Odyssey-3 vs Grok Imagine Video: Uma API de Vídeo Tarifada Contra um Simulador sem Preço

O Grok Imagine Video vem com uma tabela de preços e nenhuma forma de direcioná-lo. O Odyssey-3, que a Odyssey abriu como prévia pública de pesquisa em 8 de outubro de 2026, vem com uma forma de direcioná-lo e nenhuma tabela de preços. Essa assimetria, e não qualquer linha de benchmark, é a verdadeira forma deste confronto: a xAI vende vídeo gerado por segundo, com uma tarifa publicada para cada resolução, enquanto o Odyssey-3 chega como um modelo de mundo interativo que você pode controlar em um navegador e ainda não pode comprar. Um deles você pode colocar em um produto hoje à tarde. O outro, você só pode avaliar.

Eles também discordam sobre para que serve a geração de vídeo, e a discordância aparece nas páginas dos fornecedores. A documentação do G​rok Imagine Video começa com frames de referência, frames fixados, fala com sincronia labial e referências de voz — o vocabulário do controle de produção. A principal proposta do Odyssey-3 é um ambiente que prevê o que acontece em seguida conforme você se move por ele ou aciona um evento. Ambos são geradores baseados em difusão que emitem vídeo. Além dessa frase, não há sobreposição.

O que cada um é

Odyssey-3 é um transformer de difusão autorregressivo. A Odyssey o descreve como um modelo de difusão de vídeo de múltiplas etapas, estendido de forma autorregressiva com teacher forcing e mascaramento causal, de modo que continua a partir de observações anteriores e prevê estados futuros condicionados a entradas de ação, e depois é destilado por meio de correspondência de distribuição e destilação adversarial em uma variante de poucas etapas capaz de interação em tempo real. Ele roda em 832×480, com o Odyssey-3 Pro em 1280×720, e a prévia pública expõe navegação em primeira pessoa, navegação em terceira pessoa e movimento de câmera independente. Não há áudio.

G​rok Imagine Video é o modelo de vídeo da x​AI na Imagine API. A geração atual é o G​rok Imagine Video 1.5, que as notas de versão da x​AI registram como compatível com texto para vídeo, imagem para vídeo e referência para vídeo, com vozes predefinidas opcionais e 1080p nativo para os dois primeiros — com texto para vídeo implementado internamente como texto para imagem seguido de imagem para vídeo. Ele aceita até catorze imagens de referência e três referências de voz, oferece suporte a quadros fixados e fala com sincronização labial, e é cobrado por segundo de saída gerada. O grok-imagine-video anterior, ainda documentado e ainda com preço, fica em US$ 0,05 por segundo em 480p e US$ 0,07 em 720p, com vídeo de entrada cobrado a US$ 0,01 por segundo e imagens de entrada a US$ 0,002.

A tabela de tarifas, que é a parte em torno da qual você pode realmente planejar.

• Preço — O G​rok Imagine Video é cobrado por segundo: $0,05/s em 480p e $0,07/s em 720p no modelo original, e o G​rok Imagine Video 1.5 a partir de $0,08/s em 480p, 720p e 1080p. O G​rok Imagine Video 1.5 Lite começa em $0,02/s para até 1080p e quinze segundos. O Odyssey-3 não tem preço publicado; seus únicos números de custo públicos são as estimativas normalizadas do leaderboard de $0,139 por vídeo gerado para o Odyssey-3 e $0,267 para o Odyssey-3 Pro.

• Um clipe de dez segundos, calculado — US$ 0,50 em 480p ou US$ 0,70 em 720p no Grok Imagine Video; US$ 0,80 no Grok Imagine Video 1.5; US$ 0,20 no nível Lite. O Odyssey-3 não pode ser precificado dessa forma, porque você não pode comprar dez segundos dele.

• Resolução — G​rok Imagine Video 1.5 entrega 1080p nativo para texto para vídeo e imagem para vídeo. O Odyssey-3 chega no máximo a 1280×720 no nível Pro.

• Duração — G​rok Imagine Video 1.5 Lite chega a quinze segundos. A unidade do Odyssey-3 não é um clipe; é uma sessão, limitada por quanto tempo a prévia mantém suas previsões coerentes.

• Áudio — G​rok Imagine Video gera fala com sincronização labial e aceita referências de voz. O Odyssey-3 não gera nenhuma.

• Controle — imagens de referência, quadros fixados, primeiro e último quadro, e referências de voz, tudo especificado antes da geração. Em contraste com a navegação ao vivo e com eventos no meio da geração durante a geração. O do Grok é autoria; o do Odyssey-3 é interação.

• Disponibilidade — uma chave de API de autoatendimento hoje para o G​rok Imagine Video. Um formulário de contato e uma prévia no navegador para o Odyssey-3.

Onde a física os coloca

Physics-IQ Verified, o benchmark da Anates Labs e do DeepMind que pontua continuações de experimentos físicos reais, atualmente classifica 41 modelos, e ambos estão nele — o que o torna a única superfície de terceiros onde os dois podem ser comparados de alguma forma.

• Grok Imagine Video — 13.º lugar, líquido de −4,04 pp face à média da trilha, nos prompts do benchmark, 24 fps, custo normalizado de US$ 0,352 por vídeo.

• Odyssey-3 — na 8ª posição no mesmo conjunto de prompts, com +2,15 pp e US$ 0,129, e na 3ª posição em prompts personalizados, com +9,99 pp.

A diferença não é pequena, e não é um artefato de resolução: o ranking normaliza o custo para 24 fps e saída com 1280 de largura onde as entradas permitem, e lista o regime de prompt para cada linha. Uma pontuação negativa de melhoria líquida não é uma afirmação de que o G​rok Imagine Video gera vídeos ruins — claramente não gera, e está em produção a um preço que o torna fácil de usar. É uma afirmação de que, na tarefa específica de continuar corretamente um experimento físico, ele tem um desempenho pior do que o modelo médio nesse ranking, enquanto o Odyssey-3 tem um desempenho melhor do que o modelo médio nesse ranking por duas vezes, sob dois regimes de prompt diferentes.

A própria alegação de destaque do Odyssey-3 é ainda mais forte: 66,1 na categoria de vídeo para vídeo do Odyssey-3 Pro, a pontuação mais alta que a Odyssey relata, além de 54,7 para o mesmo nível em imagem para vídeo. Esses valores vêm da publicação da Odyssey, e não de uma execução independente, e devem ser interpretados dessa forma.

A coisa que a lista de preços não cobre

Há uma diferença de categoria escondida por trás das tarifas por segundo que vale a pena nomear, porque é ela que decide qual destes você quer.

O modelo de cobrança do G​rok Imagine Video — dólares por segundo de saída — é uma promessa sobre throughput. Cada dólar compra uma quantidade fixa de vídeo finalizado, e a única questão é se quinze segundos em 1080p com sincronização labial valem US$ 1,20. Para uma unidade de anúncio, um template de rede social, um pipeline de marketing, essa é uma excelente pergunta com uma resposta clara, e o plano Lite a US$ 0,02/s faz com que a resposta seja fácil na maioria das vezes.

O Odyssey-3 não é cobrado dessa forma e não pode ser, porque a sua produção não é uma quantidade fixa. Um ambiente interativo é consumido pelo tempo que alguém permanece dentro dele e por quantas vezes muda de ideia, e isso torna o modelo por segundo sem sentido. Quando a Odyssey publicar um preço — e não há qualquer sinal de quando — terá de ser um preço por sessão, um preço de computação, ou algo diferente que ainda não foi inventado para esta categoria. Isso não é um argumento contra o Odyssey-3. É a razão pela qual uma comparação de desenvolvedores entre estes dois é atualmente impossível de concluir.

Alcançando o medido hoje

G​rok Imagine Video é a API própria da x​AI, e o OrcaRouter não o hospeda. O Odyssey-3 não está em nenhuma plataforma hospedada que possamos verificar, e não há tarifa publicada para que alguém possa rotear, mesmo que estivesse.

O que uma única chave OrcaRouter alcança é o resto do stack de vídeo e de modelos em torno do qual você construiria esta comparação: MiniMax-H3 a $0,08 por segundo de saída em 768P, a linha de vídeo K​ling e mais de 200 modelos atrás de um único endpoint pelo preço de tabela do provedor, com 0% de markup — assim, quando um laboratório reduz uma tarifa por segundo, a mudança já vale para o seu uso no mesmo dia, e não na sua próxima renovação de contrato. O failover automático entre provedores evita que um lote que mistura vários modelos de vídeo falhe por causa de uma hora ruim de um upstream, e a DSL de roteamento permite colocar um modelo de vídeo hospedado e um modelo de texto ou visão atrás de uma única interface, que é exatamente o que um pipeline que gera e depois avalia precisa. Nem o Odyssey-3 nem o G​rok Imagine Video estão nesse catálogo hoje.

Qual você quer

Se você precisa de saída de vídeo com som, em 1080p, a um preço que você consegue colocar numa planilha, e precisa disso esta semana, o G​rok Imagine Video é uma resposta que funciona e o Odyssey-3 não é candidato — ele não tem áudio, tem um teto de resolução mais baixo e não há como comprá-lo.

Se você está construindo algo que precise prever o que acontece depois de uma ação — uma política, um laço de controle, um ambiente de treinamento — a lista de preços é irrelevante, e o quadro de física não é. O Odyssey-3 está sendo avaliado exatamente nessa capacidade e está perto do topo do quadro; o G​rok Imagine Video, excelente em produzir uma tomada finalizada, está abaixo da média da trilha no mesmo teste. Perguntas diferentes, e as respostas não se sobrepõem.