey 3 jest rozmowa. W przeglądarce dostępny jest bezpłatny publiczny podgląd badawczy, dostęp do API odbywa się przez formularz kontaktowy, nie ma kluczy samoobsługowych, nie publikuje się cennika za token ani za klip poza kwotami dla poszczególnych poziomów, nie ma otwartych wag ani licencji do przeczytania. Dla zespołu, który chce dziś po południu przetestować model na własnym obciążeniu, jest to przeszkoda innego rodzaju niż cena: można wypróbować demo i porozmawiać z działem sprzedaży, ale żadna z tych możliwości nie daje odtwarzalnego stanowiska testowego.

Źródłem tarcia w PAN 2 jest maszyna. Wagi to 86,17 gigabajta w sześćdziesięciu plikach na licencji Apache-2.0, bez ograniczeń dostępu, bez konieczności rozmowy — a potem odkrywasz, że udokumentowana konfiguracja serwowania to jeden węzeł, że sampler potrzebuje stu przebiegów w przód na klip i że dwudziestosekundowy klip 704×1248 jest osobnym problemem dekodowania, zanim w ogóle zacznie się rozmawiać o równoległości. Licencja jest darmowa, a sprzęt nie, co jest tym samym kompromisem, na który decyduje się cała kategoria modeli o otwartych wagach, i tym, w którym kupujący najczęściej się mylą.

Żadne z tych tarć nie jest wadą. To dwa kształty, jakie w 2026 roku przybiera publikacja badawcza: produkt z ceną i formą albo checkpoint z licencją i rachunkiem. Świadomość, który kształt jesteś w stanie przyswoić, to użyteczniejszy filtr niż jakakolwiek pozycja w rankingu — i właśnie ten filtr większość zespołów stosuje na końcu, zamiast na początku.

Do czego służy każdy z nich: produkt 16 fps i model badawczy 24 fps

Obie firmy używają sformułowania „w czasie rzeczywistym”, ale żadna nie ma na myśli tej samej wielkości. Odyssey 3 przy 16 klatkach na sekundę to 62,5 milisekundy na klatkę — wystarczająco szybko, aby osoba sterująca kamerą nie odczuwała opóźnienia; tego potrzebuje produkt i dlatego model jest destylowany do kilku kroków, a nie pięćdziesięciu. Dwadzieścia sekund PAN 2 przy 24 klatkach na sekundę wcale nie jest interaktywne; to render wsadowy, którego koszt mierzy się w minutach węzłowych, a jego celem jest wyprodukowanie klipu, który następnie przegląda agent lub badacz.

Konsekwencja dla każdego, kto planuje pracę, jest taka, że oba można wykorzystać w różnych pętlach. Odyssey 3 pasuje do workflow z człowiekiem w pętli: generuj, oglądaj, koryguj, generuj ponownie — w cenie wystarczająco niskiej, by iterowanie było tanie. PAN 2 pasuje do pętli zautomatyzowanej: wygeneruj pięć kandydujących konsekwencji, oceń je za pomocą checkera, zadziałaj na najlepszej — w cenie wystarczająco wysokiej, by pomyśleć, zanim uruchomisz całą partię. Jeden optymalizuje opóźnienie na klip, drugi wierność na klip, a ustawienia samplera czynią ten kompromis jawnym — pięćdziesiąt kroków z guidance 2,5 na każdym kroku to sto przejść forward przez transformer 29B, w porównaniu z ośmioma destylowanymi krokami przez model klasy 8–14B.

Istnieje również strukturalna różnica w tym, do czego można wykorzystać dane wyjściowe. Wygenerowane światy Odyssey 3 wytrenowały politykę jazdy i ramię robota, co jest najsilniejszym publicznym dowodem, że ogólny model świata wideo może służyć jako substrat treningowy do sterowania ucieleśnionego. Dane wyjściowe PAN 2 tego nie zrobiły, a jego karta wprost stwierdza, że symulowanie planów, które powinny zawieść, nie jest jeszcze mierzone — co ma znaczenie, ponieważ substrat treningowy, który pokazuje wyłącznie sukcesy, uczy politykę, że wszystko działa. Demonstracje Odyssey 3 również tego nie rozstrzygają: polityka wytrenowana w wygenerowanych światach, której nigdy nie oceniono względem rzeczywistego punktu odniesienia, jest obiecującym wynikiem, a nie zwalidowaną metodą.

To, gdzie OrcaRouter wpisuje się w oba z nich, to warstwa ewaluacji, a nie warstwa generacji, i warto to ująć precyzyjnie. Ani PAN 2, ani Odyssey 3 nie znajdują się w naszym katalogu: jeden to 29-miliardowy model dyfuzyjny uruchamiany na własnym węźle, drugi to hostowany produkt sprzedawany przez formularz kontaktowy, i żaden router nie może obsłużyć żadnego z nich. Routować można natomiast otaczającą je infrastrukturę, która w obu przypadkach jest miejscem, gdzie kumulują się realne wydatki — sędzia wizyjno-językowy oceniający wygenerowane klipy według rubryki, planista zamieniający pytanie badawcze w partię promptów, autor opisów tworzący ustrukturyzowane opisy stanu świata, które enkoder tekstowy PAN 2 konsumuje w ramach budżetu 1480 tokenów miękkiego i 1536 twardego. To tysiące zwykłych wywołań modelu, którego każdy wynik kosztuje cię minutę GPU — i dokładnie taki profil obciążenia sprawia, że jeden klucz obejmujący ponad 200 modeli, cena katalogowa dostawcy przekazywana z 0% marży oraz automatyczne przełączanie awaryjne między dostawcami przestaje być udogodnieniem, a staje się różnicą między partią, która się kończy, a taką, która pada przy 80%.

Jak odczytać kolejny z nich

Trzy pytania, po kolei, i żadne z nich nie brzmi „ile to zdobyło punktów”.

Czy liczba pochodzi z publicznego benchmarku, czy z prywatnego zestawu testowego? Średnią Odyssey’ego 63,37 z czterech przebiegów można porównać z innymi wpisami na tej samej ścieżce. Liczb PAN 2 dotyczących ukończonych kroków nie można z niczym porównać, ponieważ nikt inny nie uruchamia tego zestawu testowego. Oba są zasadne; tylko jeden jest przenośny.

Czy wynik został wybrany? Najlepszy z ośmiu i średnia z czterech przebiegów mierzą różne rzeczy, a dostawca, który publikuje oba, powiedział ci, który podać. Dostawca, który publikuje tylko pierwszy, też ci coś powiedział.

Jaki jest odsetek niepowodzeń w zadaniu, na którym ci zależy? PAN 2 odpowiada na to tak: dwa z trzech planów pomijają krok. Odyssey nie odpowiada na to w przypadku eksperymentu na indyjskich drogach. Ten brak nie jest nieuczciwością — nikt nie przeprowadził badania — ale kupujący, który nie pyta, kupuje demo.

W odniesieniu do wyboru, przed którym stoisz: Odyssey 3 to przystępne narzędzie. Darmowe demo w przeglądarce, formularz kontaktowy, cena za klip, którą można mnożyć, oraz wynik benchmarku z udokumentowaną metodologią za nim. Jeśli w tym tygodniu musisz wypróbować modele świata, a Twój budżet jest rozliczany za klip, to jedyny z tych dwóch, od którego możesz zacząć, a zastrzeżenie jest takie, że „przystępne” oznacza rozmowę sprzedażową, a nie klucz.

PAN 2 to audytowalne narzędzie. Wagi, kod, przepis serwowania, kontrakt opisów z budżetem tokenów, bariera zabezpieczająca z dołączonymi odsetkami fałszywych alarmów — 11,5% nieszkodliwych żądań text-to-video i 3,3% nieszkodliwych żądań image-to-video zostało odrzuconych, a niebezpieczne wyniki text-to-video spadły z 33,9% do 1,5% — oraz sekcja ograniczeń, która zaczyna się od wskaźnika awaryjności. Jeśli masz sprzęt i musisz wiedzieć, jak to działa, a nie tylko że działa, to znacznie bardziej kompletne wydanie w tej kategorii.

Rozstrzygnąć to porównanie mogłoby badanie, którego nie przeprowadziła żadna z firm: oba modele, jedno zadanie, jedna polityka, jedna metryka, wystarczająco wiele przebiegów, by odchylenie standardowe było mniejsze niż różnica. Nikt go nie zaproponował. Dopóki ktoś tego nie zrobi, trafne podsumowanie jest takie, że płatny model opublikował lepiej udokumentowaną liczbę, a darmowy opublikował gorszą, i to darmowy model można sprawdzić.