PAN 2 против Odyssey 3: единственная здесь модель мира с ценником также публикует свой худший показатель

Два утверждения о физическом рассуждении, опубликованные с интервалом в три недели, и разница между ними не в баллах. PAN 2 — это модель мира с открытыми весами на 29 млрд параметров от Institute of Foundation Models — веса под Apache-2.0 с 7 октября 2026 года, код с 5 ноября, поддержка vLLM-Omni с первого дня (Day-0) с 10 ноября, — которая генерирует до двадцати секунд видео 704×1248 с частотой 24 кадра в секунду на основе начального кадра и описанного действия. Odyssey 3 — это авторегрессионный диффузионный трансформер примерно на 14 млрд параметров от Odyssey, выпущенный как бесплатный исследовательский предпросмотр 8 октября 2026 года по цене около $0,139 за сгенерированное видео на базовом тарифе и $0,267 на Pro. Один — скачиваемый чекпойнт без цены. Другой — тарифицируемый продукт без весов. И причина, по которой эта пара заслуживает статьи, а не абзаца, в том, что платный продукт опубликовал оговорку к бенчмарку, которую большинство лабораторий предпочло бы замолчать, тогда как бесплатный продукт вообще никто не тестировал на бенчмарках.

Полезная часть — именно эта инверсия. Инстинктивно хочется воспринимать «открытые веса» как «большую прозрачность», а «коммерческий API» — как «больше маркетинга». Здесь всё наоборот, и понимание почему даёт для оценки моделей мира в 2026 году больше, чем любое место в лидерборде.

Что опубликовал Odyssey, включая ту часть, которая стоит ему одного очка

Odyssey 3 Pro сообщил о результате 66.1 в Physics-IQ Verified — бенчмарке физического рассуждения видео-в-видео — и назвал его передовым. Интересен метод, стоящий за этой цифрой: результат получен за один запуск с выбором лучшего из восьми, тогда как собственные правила бенчмарка требуют четырех запусков с указанием стандартного отклонения. Без отбора среднее по четырем запускам составило 63.37.

Оба показателя принадлежат Odyssey. Разрыв в 2,73 пункта между ними — это плата за выбор лучшего из восьми образцов и называние его итоговой оценкой, а то, что оба числа находятся в открытом доступе, — это большая прозрачность, чем обычно предлагает эта категория. По собственной метрике бенчмарка — чистому улучшению относительно среднего по треку — Odyssey 3 Pro занимает второе место с +11,15 процентного пункта, уступая FLUX 3 [large] с +12,27. На WorldMark, собственной оценке Odyssey, он первый в трёх из четырёх категорий — 77,2 в стилизованном от первого лица, 79,0 в реальном от третьего лица, 76,3 в стилизованном от третьего лица — и третий в реальном от первого лица с 80,6, уступая Lyra 2.0 с 84,4 и AlayaWorld с 83,0.

Если читать эти цифры так, как должен читать покупатель, следуют три вывода. Во-первых, модель действительно конкурентоспособна: второе место по собственной метрике улучшения в бенчмарке — не маркетинговый артефакт. Во-вторых, она не выигрывает в категории, в которой позиционируется, и её собственная оценка говорит об этом в одном из четырёх треков. В-третьих, и это самое полезное, готовность поставщика публиковать выбранный показатель и невыбранное среднее бок о бок — сигнал о том, как читать всё остальное, что они публикуют.

Теперь посмотрим через ту же оптику на PAN 2. IFM опубликовала заметно больше оценок, чем большинство релизов видеомоделей, — 300 одношаговых кейсов в шести категориях возможностей; 100 эгоцентрических многошаговых задач в двух постановках, 200 промптов и 456 шагов, с оценкой по завершению шагов и завершению полного плана на трёх сидах; Physics-IQ Verified в режиме «изображение — видео», нормированный так, что дисперсия между двумя реальными дублями равна 100; PhyGround по пятибалльной шкале с оценкой Qwen3.8-27B; RBench как невзвешенное среднее по пяти категориям задач и четырём категориям воплощений; и слепое парное исследование с людьми на 140 промптах, где тринадцать рецензентов дали 1 400 сравнений, а Elo подгонялся по модели Брэдли — Терри и центрировался на 1500. Чего IFM не опубликовала, так это оговорки об отборе, потому что, судя по карточке, выбирать было не из чего: числа приводятся как выходные данные харнесса.

Оба не прошли аудит. Только один из них можно с чем-либо сравнить, потому что Odyssey провела публичный бенчмарк, а ключевые показатели PAN 2 взяты из закрытого испытательного стенда. Это различие — бенчмарк против стенда — ценнее самих оценок.

Два продукта — два вида трения

Цена — это то, где сравнение легче всего сформулировать и труднее всего применить на деле.

• Цена за единицу — Odyssey 3 стоит примерно $0,139 за сгенерированное видео в разрешении 832×480 на базовом тарифе и около $0,267 при 1280×720 на Pro; у PAN 2 нет цены за единицу, поскольку нет размещённого сервиса — только веса и счёт за GPU.

Реальная стоимость — цена Odyssey 3 — это полная стоимость клипа; у PAN 2 — это сама машина: тринадцать секунд видео 704×1248 занимают примерно 119 секунд на четырёх B300, при этом восемь H200 в BF16 указаны в документации как значение по умолчанию.

• Трудности доступа — у Odyssey 3 есть бесплатная браузерная демоверсия, которую может открыть любой желающий, а доступ к API предоставляется через контактную форму, без самостоятельного получения ключей и без опубликованного прайс-листа; PAN 2 — это 86,17 гигабайта в шестидесяти файлах под лицензией Apache-2.0, без ограничений доступа и без необходимости вести переговоры.

• Веса — Odyssey 3 не публикует никаких и не имеет лицензии на их чтение; веса PAN 2 распространяются по Apache-2.0 без требования указания авторства, без порога по числу пользователей и без ограничений по области применения.

• Скорость на стенде — Odyssey 3 работает с частотой 16 кадров в секунду при разрешении 832×480, дистиллирована до нескольких шагов, чтобы человек мог управлять в реальном времени; PAN 2 работает с частотой 24 кадра в секунду за пятьдесят шагов сэмплера при guidance 2.5.

Сложите эти пять строк вместе — и окажется, что два продукта нацелены на разных покупателей. Цена Odyssey 3 рассчитана на того, кому нужны клипы и кто не хочет владеть дата-центром: контент-команда, исследовательская группа, выполняющая несколько тысяч генераций, любой, у кого юнит-экономика считается на единицу результата. Цена PAN 2 рассчитана на того, у кого уже есть узел, потому что для всех остальных бесплатность лицензии — наименее важная его особенность.

Недостающее число с обеих сторон — одно и то же, и это не цена. Ни один из двух поставщиков не публикует показатель успешности для того, что на самом деле важно покупателям. Odyssey запускала политику вождения, роботизированную руку и гуманоида внутри своих сгенерированных миров, и детали этих демонстраций стоит внимательно изучить — но числа, которое нужно покупателю, нет ни в одной из них: ни показателя успешности на дорожной задаче, ни сравнения с обучением в реальном мире, ни абляции, показывающей, какая часть сгенерированного мира сделала работу.

Аналогичный показатель у PAN 2 хуже — и он опубликован. В карточке её модели сказано, что примерно в двух из трёх смоделированных планов есть как минимум один шаг, который не выполняется. Это убийственная цифра для любого, кто надеется передать результат роботу, и при этом самое полезное предложение в обоих релизах: оно сообщает долю отказов того, на что вы собираетесь опираться. Поставщик, публикующий долю отказов два из трёх, и поставщик, не публикующий никаких цифр, дают неодинаково полезную информацию, а тот, у кого плохой показатель, — это тот, чьи данные можно учитывать при планировании.

Что каждый из них фактически генерирует и почему это различие носит архитектурный характер

Odyssey 3 — это авторегрессионный диффузионный трансформер примерно с 14 млрд параметров, обученный на интернет-видео, игровых видеозаписях с синхронизированным по времени вводом и смоделированных взаимодействиях твёрдых тел, а затем дистиллированный в модель с несколькими шагами, чтобы человек мог перемещаться по результату в реальном времени: вы задаёте среду запросом, двигаетесь по ней от первого или третьего лица с независимым управлением камерой и по ходу запускаете события. Тарифы различаются только тем, что вы можете видеть — 832×480 на базовом тарифе примерно за $0.139 за видео и 1280×720 на Pro примерно за $0.267 — при этом за бесплатной демонстрацией в браузере, которую может открыть любой без учётной записи, стоит вариант Flash.

PAN 2 — это пакетный рендерер со встроенной языковой моделью. Концептуальный модуль рассуждения записывает следующее состояние мира в виде структурированного описания, привязанного ко времени; замороженный текстовый энкодер Qwen3.5-9B превращает его в conditioning-признаки; 29B-диффузионный трансформер дорисовывает перцептивные детали; а VAE Wan 2.2 декодирует двадцать секунд видео 704×1248 при 24 кадрах в секунду. Интерактивного цикла нет: один вызов — один клип, никакой обратной связи внутри вызова. Вместо этого есть контракт — навык переписывания промптов, фиксированный негативный промпт и валидатор, который проверяет подписи на соответствие бюджету энкодера: 1 480 токенов — мягкий лимит, 1 536 — жёсткий, — при этом карточка модели признаёт, что в кейсах с агентом использовались вручную доработанные промпты.

Это различие определяет, для чего годятся оба, гораздо сильнее, чем цена. Odyssey 3 создан для человека в среде: сгенерировать, осмотреться, скорректировать, сгенерировать снова. PAN 2 создан для машины, задающей вопрос: если я сделаю это, что произойдёт и предпочтёт ли проверяющий другой вариант. Сэмплеры кодируют замысел — восемь дистиллированных шагов для одного, пятьдесят шагов с guidance 2,5 на каждом шаге для другого — и то же самое можно сказать о сбое, который документирует каждый из них.

Демонстрация, которую ни одна из компаний не превратила в измерение

Оба релиза опираются на видеодоказательства того, что политика обучается внутри сгенерированного мира, и ни один из них не опубликовал цифру, которая придала бы этим доказательствам вес.

Odyssey обучила политику вождения на примерно 20 часах реальных данных индийских дорог с замороженным бэкбоном внутри своих сгенерированных миров, а отдельно продемонстрировала манипуляции роботизированной рукой, освоенные по десяткам часов демонстраций, включая поведение восстановления, которого не было в обучающих данных, политики для гуманоидов, построенные с помощью Flexion, навигацию дронов и политику, обученную в GTA V и перенесённую в Red Dead Redemption 2. Перенос между играми — самый сильный аргумент в пользу общей видео-модели мира как обучающей среды, потому что если политика может учиться на кадрах одной игры и работать в другой, значит, модель уловила что-то о динамике, а не о пикселях. Не хватает опубликованного показателя успеха на задаче индийских дорог, какого-либо базового сравнения с обучением в реальном мире и абляции, показывающей, какая часть сгенерированного мира сделала работу.

PAN 2 не имеет демонстрации политики такого рода, но у него есть то, чего нет у Odyssey: опубликованный показатель неудач. Примерно два из трёх смоделированных планов содержат как минимум один шаг, который не выполняется. В его карточке также признаётся, что моделирование планов, которые должны провалиться, по его собственным словам, пока не измерено — а это важно для обучающей среды, потому что мир, который отображает только успех, учит политику тому, что всё работает.

Сопоставьте эти два признания — и разрыв в категории станет очевиден. Одна компания продемонстрировала перенос и не измерила надёжность. Другая измерила режим отказа и не продемонстрировала перенос. Ни одно из них не является тем исследованием, которое нужно покупателю: обе модели на одной задаче, с одной политикой и одной метрикой, запущенные достаточно много раз, чтобы стандартное отклонение было меньше разрыва.

Во что вам обходятся пути доступа — временем, а не деньгами

Трение Odyssey 3 — это разговор. Есть бесплатная публичная исследовательская предварительная версия в браузере, доступ к API через контактную форму, нет самостоятельного получения ключей, нет опубликованной тарифной сетки за токен или за клип помимо цифр по тарифным уровням, нет открытых весов и нет лицензии, доступной для ознакомления. Для команды, которая хочет сегодня же днём провести бенчмарк модели на собственной рабочей нагрузке, это препятствие иного рода, чем цена: можно попробовать демо и поговорить с отделом продаж, но ни то, ни другое не даёт воспроизводимого испытательного стенда.

Трение PAN 2 — это машина. Веса занимают 86,17 гигабайта в шестидесяти файлах под Apache-2.0, без ограничений доступа, без необходимости вести переписку, — а потом вы обнаруживаете, что задокументированная конфигурация обслуживания — это узел, что сэмплеру требуется сто прямых проходов на клип и что двадцатисекундный клип 704×1248 — это отдельная задача декодирования, ещё до того, как вообще заходит речь о параллелизме. Лицензия бесплатна, а железо — нет; это тот же компромисс, на который идёт вся категория открытых весов, и тот, в котором покупатели ошибаются чаще всего.

Ни одно из этих трений не является изъяном. Это две формы, которые принимает исследовательский релиз в 2026 году: продукт с ценой и формой либо чекпойнт с лицензией и счётом. Понимание того, какую форму вы способны усвоить, — более полезный фильтр, чем любая позиция в бенчмарке, и именно этот фильтр большинство команд применяет последним, а не первым.

Для чего предназначены продукт с 16 fps и исследовательская модель с 24 fps

Обе компании используют фразу «реальное время», и ни одна не имеет в виду одну и ту же величину. Odyssey 3 при 16 кадрах в секунду — это 62,5 миллисекунды на кадр, достаточно быстро, чтобы человек, управляющий камерой, не ощущал задержки — именно это нужно продукту, и поэтому модель дистиллирована до нескольких шагов, а не пятидесяти. Двадцать секунд PAN 2 при 24 кадрах в секунду — это вовсе не интерактивность; это пакетный рендеринг, стоимость которого измеряется в нодо-минутах, а его цель — создать клип, который затем просматривает агент или исследователь.

Следствие для всех, кто планирует работу, таково: эти две модели применимы в разных циклах. Odyssey 3 подходит для рабочего процесса с участием человека: сгенерировать, посмотреть, скорректировать, сгенерировать снова — по цене, достаточно низкой, чтобы итерации обходились дёшево. PAN 2 подходит для автоматизированного цикла: сгенерировать пять вариантов последствий, оценить их с помощью проверяющего компонента, действовать по лучшему — по цене, достаточно высокой, чтобы вы подумали, прежде чем запускать пакет. Одна оптимизирует задержку на клип, другая — точность на клип, и настройки сэмплера делают этот компромисс явным: пятьдесят шагов с guidance 2,5 на каждом шаге — это сто прямых проходов через 29B-трансформер, тогда как восемь дистиллированных шагов через модель класса 8–14B.

Есть также структурное различие в том, для чего можно использовать выходные данные. Сгенерированные миры Odyssey 3 обучили политику вождения и роботизированную руку, и это сильнейшее публичное свидетельство того, что общая видеомодель мира может служить обучающим субстратом для воплощённого управления. Выходные данные PAN 2 этого не сделали, и в её карточке прямо указано, что моделирование планов, которые должны завершаться неудачей, пока не измеряется — а это важно, потому что обучающий субстрат, показывающий только успех, учит политику тому, что работает всё. Демонстрации Odyssey также не решают этот вопрос: политика, обученная в сгенерированных мирах и ни разу не оценённая относительно реальной базовой линии, — это многообещающий результат, а не валидированный метод.

Место OrcaRouter в любом из этих сценариев — слой оценки, а не слой генерации, и здесь стоит быть точными. Ни PAN 2, ни Odyssey 3 нет в нашем каталоге: один из них — это 29B диффузионная модель, которую вы запускаете на собственном узле, другой — хостинговый продукт, который продаётся через контактную форму, и ни один роутер не может обслужить ни тот, ни другой. Маршрутизировать можно инфраструктуру вокруг них, и именно в обоих случаях там накапливаются реальные затраты — визуально-языковая модель-судья, оценивающая сгенерированные клипы по рубрике, планировщик, превращающий исследовательский вопрос в пакет промптов, генератор подписей, создающий структурированные описания состояния мира, которые текстовый энкодер PAN 2 потребляет в рамках бюджета в 1 480 токенов в мягком лимите и 1 536 в жёстком. Это тысячи обычных вызовов модели, каждый выходной результат которой обходится вам в GPU-минуту, и это ровно тот профиль нагрузки, где один ключ к более чем 200 моделям, списочная цена провайдера, передаваемая с наценкой 0% и автоматическое аварийное переключение между провайдерами перестают быть просто удобством и становятся разницей между пакетом, который завершается, и тем, который умирает на 80%.

Как прочитать следующий из них

Три вопроса, по порядку, и ни один из них не «сколько он набрал».

Это число из публичного бенчмарка или из закрытого стенда? Четырёхпрогонное среднее Odyssey, равное 63,37, можно сравнить с другими участниками на том же треке. Показатели завершения шагов PAN 2 нельзя ни с чем сравнить, потому что никто больше не запускает этот стенд. Оба варианта законны; переносим только один.

Был ли выбран этот результат? Число «лучший из восьми» и среднее по четырём прогонам измеряют разные вещи, и поставщик, публикующий оба, тем самым сообщил вам, какой из них цитировать. Поставщик, публикующий только первый, тоже кое-что сообщил.

Какова частота сбоев в задаче, которая вас волнует? PAN 2 отвечает на это так: в двух из трёх планов пропускается шаг. Odyssey не даёт ответа на этот вопрос для индийского дорожного эксперимента. Это отсутствие — не нечестность: никто не проводил исследование, — но покупатель, который не задаёт вопрос, покупает демо.

Применительно к выбору, который перед вами: Odyssey 3 — это доступный инструмент. Бесплатная демоверсия в браузере, контактная форма, цена за клип, которую можно умножить, и число бенчмарка, за которым стоит задокументированная методика. Если вам нужно попробовать мировые модели на этой неделе, а ваш бюджет рассчитан на оплату за клип, это единственный из двух, с которым вы можете начать, и оговорка в том, что «доступный» означает разговор с продавцом, а не ключ доступа.

PAN 2 — это инструмент, поддающийся аудиту. Веса, код, рецепт обслуживания, контракт подписей с бюджетом токенов, защитный механизм с приложенными показателями ложноположительных срабатываний — отклонено 11,5% безобидных запросов «текст-в-видео» и 3,3% безобидных запросов «изображение-в-видео», при этом доля небезопасных выходных материалов «текст-в-видео» снизилась с 33,9% до 1,5% — и раздел ограничений, который начинается с частоты отказов. Если у вас есть оборудование и вам нужно знать, как эта штука работает, а не просто что она работает, это более полный релиз в категории со значительным отрывом.

То, что могло бы решить это сравнение, — это исследование, которого не провела ни одна из компаний: обе модели, одна задача, одна политика, одна метрика, достаточно прогонов, чтобы стандартное отклонение было меньше разрыва. Никто его не предложил. Пока кто-то этого не сделает, точная сводка такова: платная модель опубликовала лучше задокументированную цифру, а бесплатная — хуже, и именно бесплатную модель можно проверить.