Kling 4.0 vs Odyssey-3: Ett klipp och en värld är inte utbytbara

Be Kling 4.0 om en diner klockan 2 på natten och du får en 30-sekunders film av en diner klockan 2 på natten – samma film, bildruta för bildruta, varje gång du kör samma prompt. Be Odyssey-3 om en diner klockan 2 på natten och du får en diner som du kan gå in i, vända dig om i och slå en kaffekopp från disken, där modellen förutspår vad som händer härnäst utifrån vad du just gjorde i stället för utifrån vad du skrev. Det är olika produkter som bär samma kategorietikett, och jämförelsen blir bara användbar när du slutar fråga vilken som genererar bättre video och börjar fråga vilken som producerar den artefakt ditt projekt behöver.

Det är inte en undanmanöver. Det är anledningen till att den här jämförelsen är värd en sida: söker du efter den hittar du listartiklar som rangordnar dem mot varandra efter upplösning och pris, vilket är som att rangordna en kamera mot en flygsimulator efter bildfrekvens. Siffrorna är verkliga, rangordningen är meningslös, och beslutet som ligger bakom den är något du faktiskt kan fatta.

Exakt vad var och en matar ut

Kling 4.0 är en generativ videomodell från Kuaishou, tillgänglig för alla sedan den 15 oktober 2026. Den klarar text-till-video, bild-till-video, första-och-sista-bildruta, flera nyckelbildrutor, omnireferens och riktad redigering, och producerar 3 till 30 sekunder långa klipp i 720p, 1080p eller 4K, med tvåkanaligt stereoljud och flerspråkig läppsynk.

Odyssey-3 är en världsmodell från Odyssey – en autoregressiv diffusionstransformer med 14 miljarder parametrar i baskonfigurationen, byggd för att generera en miljö utifrån en prompt och sedan fortsätta förutsäga den i realtid medan någon navigerar. Dess offentliga forskningsförhandsvisning öppnades den 8 oktober 2026, och en gratis webbläsardemo kör en lättare variant, Odyssey-3 Flash. Det finns två publicerade nivåer: Odyssey-3 i 832×480 och Odyssey-3 Pro i 1280×720.

Ordet "video" förekommer i båda beskrivningarna och betyder olika saker i var och en. Den ena ger en fil som utdata. Den andra ger ett system som du styr.

Varför interaktivitet förändrar vad modellen måste vara bra på

En klippgenerator bedöms utifrån hur en fast sekvens ser ut: komposition, ljus, rörelse, om händerna har fem fingrar. Den kan lägga hela sin beräkningsbudget på att göra en enda bana vacker, eftersom det bara finns en bana.

En världsmodell bedöms utifrån vad som händer efter att man ingriper. Odysseys arkitekturbeskrivning beskriver en flerstegs videodiffusionstransformer som utökas autoregressivt genom teacher forcing och kausal maskning, med en efterträningspipeline som kombinerar distributionsmatchning och adversariell destillation till en variant med få steg. Diffusion ger trohet, autoregression ger förmågan att överleva en åtgärdssekvens, och destillation ger klockhastigheten. Alla tre är bärande, och alla tre är företagets redogörelse för sitt eget system.

Den skillnaden syns i det benchmark som Odyssey valde. Physics-IQ Verified, som drivs av Anates Labs tillsammans med DeepMind, visar filmsekvenser från verkliga fysikexperiment för modeller – vätskor, optik, fasta materials mekanik, magnetism, termodynamik – och poängsätter fortsättningen mot det som faktiskt hände. Det är ett svårmanipulerat benchmark eftersom facit är den fysiska världen. Det rangordnar för närvarande 41 modeller från 16 labb.

Fysiksiffrorna, med förbehållen bifogade

• Odyssey-3 Pro — 66,1 på Physics-IQ Verifieds video-till-video-spår, den högsta råpoängen som Odyssey rapporterar. Det är ett bästa-av-8-värde från en enda körning; medelvärdet för fyra körningar utan urval är 63,37.

• Nettoförbättring jämfört med spårets medelvärde — FLUX 3 [large] leder med +12,27 procentenheter, Odyssey-3 Pro är tvåa med +11,15, Odyssey-3 trea med +9,99.

• Normaliserad kostnad per genererad video – Odyssey-3 Pro $0.267, Odyssey-3 $0.139, jämfört med FLUX 3 [large] på $0.868 och Seedance 2.5 på $2.838. Kostnaderna är normaliserade till 24 fps och 1280 pixlar bred utdata i den mån resultattavlan kan.

• WorldMark — Odyssey-3 rankas först i tre av fyra delningar. Den delning som den inte vinner är verkliga förstapersonsmiljöer, där den placerar sig på tredje plats med 80,6 efter Lyra 2.0 på 84,4 och AlayaWorld på 83,0. Detta är en leverantörsutvärdering som körts på någon annans dataset med benchmarkens egna bildtexter, inte en tredjepartsarena.

• Oberoende — inget. Varje siffra ovan är självrapporterad. Ingen extern utvärderare har kört Odyssey-3 på en testrigg som den inte själv har valt.

Läs den andra raden två gånger. På måttet som justerar för hur svår banan är är Odyssey-3 Pro inte först — det är en allmän videogenerator. Företagets rubrik är råpoängen; styrelsens föredragna sammanfattning placerar den på andra plats. Båda är sanna, och skillnaden är sådant som ett lanseringsinlägg utelämnar.

Bevisen på Kling 4.0:s sida är tunnare, inte bättre

Kuaishou har inte publicerat något eget benchmark för Kling 4.0, och modellen saknas på Artificial Analysiss videotavlor per den 23 oktober. Det är inte ett dåligt resultat – det är inget resultat. Det som finns är en specifikation, en versionsnotis och en veckas praktiska intryck från personer med tillgång till appen, vilket är ett svagare bevisunderlag än Odysseys självrapporterade poäng och ett helt annat.

Specifikationen är verkligen stark, och den är stark på sätt som har betydelse för författad output snarare än för simulering:

• Varaktighet – 3 till 30 sekunder i ett enda svep, med förlängning mot 2 minuter listad som kommande. Odysseys förhandsvisning genererar en kontinuerlig miljö, inte ett tidsbegränsat klipp.

Upplösning – 720p, 1080p och 4K, med 10-bitars HDR på de två översta nivåerna markerat som "kommer snart". Odyssey-3 Pro är 1280×720 högst i sitt intervall, och basnivån är 832×480.

• Kontroll — upp till 10 nyckelbilder och en referensbudget på 15 poster fördelad på bilder, videosekunder, röst och element. Det är en regissörs kontrollpanel: du anger vad som händer när.

• Ljud — tvåkanalig stereo med läppsynk på nio språk och namngivna accenter. Odysseys förhandsvisning har ingen jämförbar ljudutgång eftersom du inte tittar på en färdig scen.

• Åtkomst — konsumentprodukten är tillgänglig; API:et började öppnas upp för företagskunder och utvecklare den 21 oktober, medan utvecklarprislistan fortfarande markerar modellen som Kommer snart och endast listar förhandspriser.

Kostnad per utfall, inte kostnad per sekund

De två prisenheterna kan inte konverteras, vilket är anledningen till att jämförelsetabellerna får det fel. Kling 4.0:s förhandspris är $0.157 per sekund vid 720p och $0.235 vid 1080p, utan någon publicerad 4K-taxa. Odyssey har en post på topplistan på $0.139 eller $0.267 per genererad video, normaliserat för jämförelse mellan modeller med olika bildfrekvenser.

Om du vill ha en 30-sekunders 1080p-tagning kostar Kling 4.0 till förhandsvisningspriset cirka 7,05 dollar, förutsatt att priset står sig vid lanseringen. Om du vill ha tio minuter utforskbar miljö i 720p säger Odysseys siffra per video ingenting, eftersom en "video" i den kolumnen är ett benchmark-exempel, inte en session. Det ärliga påståendet är att den ena produkten har ett pris per sekund och den andra har en forskningsförhandsvisning helt utan prislista. Budgetar går inte att jämföra över den klyftan.

Åtkomstproblemet är symmetriskt, och det är den praktiska poängen.

Ingen av modellerna är något man bara byter in direkt. Kling 4.0 lanseras i etapper med förhandslanspriser; Odyssey-3 är en forskningsförhandsvisning med ett kontaktformulär för API-åtkomst, ingen dokumentation om begränsningsgränser och inga vikter.

För ett team som utvärderar båda är det användbara draget att hålla utvärderingsramverket oberoende av endera leverantörens SDK. OrcaRouter är inte värd för någon av modellerna – det finns ingen Odyssey-rutt och ingen Kling 4.0-identifierare i katalogen – men arbetet runt dem är vanlig API-trafik: promptexpansionspasset som gör en tagningbeskrivning till något en videomodell kan använda, taglistan, captioningen, poängsättningspasset som avgör vilka av åtta prover som ska behållas. De körs via en enda OpenAI-kompatibel endpoint för fler än 200 modeller till leverantörens listpris med 0 % påslag, och automatisk failover gör att en utvärderingsomgång inte dör för att en uppströmstjänst har en dålig eftermiddag. När endera modellen öppnar ett självbetjänings-API är ramverket redan rätt utformat.

Modellerna du kan anropa i dag är föregående generation på båda sidor. Kling 3.0 finns på OrcaRouter för $0.084 per förfrågan. Odyssey har ingen routbar föregångare. Den asymmetrin är värd att lägga märke till: i en kategori där den intressanta modellen vanligtvis är den otillgängliga är reservlösningen på Kling-sidan åtminstone en riktig endpoint.

Vem borde egentligen välja vilken?

Välj Kling 4.0 om leveransen är en färdig tagning: en reklam, en musikvideossekvens, en produktfilm, vad som helst där någon kommer att bedöma bildrutan och ljudet och sedan exportera det. Den 30 sekunder långa enkelpassningen, de 10 nyckelbilderna och stereoljudet är alla inriktade på just det jobbet, och ingen världsmodell ersätter dem.

Välj Odyssey-3 om det som ska levereras är en plats där någon agerar inuti: träningsdata för robotik, rumslig prototypning, en spelliknande demo, en utvärdering av en förkroppsligad agent. Physics-IQ-resultaten, navigeringen i första och tredje person samt leverantörens rapporter om att robotpolicyer överförs ut ur en fryst backbone är rätt typ av bevis för den uppgiften, förutsatt att du kommer ihåg att de är leverantörens.

Välj ingen av dem om det du behöver är en repeterbar, fakturerbar slutpunkt den här månaden. Båda är mitt i utrullningen, den ena saknar pris och den andra har en förhandstaxa, och en produktionsväg som bygger på någon av dem i dag är en chansning på en lanseringsplan som du inte råder över.

Det som skulle avgöra saken är inte ett benchmark som båda modellerna kan genomföra. Det är ett arbetsflödestest: ta en scen, generera den som en 20 sekunder lång författad tagning i Kling 4.0, bygg sedan om samma plats i Odyssey-3 och försök iscensätta samma handling genom att styra kameran. Om den interaktiva versionen inte kan hålla den komposition du behöver är världsmodellen fel verktyg, oavsett dess fysikpoäng. Om den författade versionen inte klarar en ändrad synvinkel är klippgeneratorn det. Experimentet kostar en eftermiddag och säger dig mer än något Elo på någon av sidorna.