Odyssey-3 vs Grok Imagine Video: Ett mätarbaserat video-API mot en oprissatt simulator

G​rok Imagine Video levereras med en prislista och inget sätt att styra den. Odyssey-3, som Odyssey öppnade som en offentlig forskningsförhandsvisning den 8 oktober 2026, levereras med ett sätt att styra den och ingen prislista alls. Det är den asymmetrin, snarare än någon benchmark-rad, som är den verkliga formen av den här matchningen: x​AI säljer genererad video per sekund med en publicerad taxa för varje upplösning, medan Odyssey-3 levereras som en interaktiv världsmodell som du kan köra i en webbläsare och ännu inte kan köpa. En av dessa kan du lägga in i en produkt redan i eftermiddag. Den andra kan du bara utvärdera.

De är också oense om vad videogenerering är till för, och oenigheten syns på leverantörernas sidor. G​rok Imagine Videos dokumentation inleder med referensbilder, fästa bildrutor, läppsynkat tal och röstreferenser – produktionskontrollens vokabulär. Odyssey-3 lyfter fram en miljö som förutsäger vad som händer härnäst när du rör dig genom den eller utlöser en händelse. Båda är diffusionsbaserade generatorer som producerar video. Utöver den meningen finns det nästan ingen överlappning.

Vad var och en är

Odyssey-3 är en autoregressiv diffusionstransformer. Odyssey beskriver den som en videodiffusionsmodell i flera steg som utökats autoregressivt med teacher forcing och kausal maskering, så att den fortsätter från tidigare observationer och förutsäger framtida tillstånd betingat på indata i form av åtgärder, och som sedan destilleras genom distributionsmatchning och adversariell destillering till en variant med få steg som klarar realtidsinteraktion. Den körs i 832×480, med Odyssey-3 Pro i 1280×720, och den offentliga förhandsvisningen erbjuder förstapersonsnavigering, tredjepersonsnavigering och oberoende kamerarörelse. Det finns inget ljud.

Grok Imagine Video är xAI:s videomodell i Imagine API. Den nuvarande generationen är Grok Imagine Video 1.5, som xAI:s versionsinformation anger stöder text-till-video, bild-till-video och referens-till-video med valfria förinställda röster och native 1080p för de två första – där text-till-video under huven implementeras som text-till-bild följt av bild-till-video. Den accepterar upp till fjorton referensbilder och tre röstreferenser, stöder fästa bildrutor och läppsynkroniserat tal, och debiteras per sekund genererad utdata. Den tidigare grok-imagine-video, fortfarande dokumenterad och fortfarande prissatt, ligger på 0,05 USD per sekund vid 480p och 0,07 USD vid 720p, med indatavideo debiterad med 0,01 USD per sekund och indatabilder med 0,002 USD.

Prislistan, som är den del du faktiskt kan planera utifrån

• Pris — G​rok Imagine Video faktureras per sekund: $0.05/sek vid 480p och $0.07/sek vid 720p på originalmodellen, och G​rok Imagine Video 1.5 från $0.08/sek för 480p, 720p och 1080p. G​rok Imagine Video 1.5 Lite börjar på $0.02/sek för upp till 1080p och femton sekunder. Odyssey-3 har inget publicerat pris alls; dess enda offentliga kostnadssiffror är leaderboardens normaliserade uppskattningar på $0.139 per genererad video för Odyssey-3 och $0.267 för Odyssey-3 Pro.

• Ett tio sekunder långt klipp, uträknat — 0,50 $ vid 480p eller 0,70 $ vid 720p på G​rok Imagine Video; 0,80 $ på G​rok Imagine Video 1.5; 0,20 $ på Lite-nivån. Odyssey-3 kan inte räknas ut på det här sättet, eftersom man inte kan köpa tio sekunder av den.

• Upplösning — G​rok Imagine Video 1.5 har inbyggt 1080p för text-till-video och bild-till-video. Odyssey-3 når som högst 1280×720 i Pro-nivån.

• Varaktighet — G​rok Imagine Video 1.5 Lite når femton sekunder. Odyssey-3:s enhet är inte ett klipp; det är en session, begränsad av hur länge förhandsvisningen håller sina prediktioner sammanhängande.

• Ljud — G​rok Imagine Video genererar läppsynkroniserat tal och accepterar röstreferenser. Odyssey-3 genererar inget.

• Kontroll – referensbilder, fästa bildrutor, första och sista bildrutan samt röstreferenser, alla angivna före generering. Mot live-navigering och händelser mitt under genereringen. Groks är skapande; Odyssey-3:s är interaktion.

• Tillgänglighet — en självbetjänings-API-nyckel redan idag för G​rok Imagine Video. Ett kontaktformulär och en förhandsvisning i webbläsaren för Odyssey-3.

Där fysikbrädan placerar dem

Physics-IQ Verified, riktmärket från Anates Labs och DeepMind som poängsätter fortsättningar av verkliga fysikexperiment, rankar för närvarande 41 modeller, och båda dessa finns med där – vilket gör det till den enda tredjepartsytan där de två över huvud taget kan jämföras.

• G​rok Imagine Video — rang 13, nettoförbättring −4,04 pp jämfört med spårets medelvärde, på benchmarkens egna promptar, 24 fps, normaliserad kostnad $0,352 per video.

• Odyssey-3 — plats 8 på samma promptuppsättning vid +2,15 pp och 0,129 $, och plats 3 på anpassade prompter vid +9,99 pp.

Gapet är inte litet, och det är inte en artefakt av upplösningen: resultattavlan normaliserar kostnad till 24 fps och utdata med 1280 px bredd där indata tillåter det, och den listar promptregimen för varje rad. En negativ nettoförbättringspoäng är inte ett påstående att G​rok Imagine Video genererar dålig video – det gör den uppenbarligen inte, och den är i produktion till ett pris som gör den lätt att använda. Det är ett påstående att den, på den specifika uppgiften att korrekt fortsätta ett fysiskt experiment, gör sämre ifrån sig än den genomsnittliga modellen på resultattavlan, medan Odyssey-3 gör bättre ifrån sig än den genomsnittliga modellen på resultattavlan två gånger om, under två olika promptregimer.

Odyssey-3:s eget huvudpåstående är ännu starkare: 66,1 i video-till-video-spåret för Odyssey-3 Pro, det högsta betyg Odyssey rapporterar, plus 54,7 för samma nivå på bild-till-video. Dessa kommer från Odysseys egen redogörelse snarare än från en oberoende körning, och de bör läsas på det sättet.

Det som prislistan inte täcker

Det finns en kategoriskillnad som döljer sig bakom priserna per sekund och som är värd att namnge, eftersom den avgör vilken av dessa du vill ha.

Faktureringsmodellen för Grok Video – dollar per sekund utdata – är ett löfte om genomströmning. Varje betald sekund köper en fast mängd färdigställt resultat, och den enda frågan är om femton sekunder i 1080p med läppsynk är värt 1,20 dollar. För en annonsenhet, en mall för sociala medier, en marknadsföringspipeline är det en utmärkt fråga med ett tydligt svar, och Lite-nivån på 0,02 dollar gör att svaret oftast blir ja.

Odyssey-3 debiteras inte på det sättet och kan inte göra det, eftersom dess utdata inte är en fast kvantitet. En interaktiv miljö förbrukas utifrån hur länge någon befinner sig i den och hur många gånger de ändrar sig, och det gör per-sekund-modellen meningslös. När Odyssey publicerar ett pris – och det finns ingen signal om när – måste det bli ett sessionspris, ett beräkningspris eller något annat som ännu inte har uppfunnits för den här kategorin. Det är inte ett argument mot Odyssey-3. Det är anledningen till att en utvecklarjämförelse mellan dessa två för närvarande är omöjlig att slutföra.

Når den mätvärdesanslutna idag

G​rok Imagine Video är x​AI:s eget API, och OrcaRouter hostar det inte. Odyssey-3 finns inte på någon hostad plattform som vi kan verifiera, och det finns inget publicerat pris för någon att routa den, även om den vore det.

Vad en enda OrcaRouter-nyckel faktiskt når är resten av den video- och modellstack som du skulle bygga den här jämförelsen kring: MiniMax-H3 för 0,08 USD per sekund 768P-utdata, Kling-videolinjen och mer än 200 modeller bakom en enda slutpunkt till leverantörens listpris med 0 % påslag — så när ett labb sänker en per-sekund-taxa blir ändringen aktiv i din användning samma dag i stället för vid din nästa avtalsförnyelse. Automatisk redundansväxling mellan leverantörer gör att en batch som blandar flera videomodeller inte fallerar på grund av en uppströmsleverantörs dåliga timme, och routnings-DSL:en låter dig sätta en hostad videomodell och en text- eller bildmodell bakom ett enda gränssnitt, vilket är precis vad en pipeline som genererar och sedan utvärderar faktiskt behöver. Varken Odyssey-3 eller G​rok Imagine Video finns i den katalogen i dag.

Vilken vill du ha?

Om du behöver videoutmatning med ljud, i 1080p, till ett pris du kan lägga in i ett kalkylblad, och du behöver det den här veckan, är Grok Imagine Video ett fungerande svar och Odyssey-3 är inte en kandidat — den har inget ljud, ett lägre upplösningstak och inget sätt att köpa den.

Om du bygger något som måste förutsäga vad som händer efter en åtgärd – en policy, en reglerloop, en träningsmiljö – är prislistan irrelevant och fysiktavlan inte. Odyssey-3 poängsätts för exakt den förmågan och ligger nära toppen av tavlan; G​rok Imagine Video, som är utmärkt på att producera en färdig tagning, ligger under spårets medelvärde på samma test. Olika frågor, och svaren överlappar inte.