Odyssey-3 vs Wan 3.0: En världsmodell möter en videofabrik

Odyssey-3 och Wan 3.0 hamnar båda under "videomodell", och den gemensamma etiketten bär mer vikt än den klarar. Odyssey-3 är ett inlärt dynamiskt system – en simulator som bygger en miljö utifrån en prompt och förutsäger hur den miljön förändras när någon rör sig genom den eller utlöser en händelse – släppt av Odyssey den 8 oktober 2026 som en forskningsförhandsvisning. Wan 3.0 är en produktionsvideogenerator från Alibaba Cloud, allmänt tillgänglig sedan lanseringen den 24 augusti 2026, fakturerad per sekund och redan poängsatt på två oberoende ledartavlor. En av dessa vill vara en plats där du sätter en kamera. Den andra vill vara det som renderar materialet du publicerar.

Ställ de två lanseringssidorna sida vid sida och uppdelningen är omedelbar. Odyssey leder med fysisk noggrannhet – hur väl dess modell förstår vad objekt gör när de möts. Alibaba leder med genomströmning, varaktighet och referenskontroll: 30-sekunders tagningar, inbyggt ljud, upp till tio bilder och fem videor som tillhandahålls per generering. Ingen av dem är en sämre version av den andra. De är svar på olika frågor, och svaren förändrar vad ett team bör göra den här veckan.

En inledande anmärkning innan siffrorna. De flesta siffror i den här artikeln kommer från leverantörernas eget lanseringsmaterial och har inte reproducerats av någon utanför dessa labb. När en siffra kommer från en oberoende instans i stället för en presssida, står det i texten. Den distinktionen spelar större roll än vanligt här, eftersom de två modellerna publicerar vitt skilda mängder kontrollerbar information – den ena säljs per sekund via ett öppet API, den andra har inte publicerat något pris alls.

Vad var och en faktiskt är

Odysseys egen beskrivning av Odyssey-3 är ovanligt specifik för att vara ett lanseringsinlägg, och värd att citera snarare än att avrunda: det är "ett inlärt dynamiskt system, implementerat som en autoregressiv diffusionstransformerare, som förutsäger hur objekt rör sig och interagerar genom rummet och hur situationer utvecklas över tid." Det den returnerar är inte ett klipp i vanlig mening. Det är ett tillstånd som fortsätter att utvecklas medan det drivs. Modellen finns i två storlekar — Odyssey-3 vid 832×480 och Odyssey-3 Pro vid 1280×720 — och Odyssey säger att dess förhandsversion stöder förstaperson- och tredjepersonsnavigering tillsammans med oberoende kamerarörelse. Bygget innehåller också en destillerad variant med få steg, framställd genom en kombination av distributionsmatchning och adversariell destillation, som leverantören beskriver som realtidsinteraktiv.

Wan 3.0 är en generator enligt den etablerade modellen: en prompt och en eller flera referenser matas in, en färdig videosekvens kommer ut. Alibabas främsta kapaciteter är generering av en 30 sekunder lång sekvens i en enda körning, inbyggt ljud och referensindata som omfattar text, bild, video och ljud – plus dokument i formaten doc, xls, ppt, pdf, md, txt, key, pages och numbers, upp till 100 MB och 50 sidor. Redigeringen är instruktionsbaserad, vilket innebär att en generering kan ändras i fråga om bild, handling eller dialog utan att genereras om från grunden. Alibaba uppger också öppet att ljudkvaliteten och träffsäkerheten för text på skärmen fortfarande behöver förbättras, vilket är ett mer sällsynt medgivande i ett lanseringsinlägg än det borde vara – och ett användbart sådant att ha dokumenterat.

• Vad utdata är – en simulerad miljö som du agerar inuti (Odyssey-3) kontra ett renderat klipp som du publicerar (Wan 3.0) • Annonserade storlekar – 832×480, eller 1280×720 på Odyssey-3 Pro, kontra 480p, 720p och 1080p • Längd per körning – så länge miljön fortsätter att drivas, kontra 30 sekunder per generering • Ljud – inte en huvudfunktion i någon av storlekarna, kontra inbyggt ljud med leverantörsflagade kvalitetsgränser • Indata – en prompt som definierar miljön, kontra text, bild, video, ljud och dokument upp till 100 MB och 50 sidor • Redigeringsmodell – ändra tillståndet och simulera om, kontra instruktionsbaserade redigeringar av en färdig generering • Dokumenterat API – inget publicerat, kontra öppet och mätarbaserat sedan 24 augusti 2026 • Publicerat pris – inget, kontra 0,3 / 0,6 / 1,2 yuan per sekund vid 480p / 720p / 1080p

Vad en sekund utdata kostar, och varför enheterna inte stämmer överens

Wan 3.0 prissätts i den mest lättbegripliga enhet som en köpare har tillgång till: tid. Alibabas priser är 0,3 yuan (cirka 0,05 USD) per sekund genererad video vid 480p, 0,6 yuan (cirka 0,10 USD) vid 720p och 1,2 yuan (cirka 0,20 USD) vid 1080p. En full 30-sekunders körning landar därför på nära 9 yuan (1,50 USD) vid 480p, 18 yuan (3,00 USD) vid 720p eller 36 yuan (6,00 USD) vid 1080p. Detta är priserna från lanseringen i augusti; lanseringskampanjen som sänkte dem med 30 % pågick bara till och med den 23 september, så siffrorna ovan är de som en köpare möter idag. Leverantörer som återförsäljer Wan 3.0 anger i stället vanligtvis siffror per minut, vilket är värt att kontrollera mot per-sekund-beräkningen innan någon budget godkänns.

Odyssey-3 har ingen jämförbar siffra, eftersom Odyssey inte har publicerat ett pris, en prislista, en licens eller API-dokumentation. Det som i stället finns är en kostnadssiffra i ett tredjepartsbenchmark, beräknad utifrån ett antagande som leverantören öppet anger: $1 per MI355X GPU-timme. På den grunden listar Physics-IQ Verified Odyssey-3 Pro till $0.267 per genererad video och Odyssey-3 till $0.139, båda normaliserade till 24 FPS och 1280 bred utdata. Samma resultattavla noterar separat att prompt-omskrivning via Odysseys API uppskattas till $0.01 per inskickad video. Läs det noggrant — det är en modelleringsgrund, inte ett pris. Det talar om vad en simulering skulle kosta vid leverantörens antagna hårdvarutaxa, inte vad Odyssey kommer att fakturera.

De två fakta pekar i motsatta riktningar för en köpare. Wan 3.0 är en mätbaserad radpost vars värsta fall kan beräknas innan något har renderats. Odyssey-3 har en lägre modellerad kostnad per video och ingen faktura att koppla den till – vilket är precis det skede där ett upphandlingssamtal stannar. För att jämförelsen ska vara rättvis måste läsaren hålla båda halvorna: en verklig taxa med en verklig faktura, och en uppskattad taxa med ingenting bakom sig ännu.

Den enda resultattavlan de delar, och namnet som saknas på den

Physics-IQ Verified, en dynamisk rankning från Anates Labs och DeepMind över hur väl videomodeller hanterar fysikaliska principer, är den enda oberoende resultattavlan som detta par har gemensamt — och det är där jämförelsen blir riktigt intressant, eftersom det också är där den faller samman.

Odysseys lanseringsinlägg säger att Odyssey-3 Pro "sätter en ny toppnivå på Physics-IQ Verifieds benchmark och rankas som etta i 3 av WorldMarks 4 kategorier." WorldMark-delen av det stämmer överens med siffrorna som Odyssey publicerar: förstaplats i First-Person Stylized (77,2), Third-Person Real (79,0) och Third-Person Stylized (76,3), med First-Person Real som tvåa på 80,6 bakom AlayaWorlds 83,0 och Lyra 2.0:s 84,4. Varenda en av dessa är en leverantörsrapporterad siffra från Odysseys egen utvärderingskörning.

Den toppmoderna halvan är där en läsare bör sakta ner. På den version av Physics-IQ Verified-tavlan som finns tillgänglig nu, rankad efter nettförbättring i procentenheter över spårets medelvärde, ligger Black Forest Labs FLUX 3 [large] på rank 01 med +12,27 pp. Odyssey-3 Pro ligger på rank 02 med +11,15 pp, och Odyssey-3 ligger på rank 03 med +9,99 pp. Så leverantörens "nya toppmoderna teknik" är, på den tavla leverantören själv hänvisar till, andraplats — antingen för att påståendet föregår en uppdatering av tavlan eller för att det har ett snävare omfång än meningen antyder. Hur som helst är den ärliga tolkningen att Odyssey-3 Pro är en fysikmodell i topp tre, inte en obestridd ledare. FLUX 3 [large] har också en mycket högre kostnad per video på $0,868 mot Odyssey-3 Pros $0,267, vilket är den avvägning som tavlans kostnadsvy finns för att synliggöra.

Odyssey har onekligen en enda odiskutabel förstaplats i uppdelningen per delmått: Spatiotemporal, på 44,70, före Odyssey-3 Pro på 42,97 och Physis-Lang (Cosmos3 Super) på 41,57. På Spatial är den fjärde (59,17), efter FLUX 3 (64,36), Odyssey-3 Pro (61,78) och Physis-Lang (59,87); på Weighted Spatial och MSE är den fjärde respektive tredje. Det mönstret – odelat ledarskap i hur väl rörelse håller samman över tid, andra nivån när det gäller rumslig trohet för enskilda bildrutor – är en sammanhängande signatur hos en modell byggd för att simulera utveckling snarare än att rendera en vacker stillbild.

Nu till det saknade namnet. Wan 3.0 förekommer inte alls på Physics-IQ Verified. De enda Wan-posterna är Wan 2.2 14B på plats 17, −6,64 pp, och Wan 2.2 5B på plats 22, −11,13 pp — båda under spårets medelvärde, båda med öppen källkod, båda en generation efter. Tavlans egen not om omfattning säger att resultattavlan ”inkluderar benchmarkade modeller och modeller som är kända från preprints eller tillkännagivanden, även om offentlig åtkomst saknas eller inget releasedatum har bekräftats”, så Wan 3.0:s frånvaro är inte ett bevis för att den presterar dåligt. Det är ett bevis för att ingen har mätt den på denna axel. Den praktiska konsekvensen är krass: varje påstående om att Odyssey-3 slår Wan 3.0 vad gäller fysisk trovärdighet är overifierat i båda riktningarna, och varje påstående om att den inte gör det är lika overifierat. Wan 3.0:s oberoende resultat finns någon annanstans — den placerade sig som #2 totalt på OpenArt Arena och som #1 i Video Editing with Audio på Artificial Analysis — på resultattavlor som mäter upplevd kvalitet och redigeringskvalitet, inte fysik.

Vad du kan anropa idag, och vad du bara kan fråga om

Wan 3.0 har kunnat anropas sedan den 24 augusti 2026, då A​libaba Clouds lansering förvandlade den avgiftsbelagda, ansökningsbegränsade betan till ett fullt öppet API. Modellen är tillgänglig via leverantörens eget API och flera tredjepartsplattformar, alla avgiftsbelagda, med priserna per sekund ovan. Om ett team behöver genererad video i eftermiddag är det ett verkligt alternativ – och det medför en kostnad.

Odyssey-3 erbjuder inte det. Odysseys sida säger att forskningsförhandsvisningen är "tillgänglig nu" och bjuder in utvecklare inom fysisk AI att höra av sig – vilket beskriver en demo och ett samtal, inte en slutpunkt bakom en nyckel. Det finns inget publicerat pris, ingen licens, ingen API-dokumentation och, som avsnittet ovan visar, ingen oberoende utvärdering. En utvecklare som läser lanseringsinlägget kan i dag inte beräkna vad ett produktionsbygge på Odyssey-3 skulle kosta, eller kontrollera om fysikpåståendena håller utanför leverantörens egen testrigg. Det är normalt för en världsmodell på lanseringsdagen, och det är också det enskilt viktigaste faktumet i den här jämförelsen.

Eftersom ingen av modellerna finns i vår katalog — OrcaRouters modellista innehåller varken Odyssey-3 eller Wan 3.0 — är den användbara routingpunkten lagret som ligger ovanför dem. Troligen anropar en videobyggnation inte bara en modell. Den anropar en promptomskrivande modell, en videomodell, ibland en ljudmodell, och den anropar alla igen varje gång en leverantör ändrar ett pris eller en hastighetsgräns. På OrcaRouter ligger de bakom ett API som täcker över 200 modeller till leverantörens listpris med 0 % påslag, så en prissänkning per sekund från en videoleverantör är live här samma dag i stället för att vänta på en konfigurationsändring, och automatisk failover innebär att en modells driftstopp inte stoppar en renderingskö. De videomodeller vi faktiskt erbjuder — MiniMax H3, Kling 3.0, Kling Video O1 och andra — finns på samma nyckel, vilket är vad som gör utbytet billigt när en Wan 3.0-förhandsvisning eller en Odyssey-3-test äntligen öppnar upp.

Vilken hör hemma i din stack?

Valet är inte svårt, för det finns ingen överlappning i vad de två producerar. Den ärliga beslutsregeln handlar om den artefakt du behöver i slutändan.

Välj Wan 3.0 om det som ska levereras är filmmaterial som en person tittar på: en annons, en insertbild, ett klipp för sociala medier, ett undervisningssegment. Trettio sekunder per körning med inbyggt ljud, referenskontroll över bilder, video och ljud, instruktionsbaserad redigering och dokument som indata utgör en lista över produktionsfunktioner, och det avgiftsbelagda API:et gör att kostnaden för ett test är känd i förväg. Det är en generering, inte en simulering – modellens uppgift tar slut när klippet gör det. Budgetera utifrån leverantörens priser per sekund, och behandla leverantörens egna förbehåll om ljud och text på skärmen som designbegränsningar snarare än fotnoter.

Välj Odyssey-3, när du kan få tag på den, om leverabeln är ett beteende snarare än en fil: en miljö som en policy lär sig i, en scen vars respons på en åtgärd måste förbli konsekvent över en lång rollout, en navigerings- eller manipuleringsuppgift där kameran är en del av problemet. Det är där den absoluta förstaplatsen i spatiotemporala rimlighet och den modellerade kostnaden på $0.139–$0.267 per video verkligen spelar roll. Det som saknas är allt ett produktionsteam behöver för att kunna satsa — ett pris, en licens, en endpoint och en extern mätning — och inget av dessa är något som en demo kan ersätta.

Det man bör hålla ögonen på är specifikt och nära till hands. Om Wan 3.0 dyker upp på Physics-IQ Verified går fysikfrågan att besvara i ena riktningen. Om Odyssey publicerar en prislista eller ett API löses kostnadsfrågan i den andra. Tills ett av dessa inträffar har den här jämförelsen en märklig form: ett produktionssystem med ett publicerat pris och ingen fysikpoäng, bredvid en simulator med publicerade fysikpoäng och inget pris. Den som säger till dig vilken som är bättre i dag gissar om åtminstone ett av dessa två tal.