Kling 4.0 vs Odyssey-3: คลิปหนึ่งคลิปกับโลกทั้งใบไม่ใช่สิ่งทดแทนกัน

ลองสั่งKling 4.0 ให้สร้างไดเนอร์ตอนตีสอง แล้วคุณจะได้ภาพยนตร์ความยาว 30 วินาทีของไดเนอร์ตอนตีสอง — ภาพยนตร์เรื่องเดียวกัน เหมือนกันทุกเฟรม ทุกครั้งที่รันพรอมป์เดิม ลองสั่งOdyssey-3 ให้สร้างไดเนอร์ตอนตีสอง แล้วคุณจะได้ไดเนอร์ที่คุณเดินเข้าไปได้ หมุนตัวอยู่ข้างในได้ และปัดถ้วยกาแฟตกจากเคาน์เตอร์ได้ โดยโมเดลจะคาดการณ์ว่าอะไรจะเกิดขึ้นต่อไปจากสิ่งที่คุณเพิ่งทำลงไป ไม่ใช่จากสิ่งที่คุณพิมพ์ พวกมันเป็นผลิตภัณฑ์ที่แตกต่างกันซึ่งติดป้ายหมวดหมู่เดียวกัน และการเปรียบเทียบจะมีประโยชน์ก็ต่อเมื่อคุณเลิกถามว่าตัวไหนสร้างวิดีโอได้ดีกว่า แล้วเริ่มถามว่าตัวไหนสร้างชิ้นงานที่โปรเจกต์ของคุณต้องการ

นั่นไม่ใช่การเลี่ยงประเด็น มันคือเหตุผลที่การเปรียบเทียบคู่นี้คุ้มค่าที่จะเขียนถึงสักหนึ่งหน้า: ลองค้นหาดู แล้วคุณจะพบบทความแบบลิสต์ที่จับสองสิ่งนี้มาจัดอันดับเทียบกันในเรื่องความละเอียดและราคา ซึ่งก็ไม่ต่างจากการเอาภาพจากกล้องมาเทียบอันดับกับเครื่องจำลองการบินในเรื่องอัตราเฟรม ตัวเลขเหล่านั้นเป็นของจริง การจัดอันดับไม่มีความหมายอะไร และการตัดสินใจที่อยู่ข้างใต้สิ่งนั้นคือสิ่งที่คุณลงมือทำได้จริง

แต่ละอันให้ผลลัพธ์อะไรอย่างแม่นยำ

Kling 4.0 เป็นโมเดลวิดีโอเชิงสร้างสรรค์จาก Kuaishou ที่เปิดให้ทุกคนใช้งานได้ตั้งแต่ 15 ตุลาคม 2026 โดยรองรับการแปลงข้อความเป็นวิดีโอ การแปลงภาพเป็นวิดีโอ เฟรมแรกและเฟรมสุดท้าย คีย์เฟรมหลายจุด การอ้างอิงแบบรอบด้าน และการแก้ไขแบบเจาะจง สร้างคลิปความยาว 3 ถึง 30 วินาทีที่ความละเอียด 720p, 1080p หรือ 4K พร้อมเสียงสเตอริโอสองช่องสัญญาณและการซิงก์ริมฝีปากหลายภาษา

Odyssey-3 เป็นเวิลด์โมเดลจาก Odyssey — ทรานส์ฟอร์เมอร์แบบดิฟฟิวชันออโตเรเกรสซีฟที่มีพารามิเตอร์ 14B ในการกำหนดค่าพื้นฐาน สร้างขึ้นเพื่อสร้างสภาพแวดล้อมจากพรอมต์ แล้วคอยทำนายสภาพแวดล้อมนั้นแบบเรียลไทม์ขณะผู้ใช้เคลื่อนที่สำรวจ พรีวิวงานวิจัยสาธารณะเปิดเมื่อวันที่ 8 ตุลาคม 2026 และเดโมฟรีในเบราว์เซอร์รันรุ่นที่เบากว่า คือ Odyssey-3 Flash มีสองระดับที่เผยแพร่: Odyssey-3 ที่ 832×480 และ Odyssey-3 Pro ที่ 1280×720

คำว่า "video" ปรากฏในคำอธิบายทั้งสองแบบและมีความหมายต่างกันในแต่ละแบบ อันหนึ่งส่งออกเป็นไฟล์ อีกอันส่งออกเป็นระบบที่คุณเป็นผู้ขับเคลื่อน

ทำไมการโต้ตอบจึงเปลี่ยนสิ่งที่โมเดลต้องเก่ง

ตัวสร้างคลิปถูกตัดสินจากหน้าตาของลำดับภาพที่กำหนดตายตัว: องค์ประกอบ แสง การเคลื่อนไหว และมือมีห้านิ้วหรือไม่ มันสามารถใช้Compute budgetทั้งหมดไปกับการทำให้วิถีหนึ่งวิถีดูสวยงามได้ เพราะมีเพียงวิถีเดียว

โมเดลโลกถูกตัดสินจากสิ่งที่เกิดขึ้นหลังจากคุณเข้าไปแทรกแซง เอกสารอธิบายสถาปัตยกรรมของ Odyssey บรรยายถึงทรานส์ฟอร์เมอร์แบบดิฟฟิวชันวิดีโอหลายขั้นตอนที่ขยายแบบออโตรีเกรสซีฟผ่าน teacher forcing และ causal masking พร้อมไปป์ไลน์หลังการฝึกที่ผสานการจับคู่การแจกแจงและการกลั่นแบบปฏิปักษ์เข้าเป็นตัวแปรแบบไม่กี่ขั้นตอน ดิฟฟิวชันให้ความเที่ยงตรง ออโตรีเกรสซีฟให้ความสามารถในการอยู่รอดตลอดลำดับการกระทำ และการกลั่นให้ความเร็วสัญญาณนาฬิกา ทั้งสามส่วนล้วนเป็นองค์ประกอบสำคัญที่รับน้ำหนักโครงสร้าง และทั้งสามคือคำอธิบายของบริษัทเกี่ยวกับระบบของตัวเอง

ความแตกต่างนั้นปรากฏอยู่ในเบนช์มาร์กที่ Odyssey เลือก Physics-IQ Verified ซึ่งดำเนินการโดย Anates Labs ร่วมกับ DeepMind จะให้โมเดลดูฟุตเทจของการทดลองทางฟิสิกส์จริง — ของไหล ทัศนศาสตร์ กลศาสตร์ของแข็ง แม่เหล็ก อุณหพลศาสตร์ — และให้คะแนนการคาดการณ์สิ่งที่เกิดขึ้นต่อจากนั้นเทียบกับสิ่งที่เกิดขึ้นจริง เป็นเบนช์มาร์กที่โกงได้ยากเพราะเฉลยคือโลกทางกายภาพ ปัจจุบันจัดอันดับโมเดล 41 รุ่นจาก 16 แล็บ

ตัวเลขทางฟิสิกส์ พร้อมข้อควรระวังที่แนบมาด้วย

• Odyssey-3 Pro — 66.1 บนแทร็ก video-to-video ของ Physics-IQ Verified ซึ่งเป็นคะแนนดิบสูงสุดที่ Odyssey รายงาน นั่นคือค่าดีที่สุดจาก 8 ครั้งจากการรันครั้งเดียว ส่วนค่าเฉลี่ยจากการรันสี่ครั้งโดยไม่มีการคัดเลือกคือ 63.37

• การปรับปรุงสุทธิเมื่อเทียบกับค่าเฉลี่ยของแทร็ก — FLUX 3 [large] นำอยู่ที่ +12.27 จุดเปอร์เซ็นต์ Odyssey-3 Pro อยู่อันดับสองที่ +11.15 และ Odyssey-3 อยู่อันดับสามที่ +9.99

• ต้นทุนต่อวิดีโอที่สร้างขึ้นแบบปรับมาตรฐาน — Odyssey-3 Pro $0.267, Odyssey-3 $0.139 เมื่อเทียบกับ FLUX 3 [large] ที่ $0.868 และ Seedance 2.5 ที่ $2.838 ต้นทุนถูกปรับมาตรฐานเป็น 24 fps และเอาต์พุตความกว้าง 1280 ในกรณีที่กระดานอันดับสามารถทำได้

• WorldMark — Odyssey-3 อยู่ในอันดับหนึ่งในสามจากการแบ่งสี่ส่วน การแบ่งที่ไม่ได้ชนะคือสภาพแวดล้อมจริงแบบบุคคลที่หนึ่ง ซึ่งอยู่ในอันดับสามที่ 80.6 ตามหลัง Lyra 2.0 ที่ 84.4 และ AlayaWorld ที่ 83.0 นี่คือการประเมินโดยผู้ขายที่รันบนชุดข้อมูลของผู้อื่นด้วยคำบรรยายของ benchmark เอง ไม่ใช่เวทีของบุคคลที่สาม

• ความเป็นอิสระ — ไม่มี ตัวเลขทั้งหมดข้างต้นเป็นการรายงานตนเอง ไม่มีผู้ประเมินภายนอกคนใดรัน Odyssey-3 บนฮาร์เนสที่ตนไม่ได้เลือกเอง

อ่านแถวที่สองสองครั้ง ในเมตริกที่ปรับตามความยากของแทร็ก Odyssey-3 Pro ไม่ได้อยู่ในอันดับแรก — ตัวสร้างวิดีโอทั่วไปต่างหากที่อยู่ พาดหัวของบริษัทคือคะแนนดิบ ส่วนสรุปที่บอร์ดชอบกลับจัดให้อยู่ที่สอง ทั้งสองอย่างเป็นความจริง และความแตกต่างนี้คือสิ่งประเภทที่โพสต์เปิดตัวมักละไว้

หลักฐานที่อยู่ฝั่ง Kling 4.0 นั้นบางกว่า ไม่ใช่ดีกว่า

Kuaishou ยังไม่ได้เผยแพร่ผลทดสอบมาตรฐานใด ๆ ของตัวเองสำหรับKling 4.0 และโมเดลนี้ไม่ปรากฏอยู่ในกระดานจัดอันดับวิดีโอของ Artificial Analysis ณ วันที่ 23 ตุลาคม นั่นไม่ใช่ผลลัพธ์ที่แย่ — แต่ไม่ใช่ผลลัพธ์เลยต่างหาก สิ่งที่มีอยู่คือสเปก บันทึกการเปิดตัว และความประทับใจจากการลองใช้จริงเป็นเวลาหนึ่งสัปดาห์จากผู้ที่สามารถเข้าถึงแอปได้ ซึ่งเป็นฐานหลักฐานที่อ่อนกว่าคะแนนที่ Odyssey ส่งเข้ามาเอง และยังเป็นฐานคนละแบบกันโดยสิ้นเชิง

ข้อกำหนดนี้แข็งแกร่งอย่างแท้จริง และแข็งแกร่งในแง่ที่สำคัญต่อเอาต์พุตที่เขียนขึ้นมากกว่าสำหรับการจำลอง:

• ระยะเวลา — 3 ถึง 30 วินาทีในการสร้างครั้งเดียว โดยมีฟีเจอร์ขยายไปถึง 2 นาทีที่ระบุว่าเร็ว ๆ นี้ ตัวอย่างของ Odyssey สร้างสภาพแวดล้อมแบบต่อเนื่อง ไม่ใช่คลิปที่กำหนดเวลาไว้

• ความละเอียด — 720p, 1080p และ 4K โดยสองระดับสูงสุดมี 10-bit HDR ซึ่งระบุว่าเร็วๆ นี้ Odyssey-3 Pro คือ 1280×720 ที่จุดสูงสุดของช่วง และระดับพื้นฐานคือ 832×480

• การควบคุม — ภาพคีย์เฟรมได้สูงสุด 10 ภาพ และโควตาการอ้างอิง 15 รายการที่แบ่งใช้ across ภาพ วินาทีวิดีโอ เสียง และองค์ประกอบ นั่นคือพื้นผิวการควบคุมของผู้กำกับ: คุณกำหนดได้ว่าเกิดอะไรขึ้นเมื่อใด

• เสียง — สเตอริโอสองแชนเนลพร้อมลิปซิงก์ในเก้าภาษาและสำเนียงที่มีชื่อระบุ ตัวอย่างของ Odyssey ไม่มีเอาต์พุตเสียงที่เทียบได้ เพราะคุณไม่ได้กำลังดูฉากที่เสร็จสมบูรณ์

• การเข้าถึง — ผลิตภัณฑ์สำหรับผู้บริโภคเปิดให้ใช้งานแล้ว; API เริ่มเปิดให้ลูกค้าองค์กรและนักพัฒนาเมื่อวันที่ 21 ตุลาคม โดยตารางราคาสำหรับนักพัฒนายังคงระบุว่าโมเดลนี้ "เร็วๆ นี้" และแสดงเฉพาะอัตราราคาพรีวิวเท่านั้น

ต้นทุนต่อผลลัพธ์ ไม่ใช่ต้นทุนต่อวินาที

หน่วยการคิดราคาสองแบบไม่สามารถแปลงกลับไปกลับมาได้ ซึ่งเป็นสาเหตุที่ตารางเปรียบเทียบคำนวณผิดพลาด อัตราพรีวิวของ Kling 4.0 อยู่ที่ $0.157 ต่อวินาทีที่ 720p และ $0.235 ที่ 1080p โดยไม่มีอัตรา 4K เผยแพร่ออกมา ส่วนรายการบนลีดเดอร์บอร์ดของ Odyssey อยู่ที่ $0.139 หรือ $0.267 ต่อวิดีโอที่สร้างขึ้น โดยปรับให้เป็นมาตรฐานเพื่อการเปรียบเทียบข้ามโมเดลที่มีอัตราเฟรมต่างกัน

หากคุณต้องการช็อต 1080p ความยาว 30 วินาที Kling 4.0 ในอัตราช่วงพรีวิวจะอยู่ที่ประมาณ $7.05 โดยสมมติว่าอัตรานี้ยังคงอยู่หลังเปิดตัว หากคุณต้องการสภาพแวดล้อมที่สำรวจได้ความยาวสิบนาทีที่ 720p ตัวเลขต่อวิดีโอของ Odyssey ก็ไม่ได้บอกอะไรคุณเลย เพราะ “วิดีโอ” ในคอลัมน์นั้นคือตัวอย่างสำหรับการ benchmarking ไม่ใช่เซสชัน กล่าวอย่างตรงไปตรงมาคือ ผลิตภัณฑ์หนึ่งมีอัตราต่อวินาที ส่วนอีกผลิตภัณฑ์หนึ่งเป็นพรีวิวเชิงวิจัยที่ไม่มีรายการราคาเลย งบประมาณเทียบกันไม่ได้เมื่อมีช่องว่างเช่นนั้น

ปัญหาการเข้าถึงนั้นสมมาตร และนั่นคือประเด็นในทางปฏิบัติ

ทั้งสองโมเดลไม่ใช่การเรียกใช้แบบเสียบแทนได้ทันที Kling 4.0 กำลังทยอยเปิดให้ใช้งานพร้อมราคาพรีวิว Odyssey-3 เป็นพรีวิวเชิงวิจัยที่มีแบบฟอร์มติดต่อเพื่อขอเข้าถึง API ไม่มีเอกสารเรื่องการจำกัดอัตราการเรียกใช้ และไม่เปิดเผยน้ำหนักโมเดล

สำหรับทีมที่กำลังประเมินทั้งสองโมเดล สิ่งที่ทำแล้วเกิดประโยชน์คือทำให้ evaluation harness เป็นอิสระจาก SDK ของผู้ให้บริการรายใดรายหนึ่ง OrcaRouterไม่ได้โฮสต์โมเดลใดในสองโมเดลนี้ — ไม่มีเส้นทาง Odyssey และไม่มีตัวระบุ Kling 4.0 ในแคตตาล็อก — แต่งานที่อยู่รอบ ๆ โมเดลเหล่านี้เป็นการรับส่งผ่าน API ตามปกติ ได้แก่ ขั้นตอน prompt expansion ที่เปลี่ยนคำอธิบายช็อตให้เป็นสิ่งที่วิดีโอโมเดลนำไปใช้ได้ รายการช็อต การใส่คำบรรยาย และขั้นตอนให้คะแนนที่ตัดสินว่าจะเก็บตัวอย่างใดจากแปดตัวอย่าง สิ่งเหล่านี้ทำงานบน endpoint เดียวที่เข้ากันได้กับ OpenAI ครอบคลุมโมเดลกว่า 200 โมเดลในราคาตามรายการของผู้ให้บริการโดยไม่มี markup 0% และระบบ failover อัตโนมัติหมายความว่าการประเมินแบบกวาดทั้งหมดจะไม่หยุดชะงักเพียงเพราะผู้ให้บริการต้นทางรายหนึ่งกำลังมีปัญหาช่วงบ่าย เมื่อโมเดลใดโมเดลหนึ่งเปิด API แบบ self-serve harness ก็มีรูปแบบที่พร้อมอยู่แล้ว

โมเดลที่คุณเรียกใช้ได้ในวันนี้เป็นรุ่นก่อนหน้าทั้งสองฝั่ง Kling 3.0 อยู่บน OrcaRouter ในราคา $0.084 ต่อคำขอ Odyssey ไม่มีรุ่นก่อนหน้าที่เรียกผ่านเราเตอร์ได้ ความไม่สมมาตรนี้ชวนให้สังเกต: ในหมวดหมู่ที่โมเดลที่น่าสนใจมักเป็นตัวที่ใช้ไม่ได้ ตัวสำรองฝั่ง Kling อย่างน้อยก็เป็นปลายทางจริง

จริง ๆ แล้วใครควรเป็นคนเลือกอันไหน

เลือก Kling 4.0 หากสิ่งที่ต้องส่งมอบคือช็อตที่เสร็จสมบูรณ์ เช่น โฆษณา ลำดับในมิวสิกวิดีโอ ภาพยนตร์โฆษณาสินค้า หรืออะไรก็ตามที่คนจะตัดสินทั้งเฟรมและเสียงแล้วจึงส่งออก การประมวลผลครั้งเดียวความยาว 30 วินาที คีย์เฟรม 10 จุด และเสียงสเตอริโอ ล้วนมุ่งเป้าไปที่งานนั้น และไม่มีเวิลด์โมเดลใดทดแทนสิ่งเหล่านี้ได้

เลือก Odyssey-3หากสิ่งที่ต้องส่งมอบคือสภาพแวดล้อมที่ใครสักคนเข้าไปลงมือทำสิ่งต่างๆ ภายใน เช่น ข้อมูลสำหรับฝึกอบรมหุ่นยนต์ การสร้างต้นแบบเชิงพื้นที่ เดโมที่คล้ายเกม หรือการประเมินเอเจนต์แบบ embodied ผลลัพธ์ของ Physics-IQ การนำทางแบบบุคคลที่หนึ่งและบุคคลที่สาม และรายงานของผู้ขายเกี่ยวกับนโยบายหุ่นยนต์ที่ถ่ายโอนออกจากแบ็กโบนที่ถูกแช่แข็ง ถือเป็นหลักฐานประเภทที่เหมาะสมสำหรับงานนั้น โดยขอให้คุณจำไว้ว่าหลักฐานเหล่านั้นเป็นของผู้ขาย

อย่าเลือกทั้งคู่ หากสิ่งที่คุณต้องการคือเอนด์พอยต์ที่ใช้งานซ้ำได้และเรียกเก็บเงินได้ภายในเดือนนี้ ทั้งคู่ยังอยู่ระหว่างการทยอยเปิดให้บริการ ตัวหนึ่งยังไม่มีราคา ส่วนอีกตัวมีอัตราแบบพรีวิว และการสร้างเส้นทางโปรดักชันบนตัวใดตัวหนึ่งในวันนี้ ก็คือการเดิมพันกับกำหนดการเปิดตัวที่คุณไม่ได้ควบคุม

สิ่งที่ทำให้เรื่องนี้ยุติได้ไม่ใช่ benchmark ที่ทั้งสองโมเดลทำได้ แต่เป็นการทดสอบเวิร์กโฟลว์: เลือกฉากหนึ่งฉาก สร้างมันเป็นช็อตแบบกำหนดเองความยาว 20 วินาทีใน Kling 4.0 จากนั้นสร้างสถานที่เดียวกันขึ้นใหม่ใน Odyssey-3 แล้วลองจัดฉากแอ็กชันเดียวกันด้วยการควบคุมกล้อง หากเวอร์ชันโต้ตอบไม่สามารถรักษาองค์ประกอบภาพที่คุณต้องการไว้ได้ โมเดลโลกก็เป็นเครื่องมือที่ผิด ไม่ว่าคะแนนฟิสิกส์จะเท่าไรก็ตาม หากเวอร์ชันที่กำหนดเองไม่สามารถทนต่อการเปลี่ยนมุมมองได้ ตัวสร้างคลิปก็เป็นเครื่องมือที่ผิดเช่นกัน การทดลองนั้นใช้เวลาช่วงบ่ายช่วงหนึ่งและบอกคุณได้มากกว่า Elo ใด ๆ ของทั้งสองฝ่าย