PAN 2 vs Odyssey 3: Den enda världsmodellen här som har ett pris publicerar också sin sämsta siffra

Två påståenden om fysiskt resonemang, publicerade med tre veckors mellanrum, och skillnaden mellan dem är inte poängen. PAN 2 är Institute of Foundation Models världsmodell med öppna vikter och 29 miljarder parametrar – Apache-2.0-vikter den 7 oktober 2026, kod den 5 november och Day-0-stöd för vLLM-Omni den 10 november – som renderar upp till tjugo sekunder 704×1248-video vid 24 bilder per sekund utifrån en startbild och en beskriven handling. Odyssey 3 är Odyssey:s autoregressiva diffusionstransformer med cirka 14 miljarder parametrar, släppt som en gratis forskningsförhandsvisning den 8 oktober 2026 till cirka $0,139 per genererad video på basnivån och $0,267 på Pro. Den ena är en nedladdningsbar checkpoint utan pris. Den andra är en förbrukningsdebiterad produkt utan vikter. Och anledningen till att den här kombinationen är värd en artikel snarare än ett stycke är att den betalda publicerade ett förbehåll kring sin benchmark som de flesta labb skulle ha mörkat, medan den kostnadsfria inte har benchmarkats av någon över huvud taget.

Den inversionen är det användbara. Instinkten är att läsa "öppna vikter" som "mer transparent" och "kommersiellt API" som "mer marknadsföring". Här går det åt andra hållet, och att förstå varför säger dig mer om att utvärdera världsmodeller 2026 än någon placering på en resultattavla gör.

Det som Odyssey publicerade, inklusive den del som kostar det en poäng

Odyssey 3 Pro rapporterade 66,1 på Physics-IQ Verified, ett benchmark för fysikalisk resonemang från video till video, och beskrev det som state of the art. Metoden bakom den siffran är det intressanta: den kom från en enda körning med best-of-eight-urval, medan benchmarkens egna regler kräver fyra körningar med en rapporterad standardavvikelse. Utan urval var genomsnittet över de fyra körningarna 63,37.

Båda siffrorna är Odysseys. {{1}}2,73-poängsgapet mellan dem{{/1}} är priset för att välja det bästa av åtta prover och kalla det för poängen, och att båda siffrorna finns offentligt är mer transparens än kategorin vanligtvis erbjuder. Enligt benchmarkens eget mått på nettoförbättring jämfört med spårets genomsnitt rankas Odyssey 3 Pro tvåa på +11,15 procentenheter, efter FLUX 3 [large] på +12,27. På WorldMark, Odysseys egen utvärdering, ligger den etta i tre av fyra kategorier – 77,2 första person stiliserad, 79,0 tredje person verklig, 76,3 tredje person stiliserad – och trea i första person verklig på 80,6, efter Lyra 2.0 på 84,4 och AlayaWorld på 83,0.

Läs de siffrorna som en köpare bör göra, och tre saker följer. För det första är modellen verkligen konkurrenskraftig: att ligga tvåa på benchmarkens eget förbättringsmått är inte en marknadsföringsartefakt. För det andra vinner den inte den kategori den marknadsförs i, och dess egen utvärdering säger det i ett av fyra spår. För det tredje, och mest användbart, är leverantörens vilja att publicera ett utvalt nummer och det icke utvalda genomsnittet sida vid sida en signal om hur man ska läsa allt annat de publicerar.

Rikta nu samma lins mot PAN 2. IFM publicerade betydligt mer utvärdering än de flesta videomodellsläpp — 300 fall med en enda åtgärd fördelade över sex kapacitetskategorier; 100 egocentriska flerstegsuppgifter formulerade på båda sätten, 200 prompter och 456 steg, poängsatta utifrån stegslutförande och slutförande av hela planen över tre seeds; Physics-IQ Verified i bild-till-video-inställningen, normaliserat så att variansen mellan två verkliga tagningar motsvarar 100; PhyGround på en femgradig skala bedömd av Qwen3.8-27B; RBench som ett oviktat medelvärde över fem uppgiftskategorier och fyra förkroppsligandekategorier; och en blind parvis mänsklig studie på 140 prompter med tretton granskare som producerade 1 400 jämförelser, Elo anpassat med Bradley–Terry och centrerat vid 1500. Det som IFM inte publicerade är ett urvalsförbehåll, eftersom det, så vitt kortet visar, inte fanns något att välja bland: siffrorna rapporteras som harness-utdata.

Båda är oreviderade. Endast en av dem är jämförbar med något annat, eftersom Odyssey körde ett offentligt benchmark och PAN 2:s huvudsiffror kommer från en privat harness. Den distinktionen – benchmark kontra harness – är värd mer än själva poängen.

Två produkter, två typer av friktion

Priset är där jämförelsen är lättast att ange och svårast att agera på.

• Styckpris — Odyssey 3 kostar ungefär $0,139 per genererad video vid 832×480 på basnivån och cirka $0,267 vid 1280×720 på Pro; PAN 2 har inget styckpris eftersom det inte finns någon värdbaserad tjänst, bara vikter och en GPU-räkning.

• Den verkliga kostnaden – Odyssey 3:s pris är hela kostnaden för ett klipp; PAN 2:s är maskinen: tretton sekunder av 704×1248-video tar cirka 119 sekunder på fyra B300:or, med åtta H200:or i BF16 som dokumenterad standard.

• Åtkomstfriktion – Odyssey 3 har en gratis webbläsardemo som vem som helst kan öppna, och API-åtkomst via kontaktformulär utan självbetjäningsnycklar och utan publicerad prislista; PAN 2 är 86,17 gigabyte fördelat på sextio filer under Apache-2.0, utan åtkomstbegränsning och utan att man behöver prata med någon.

• Vikter — Odyssey 3 publicerar inga och har ingen licens för läsning; PAN 2:s är Apache-2.0 utan krav på attribution, utan användartröskel och utan begränsning av användningsområde.

• Hastighet i ramverket — Odyssey 3 körs i 16 bildrutor per sekund vid 832×480, destillerad till några få steg så att en person kan styra i realtid; PAN 2 körs i 24 bildrutor per sekund över femtio samplersteg vid guidance 2,5.

Sätter man ihop de fem raderna står det klart att de två produkterna riktar sig till olika köpare. Odyssey 3 är prissatt för någon som vill ha klipp och inte vill äga ett datacenter – ett innehållsteam, en forskningsgrupp som kör några tusen genereringar, alla vars enhetskostnader är per utdata. PAN 2 är prissatt för någon som redan har noden, för för alla andra är att licensen är gratis det minst viktiga med den.

Det saknade talet på båda sidor är detsamma, och det är inte priset. Ingen av leverantörerna publicerar en framgångsfrekvens för det köpare faktiskt bryr sig om. Odyssey körde en körpolicy, en robotarm och en humanoid i sina genererade världar, och detaljerna i dessa demonstrationer är värda att läsa noggrant — men det tal en köpare behöver finns inte i någon av dem: ingen framgångsfrekvens för väguppgiften, ingen baslinje mot träning i den verkliga världen, ingen ablation som visar vilken del av den genererade världen som gjorde jobbet.

PAN 2:s motsvarande siffra är sämre och offentlig. Dess modellkort anger att ungefär två av tre simulerade planer innehåller minst ett steg som inte utförs. Det är en förkrossande siffra för den som hoppas kunna lämna över utdata till en robot, och det är också den enskilt mest användbara meningen i båda utgåvorna, eftersom den talar om felkvoten för det du är på väg att bygga på. En leverantör som publicerar en felkvot på två av tre och en leverantör som inte publicerar någon siffra alls är inte lika informativa, och det är den med det dåliga talet som man kan planera utifrån.

Vad var och en faktiskt genererar, och varför skillnaden är arkitektonisk

Odyssey 3 är en autoregressiv diffusionstransformator med cirka 14 miljarder parametrar, tränad på internetvideo, gameplay-material med tidsjusterad indata och simulerade stelkroppsinteraktioner och destillerad till en modell med få steg så att en person kan navigera i utdata i realtid: man promptar en miljö, rör sig genom den i första eller tredje person med oberoende kamerakontroll och utlöser händelser allt eftersom. Nivåerna skiljer sig bara åt i vad du kan se – 832×480 på basnivån för cirka $0.139 per video och 1280×720 på Pro för cirka $0.267 – med en Flash-variant bakom den kostnadsfria webbläsardemon som vem som helst kan öppna utan konto.

PAN 2 är en batch-renderare med en språkmodell inuti. En konceptuell resonemangsmotor skriver nästa världstillstånd som en strukturerad, tidsförankrad beskrivning, en fryst Qwen3.5-9B-textkodare omvandlar det till betingningsfunktioner, en 29B-diffusionstransformator fyller i den perceptuella detaljen och en Wan 2.2 VAE avkodar tjugo sekunder av 704×1248 vid 24 bildrutor per sekund. Det finns ingen interaktiv slinga: ett anrop, ett klipp, ingen återkoppling inuti anropet. Det som finns i stället är ett kontrakt – prompt-rewriter-färdigheten, en fast negativ prompt och en validator som kontrollerar bildtexter mot kodarens budget på 1 480 token som mjuk gräns och 1 536 som hård gräns, där kortet medger att agentfallstudierna förlitade sig på handförfinade prompts.

Den skillnaden avgör vad de två är bra för, långt mer än priset gör. Odyssey 3 är byggd för en person i en miljö: generera, se sig omkring, justera, generera igen. PAN 2 är byggd för en maskin som ställer en fråga: om jag gör så här, vad händer, och skulle en granskare föredra ett annat alternativ. Samplarna kodar avsikten – åtta destillerade steg för den ena, femtio steg med vägledning på 2,5 vid varje steg för den andra – och det gör även det misslyckande som var och en dokumenterar.

Demonstrationen har inget av företagen förvandlat till en mätning.

Båda utgåvorna lutar sig mot videobevis på att en policy lär sig inuti en genererad värld, och ingen av dem har publicerat siffran som skulle göra beviset bärande.

Odyssey tränade en körpolicy på cirka 20 timmar verklig indisk vägdata med en fryst backbone i sina genererade världar, och visade separat robotarmmanipulation inlärd från tiotals timmar av demonstrationer, inklusive återhämtningsbeteenden som inte fanns i träningsdatan, humanoida policies byggda med Flexion, drönarnavigering och en policy tränad i GTA V som överfördes till Red Dead Redemption 2. Överföringen mellan spel är det starkaste argumentet för en allmän videovärldsmodell som träningssubstrat, eftersom om en policy kan lära sig från filmmaterial från ett spel och fungera i ett annat, så fångade modellen något om dynamik snarare än om pixlar. Det som saknas är en publicerad framgångsfrekvens för den indiska väguppgiften, någon baslinje mot träning i den verkliga världen och någon ablation som visar vilken del av den genererade världen som gjorde jobbet.

PAN 2 har ingen policy-demo av det slaget, men det har något som Odyssey inte har: en publicerad felfrekvens. Ungefär två av tre simulerade planer innehåller minst ett steg som inte utförs. Dess kort medger också att simulering av planer som borde misslyckas, med dess egna ord, ännu inte är mätt — vilket spelar roll för ett träningssubstrat, eftersom en värld som bara visar framgång lär en policy att allt fungerar.

Ställer man de två medgivandena mot varandra blir gapet i kategorin synligt. Det ena företaget visade överföring men mätte inte tillförlitlighet. Det andra mätte ett felläge men visade inte överföring. Ingen av dem är den studie en köpare behöver, det vill säga båda modellerna på en uppgift med en policy och ett mått, körd tillräckligt många gånger för att standardavvikelsen ska vara mindre än gapet.

Vad åtkomstvägarna kostar dig i tid snarare än i pengar

Odyssey 3:s friktion är ett samtal. Det finns en gratis offentlig forskningsförhandsvisning i webbläsaren, API-åtkomst via kontaktformulär, inga självbetjäningsnycklar, ingen publicerad prislista per token eller per klipp utöver nivåsiffrorna, inga öppna vikter och ingen licens att läsa. För ett team som vill benchmarka en modell mot sin egen arbetsbelastning i eftermiddag är det ett annat hinder än ett pris: du kan prova demon och du kan prata med säljare, och ingendera ger dig en reproducerbar testrigg.

PAN 2:s friktion är en maskin. Vikterna är 86,17 gigabyte fördelade på sextio filer under Apache-2.0, utan åtkomstgrindar, ingen konversation krävs – och sedan upptäcker du att den dokumenterade serveringskonfigurationen är en nod, att samplern behöver hundra framåtpasseringar per klipp och att ett tjugosekunders 704×1248-klipp är ett eget avkodningsproblem innan parallellisering ens är på tal. Licensen är gratis och hårdvaran är det inte, vilket är samma avvägning som hela open-weight-kategorin gör och den som köpare oftast gör fel.

Ingen av friktionerna är en brist. De är de två former som en forskningsrelease antar 2026: en produkt med ett pris och ett formulär, eller en checkpoint med en licens och en räkning. Att veta vilken form du kan absorbera är ett mer användbart filter än någon benchmarkposition, och det är filtret som de flesta team tillämpar sist i stället för först.

Vad en 16 fps-produkt respektive en 24 fps-forskningsmodell är till för

Båda företagen använder uttrycket realtid, och ingen av dem avser samma storhet. Odyssey 3 med 16 bilder per sekund är 62,5 millisekunder per bild, tillräckligt snabbt för att en person som styr en kamera inte ska känna fördröjningen – det är vad en produkt behöver, och det är därför modellen destilleras till några få steg i stället för femtio. PAN 2:s tjugo sekunder vid 24 bilder per sekund är inte interaktiva alls; det är en batchrendering vars kostnad mäts i nodminuter, och syftet är att producera ett klipp som en agent eller forskare sedan granskar.

Konsekvensen för den som planerar arbete är att de två kan användas i olika loopar. Odyssey 3 passar ett arbetsflöde med människan i loopen: generera, titta, justera, generera igen, till ett pris som är lågt nog för att det ska vara billigt att iterera. PAN 2 passar en automatiserad loop: generera fem kandidatkonsekvenser, poängsätt dem med en kontrollfunktion, agera utifrån den bästa, till ett pris som är högt nog att man tänker efter innan man startar batchen. Den ena optimerar för latens per klipp, den andra för trohet per klipp, och samplerinställningarna gör avvägningen explicit — femtio steg med guidance på 2,5 vid varje steg är hundra forward-pass genom en 29B-transformator, jämfört med åtta destillerade steg genom en modell i 8–14B-klassen.

Det finns också en strukturell skillnad i vad utdata kan användas till. Odyssey 3:s genererade världar har tränat en körpolicy och en robotarm, vilket är det starkaste offentliga beviset för att en allmän video-världsmodell kan fungera som ett träningssubstrat för förkroppsligad styrning. PAN 2:s utdata har inte gjort det, och dess kort säger uttryckligen att simulering av planer som borde misslyckas ännu inte mäts — vilket spelar roll, eftersom ett träningssubstrat som bara visar framgång lär en policy att allt fungerar. Odysseys demonstrationer löser inte heller det: en policy som tränats i genererade världar och som aldrig utvärderats mot en verklig baslinje är ett lovande resultat, inte en validerad metod.

OrcaRouter passar in i endera av dem på utvärderingslagret snarare än genereringslagret, och det är värt att vara precis. Varken PAN 2 eller Odyssey 3 finns i vår katalog: den ena är en 29B diffusionsmodell som du kör på din egen nod, den andra är en hostad produkt som säljs via ett kontaktformulär, och ingen router kan betjäna någon av dem. Det som kan routas är maskineriet runt dem, vilket i båda fallen är där de verkliga utgifterna ackumuleras – en visionspråklig domare som poängsätter genererade klipp mot en bedömningsmall, en planerare som förvandlar en forskningsfråga till en batch prompter, en caption-skrivare som producerar de strukturerade världstillståndsbeskrivningar som PAN 2:s textkodare konsumerar inom en budget på 1 480 tokens mjukt och 1 536 hårt. Det är tusentals vanliga anrop mot en modell där varje utdata kostar dig en GPU-minut, vilket är exakt den typ av arbetsbelastning där en enda nyckel för fler än 200 modeller, leverantörens listpris vidarebefordrat med 0 % påslag och automatisk failover mellan leverantörer slutar vara en bekvämlighet och börjar bli skillnaden mellan en batch som blir klar och en som dör vid 80 %.

Hur man läser nästa av dessa

Tre frågor, i ordning, och ingen av dem är "vad fick den för poäng".

Är siffran från ett offentligt benchmark eller en privat harness? Odysseys genomsnitt på 63,37 över fyra körningar kan jämföras med andra poster på samma bana. PAN 2:s siffror för stegslutförande kan inte jämföras med något, eftersom ingen annan kör den harnessen. Båda är legitima; bara den ena är portabel.

Valdes resultatet ut? Ett bästa-av-åtta-tal och ett medelvärde över fyra körningar mäter olika saker, och en leverantör som publicerar båda har berättat vilket du ska åberopa. En leverantör som bara publicerar det första har också sagt dig något.

Vilken felfrekvens har uppgiften du bryr dig om? PAN 2 svarar på detta med att två av tre planer tappar ett steg. Odyssey svarar inte på det för det indiska vägexperimentet. Avsaknaden är inte oärlighet – ingen har genomfört studien – men en köpare som inte frågar köper en demo.

Tillämpat på valet framför dig: Odyssey 3 är det tillgängliga instrumentet. En gratis webbläsardemo, ett kontaktformulär, ett pris per klipp som du kan multiplicera och ett benchmarkvärde med en dokumenterad metod bakom sig. Om du behöver prova världsmodeller den här veckan och din budget är per klipp, är det den enda av de två som du kan börja med, och förbehållet är att "tillgänglig" innebär ett säljsamtal snarare än en nyckel.

PAN 2 är det granskningsbara instrumentet. Vikter, kod, ett serveringsrecept, ett bildtextskontrakt med tokenbudget, en skyddsräls med tillhörande falskpositiva siffror – 11,5 % av ofarliga text-till-video-förfrågningar och 3,3 % av ofarliga bild-till-video-förfrågningar avvisades, medan osäker text-till-video-utdata sjönk från 33,9 % till 1,5 % – och ett avsnitt om begränsningar som inleds med felfrekvensen. Om du har hårdvaran och behöver veta hur saken fungerar snarare än att den fungerar, är det den mer kompletta utgåvan i kategorin med stor marginal.

Det som skulle avgöra jämförelsen är den studie som ingendera av företagen har genomfört: båda modellerna, en uppgift, en policy, ett mått, tillräckligt många körningar för att standardavvikelsen ska vara mindre än skillnaden. Ingen har föreslagit den. Tills någon gör det är den korrekta sammanfattningen att den betalda modellen publicerade en bättre dokumenterad siffra och den kostnadsfria modellen publicerade en sämre, och det är den kostnadsfria modellen som du kan kontrollera.