Kling 4.0 vs Odyssey-3: Um clipe e um mundo não são substitutos

Peça ao Kling 4.0 uma lanchonete às 2 da manhã e você recebe um filme de 30 segundos de uma lanchonete às 2 da manhã — o mesmo filme, quadro a quadro, toda vez que executar o mesmo prompt. Peça ao Odyssey-3 uma lanchonete às 2 da manhã e você recebe uma lanchonete na qual pode entrar, dar uma volta por dentro e derrubar uma xícara de café do balcão, com o modelo prevendo o que acontece a seguir com base no que você acabou de fazer, e não no que digitou. Esses são produtos diferentes usando o mesmo rótulo de categoria, e a comparação só se torna útil quando você para de perguntar qual gera vídeo melhor e começa a perguntar qual deles produz o artefato de que seu projeto precisa.

Isso não é uma esquiva. É o motivo pelo qual esta comparação merece uma página: pesquise por ela e você encontrará listas que os classificam um contra o outro por resolução e preço, o que é como classificar uma câmera contra um simulador de voo por taxa de quadros. Os números são reais, a classificação não significa nada, e a decisão por trás dela é uma que você realmente pode tomar.

O que cada um produz, precisamente

Kling 4.0 é um modelo generativo de vídeo da Kuaishou, disponível para todos desde 15 de outubro de 2026. Ele faz texto para vídeo, imagem para vídeo, primeiro e último quadro, múltiplos quadros-chave, referência omni e edição direcionada, produzindo clipes de 3 a 30 segundos em 720p, 1080p ou 4K, com áudio estéreo de dois canais e sincronização labial multilíngue.

Odyssey-3 é um modelo de mundo da Odyssey — um transformer de difusão autorregressivo, com 14 bilhões de parâmetros na configuração base, criado para gerar um ambiente a partir de um prompt e então continuar prevendo-o em tempo real enquanto alguém navega por ele. Sua prévia pública de pesquisa foi aberta em 8 de outubro de 2026, e uma demonstração gratuita no navegador executa uma variante mais leve, o Odyssey-3 Flash. Há dois níveis publicados: Odyssey-3 em 832×480 e Odyssey-3 Pro em 1280×720.

A palavra "vídeo" aparece em ambas as descrições e significa uma coisa diferente em cada uma. Uma gera um arquivo. A outra gera um sistema que você controla.

Por que a interatividade muda aquilo em que o modelo precisa ser bom

Um gerador de clipes é avaliado por como uma sequência fixa se parece: composição, iluminação, movimento, se as mãos têm cinco dedos. Ele pode gastar todo o seu orçamento computacional em tornar uma única trajetória bela, porque há apenas uma trajetória.

Um modelo de mundo é julgado pelo que acontece depois que você interfere. A descrição da arquitetura da Odyssey descreve um transformer de difusão de vídeo em múltiplas etapas, estendido de forma autorregressiva por meio de teacher forcing e mascaramento causal, com um pipeline de pós-treinamento que combina correspondência de distribuição e destilação adversarial em uma variante de poucos passos. A difusão fornece fidelidade, a autorregressão fornece a capacidade de sobreviver a uma sequência de ações, e a destilação fornece a velocidade de processamento. Todos os três são essenciais, e todos os três são o relato da empresa sobre seu próprio sistema.

Essa diferença aparece no benchmark que a Odyssey escolheu. O Physics-IQ Verified, conduzido pela Anates Labs com o DeepMind, mostra aos modelos filmagens de experimentos físicos reais — fluidos, óptica, mecânica dos sólidos, magnetismo, termodinâmica — e avalia a continuação em relação ao que de fato aconteceu. É um benchmark difícil de burlar, porque o gabarito é o mundo físico. Atualmente, ele classifica 41 modelos de 16 laboratórios.

Os números da física, com as ressalvas anexadas

• Odyssey-3 Pro — 66,1 na trilha de vídeo para vídeo do Physics-IQ Verified, a maior pontuação bruta que a Odyssey relata. Esse é um valor de melhor de 8 de uma única execução; a média de quatro execuções sem seleção é 63,37.

• Melhoria líquida em relação à média da pista — FLUX 3 [large] lidera com +12,27 pontos percentuais, Odyssey-3 Pro vem em segundo com +11,15, Odyssey-3 em terceiro com +9,99.

• Custo normalizado por vídeo gerado — Odyssey-3 Pro US$ 0,267, Odyssey-3 US$ 0,139, em comparação com FLUX 3 [large] a US$ 0,868 e Seedance 2.5 a US$ 2,838. Os custos são normalizados para 24 fps e saída de 1280 de largura quando o ranking permite.

• WorldMark — Odyssey-3 fica em primeiro lugar em três de quatro divisões. A divisão que não vence é ambientes reais em primeira pessoa, na qual fica em terceiro com 80,6, atrás de Lyra 2.0 com 84,4 e AlayaWorld com 83,0. Esta é uma avaliação de fornecedor executada no conjunto de dados de outra pessoa, com as legendas do próprio benchmark, e não uma arena de terceiros.

• Independência — nenhuma. Todos os números acima são autodeclarados. Nenhum avaliador externo executou o Odyssey-3 em um harness que não tenha escolhido.

Leia a segunda linha duas vezes. Na métrica que ajusta pela dificuldade da pista, o Odyssey-3 Pro não está em primeiro — um gerador de vídeo de uso geral está. A manchete da empresa é a pontuação bruta; o resumo preferido do painel o coloca em segundo. Ambas as coisas são verdadeiras, e a diferença é o tipo de coisa que um post de lançamento omite.

A evidência a favor do Kling 4.0 é mais escassa, não melhor.

A Kuaishou não publicou nenhum benchmark próprio para o Kling 4.0, e o modelo está ausente dos rankings de vídeo da Artificial Analysis em 23 de outubro. Isso não é um resultado ruim — é nenhum resultado. O que existe é uma especificação, uma nota de lançamento e uma semana de impressões práticas de pessoas com acesso ao aplicativo, o que é uma base probatória mais fraca do que as pontuações autodeclaradas da Odyssey e completamente diferente.

A especificação é genuinamente forte, e é forte de maneiras que importam para resultados autorais em vez de para simulação:

• Duração — 3 a 30 segundos em uma única passagem, com a extensão para até 2 minutos listada como em breve. A prévia do Odyssey gera um ambiente contínuo, não um clipe com duração fixa.

• Resolução — 720p, 1080p e 4K, com HDR de 10 bits nos dois níveis superiores marcado como em breve. O Odyssey-3 Pro é 1280×720 no topo da sua faixa, e o nível básico é 832×480.

• Controle — até 10 imagens de keyframe e um orçamento de 15 referências dividido entre imagens, segundos de vídeo, voz e elementos. É a superfície de controle de um diretor: você especifica o que acontece e quando.

• Áudio — estéreo de dois canais com sincronização labial em nove idiomas e sotaques nomeados. A prévia da Odyssey não tem saída de áudio comparável porque você não está assistindo a uma cena finalizada.

• Acesso — o produto de consumo já está disponível; a API começou a ser aberta para clientes empresariais e desenvolvedores em 21 de outubro, com a tabela de preços para desenvolvedores ainda indicando o modelo como Em breve e listando apenas tarifas de prévia.

Custo por resultado, não custo por segundo

As duas unidades de preço não se convertem, e é por isso que as tabelas comparativas ficam erradas. A tarifa de pré-visualização do Kling 4.0 é de US$ 0,157 por segundo em 720p e de US$ 0,235 em 1080p, sem tarifa publicada para 4K. A entrada da Odyssey na tabela de classificação é de US$ 0,139 ou US$ 0,267 por vídeo gerado, normalizada para comparação entre modelos com taxas de quadros diferentes.

Se você quer uma tomada de 30 segundos em 1080p, o Kling 4.0 na tarifa de prévia custa cerca de US$ 7,05, supondo que a tarifa sobreviva ao lançamento. Se você quer dez minutos de ambiente explorável em 720p, o valor por vídeo do Odyssey não lhe diz nada, porque um "vídeo" nessa coluna é uma amostra de benchmark, não uma sessão. A afirmação honesta é que um produto tem uma tarifa por segundo e o outro tem uma prévia de pesquisa sem qualquer tabela de preços. Orçamentos não se comparam através dessa lacuna.

O problema de acesso é simétrico, e essa é a história prática

Nenhum dos modelos é uma chamada pronta para uso. Kling 4.0 está sendo disponibilizado em etapas, com preços de prévia; Odyssey-3 é uma prévia de pesquisa com um formulário de contato para acesso à API, sem documentação de limites de taxa e sem pesos.

Para uma equipe que avalia os dois, a medida útil é manter o harness de avaliação independente do SDK de qualquer um dos fornecedores. O OrcaRouter não hospeda nenhum dos dois modelos — não há rota Odyssey, nem identificador Kling 4.0 no catálogo —, mas o trabalho em torno deles é tráfego de API comum: a etapa de expansão de prompt que transforma a descrição de uma cena em algo que um modelo de vídeo consiga usar, a lista de planos, a legendagem, a etapa de pontuação que decide quais de oito amostras manter. Esses processos rodam em um único endpoint compatível com OpenAI, em mais de 200 modelos, pelo preço de tabela do fornecedor e com 0% de markup, e o failover automático significa que uma varredura de avaliação não morre porque um upstream está com problemas naquele momento. Quando qualquer um dos modelos abrir uma API self-serve, o harness já estará no formato certo.

Os modelos que você pode chamar hoje são a geração anterior em ambos os lados. O Kling 3.0 está no OrcaRouter a US$ 0,084 por solicitação. A Odyssey não tem predecessor roteável. Vale notar essa assimetria: em uma categoria na qual o modelo interessante costuma ser o indisponível, o fallback do lado do Kling é pelo menos um endpoint real.

Quem deveria, na verdade, escolher qual

Escolha Kling 4.0 se o entregável for uma tomada finalizada: um anúncio, uma sequência de videoclipe, um filme de produto, qualquer coisa em que alguém vá avaliar o enquadramento e o som e depois exportar. A passagem única de 30 segundos, os 10 quadros-chave e o áudio estéreo são todos voltados para essa tarefa, e nenhum modelo de mundo os substitui.

Escolha Odyssey-3 se o entregável for um ambiente no qual alguém atua por dentro: dados de treinamento para robótica, prototipagem espacial, uma demonstração com cara de jogo, uma avaliação de agentes corporificados. Os resultados do Physics-IQ, a navegação em primeira e terceira pessoa e os relatos do fornecedor sobre políticas de robôs sendo transferidas para fora de um backbone congelado são o tipo certo de evidência para essa tarefa, desde que você se lembre de que são do fornecedor.

Escolha nenhum dos dois se o que você precisa é de um endpoint repetível e faturável ainda este mês. Ambos estão em meio à implantação, um não tem preço definido e o outro tem uma tarifa de pré-visualização, e construir um caminho de produção sobre qualquer um deles hoje é apostar num cronograma de lançamento que você não controla.

O que resolveria isso não é um benchmark que ambos os modelos possam fazer. É um teste de fluxo de trabalho: pegue uma cena, gere-a como um plano autoral de 20 segundos no Kling 4.0, depois reconstrua o mesmo local no Odyssey-3 e tente encenar a mesma ação conduzindo a câmera. Se a versão interativa não conseguir manter a composição de que você precisa, o modelo de mundo é a ferramenta errada, independentemente da pontuação de física dele. Se a versão autoral não sobreviver a uma mudança de ponto de vista, o gerador de clipes é a ferramenta errada. Esse experimento custa uma tarde e lhe diz mais do que qualquer Elo de qualquer um dos lados.