Kling 4.0 vs Odyssey-3: Một clip và một thế giới không thể thay thế cho nhau

Hãy yêu cầu Kling 4.0 tạo một quán ăn lúc 2 giờ sáng và bạn nhận được một đoạn phim 30 giây về một quán ăn lúc 2 giờ sáng — cùng một đoạn phim, y hệt từng khung hình, mỗi lần bạn chạy cùng một câu lệnh. Hãy yêu cầu Odyssey-3 tạo một quán ăn lúc 2 giờ sáng và bạn nhận được một quán ăn mà bạn có thể bước vào, xoay người bên trong, và hất một chiếc cốc cà phê khỏi quầy, với mô hình dự đoán điều gì sẽ xảy ra tiếp theo dựa trên việc bạn vừa làm gì chứ không phải dựa trên những gì bạn đã gõ. Đó là những sản phẩm khác nhau khoác chung một nhãn danh mục, và việc so sánh chỉ trở nên hữu ích khi bạn thôi hỏi cái nào tạo ra video tốt hơn và bắt đầu hỏi cái nào tạo ra sản phẩm đầu ra mà dự án của bạn cần.

Đó không phải là một cách né tránh. Đó chính là lý do cuộc so tài này đáng để dành hẳn một trang: cứ tìm kiếm đi, bạn sẽ thấy đầy những bài danh sách xếp chúng đối đầu nhau theo độ phân giải và giá, mà điều đó chẳng khác nào đem một chiếc máy ảnh so với một trình mô phỏng bay theo tốc độ khung hình. Những con số là thật, nhưng bảng xếp hạng thì vô nghĩa, và quyết định nằm bên dưới đó lại là điều bạn thực sự có thể đưa ra.

Chính xác thì mỗi cái xuất ra gì

Kling 4.0 là mô hình video tạo sinh của Kuaishou, được cung cấp cho mọi người kể từ ngày 15 tháng 10 năm 2026. Mô hình thực hiện chuyển văn bản thành video, chuyển hình ảnh thành video, khung đầu và khung cuối, nhiều khung hình chính, tham chiếu toàn diện và chỉnh sửa có mục tiêu, tạo ra các clip dài từ 3 đến 30 giây ở độ phân giải 720p, 1080p hoặc 4K, với âm thanh stereo hai kênh và đồng bộ khẩu hình đa ngôn ngữ.

Odyssey-3 là một mô hình thế giới từ Odyssey — một transformer khuếch tán tự hồi quy, 14B tham số trong cấu hình cơ sở, được xây dựng để tạo ra một môi trường từ một câu lệnh rồi tiếp tục dự đoán môi trường đó trong thời gian thực khi có người điều hướng. Bản xem trước nghiên cứu công khai của nó đã mở vào ngày 8 tháng 10 năm 2026, và một bản demo miễn phí trên trình duyệt chạy một biến thể nhẹ hơn, Odyssey-3 Flash. Có hai cấp độ được công bố: Odyssey-3 ở 832×480 và Odyssey-3 Pro ở 1280×720.

Từ "video" xuất hiện trong cả hai phần mô tả và mang nghĩa khác nhau ở mỗi phần. Một cái xuất ra một tệp. Cái còn lại xuất ra một hệ thống mà bạn điều khiển.

Vì sao tính tương tác thay đổi những gì mà mô hình cần phải giỏi

Một trình tạo clip được đánh giá dựa trên việc một chuỗi cố định trông như thế nào: bố cục, ánh sáng, chuyển động, liệu bàn tay có năm ngón hay không. Nó có thể dành toàn bộ ngân sách tính toán để làm cho một quỹ đạo trở nên đẹp đẽ, vì chỉ có một quỹ đạo mà thôi.

Một mô hình thế giới được đánh giá dựa trên những gì xảy ra sau khi bạn can thiệp. Bài viết về kiến trúc của Odyssey mô tả một transformer khuếch tán video nhiều bước được mở rộng theo kiểu tự hồi quy thông qua teacher forcing và mặt nạ nhân quả, cùng một quy trình hậu huấn luyện kết hợp khớp phân phối và chưng cất đối kháng thành một biến thể vài bước. Khuếch tán cung cấp độ trung thực, tự hồi quy cung cấp khả năng trụ vững qua một chuỗi hành động, và chưng cất cung cấp tốc độ vận hành. Cả ba đều thiết yếu, và cả ba đều là lời kể của công ty về hệ thống của chính mình.

Sự khác biệt đó thể hiện rõ trong bộ đánh giá mà Odyssey đã chọn. Physics-IQ Verified, do Anates Labs phối hợp với DeepMind thực hiện, cho các mô hình xem đoạn phim về các thí nghiệm vật lý thực tế — chất lưu, quang học, cơ học vật rắn, từ học, nhiệt động lực học — và chấm điểm phần dự đoán diễn biến tiếp theo so với điều thực sự đã xảy ra. Đây là một bộ đánh giá khó mà gian lận, vì đáp án chính là thế giới vật lý. Hiện nó xếp hạng 41 mô hình đến từ 16 phòng thí nghiệm.

Những con số vật lý, cùng với các lưu ý kèm theo

• Odyssey-3 Pro — 66,1 trên hạng mục video sang video của Physics-IQ Verified, điểm thô cao nhất mà Odyssey báo cáo. Đó là con số tốt nhất trong 8 mẫu từ một lần chạy; trung bình cộng của bốn lần chạy không lựa chọn là 63,37.

• Cải thiện ròng so với mức trung bình của đường đua — FLUX 3 [large] dẫn đầu với +12,27 điểm phần trăm, Odyssey-3 Pro đứng thứ hai với +11,15, Odyssey-3 đứng thứ ba với +9,99.

• Chi phí chuẩn hóa trên mỗi video được tạo — Odyssey-3 Pro $0.267, Odyssey-3 $0.139, so với FLUX 3 [large] ở $0.868 và Seedance 2.5 ở $2.838. Chi phí được chuẩn hóa về 24 fps và đầu ra rộng 1280 khi bảng xếp hạng có thể.

• WorldMark — Odyssey-3 đứng đầu ở ba trong bốn phân nhóm. Phân nhóm mà nó không giành chiến thắng là môi trường thực tế góc nhìn thứ nhất, nơi nó xếp thứ ba với 80,6, sau Lyra 2.0 với 84,4 và AlayaWorld với 83,0. Đây là một đợt đánh giá do nhà cung cấp thực hiện trên tập dữ liệu của người khác với chính chú thích của benchmark, không phải một đấu trường của bên thứ ba.

• Tính độc lập — không có. Mọi con số nêu trên đều do tự báo cáo. Không có bên đánh giá bên ngoài nào đã chạy Odyssey-3 trên một harness mà họ không tự chọn.

Đọc dòng thứ hai hai lần. Trên chỉ số có điều chỉnh theo độ khó của đường đua, Odyssey-3 Pro không đứng đầu — một trình tạo video tổng quát mới là. Con số được công ty đưa lên hàng tít là điểm thô; bản tóm tắt mà bảng xếp hạng ưu tiên lại xếp nó ở vị trí thứ hai. Cả hai đều đúng, và sự khác biệt chính là kiểu điều mà một bài đăng ra mắt bỏ qua.

Bằng chứng về phía Kling 4.0 yếu hơn, chứ không phải tốt hơn

Kuaishou chưa công bố bất kỳ benchmark nào của riêng mình cho Kling 4.0, và mô hình này vắng mặt trên các bảng xếp hạng video của Artificial Analysis tính đến ngày 23 tháng 10. Đó không phải là một kết quả tệ — mà là không có kết quả nào. Những gì hiện có là một bản đặc tả, một ghi chú phát hành và một tuần trải nghiệm thực tế từ những người có quyền truy cập ứng dụng, một cơ sở bằng chứng yếu hơn điểm số do chính Odyssey tự nộp và hoàn toàn khác về bản chất.

Bản đặc tả thực sự vững chắc, và nó vững chắc theo những cách quan trọng đối với đầu ra do tác giả tạo ra chứ không phải để mô phỏng:

• Thời lượng — 3 đến 30 giây trong một lượt, với tính năng mở rộng lên tới 2 phút được ghi là sắp ra mắt. Bản xem trước của Odyssey tạo ra một môi trường liên tục, không phải một clip có thời lượng định sẵn.

• Độ phân giải — 720p, 1080p và 4K, với HDR 10-bit ở hai phân hạng cao nhất được ghi là sắp ra mắt. Odyssey-3 Pro là 1280×720 ở mức cao nhất trong dải của nó, và phân hạng cơ bản là 832×480.

• Kiểm soát — tối đa 10 hình ảnh keyframe và ngân sách tham chiếu 15 mục được phân bổ giữa hình ảnh, số giây video, giọng nói và các thành phần. Đó là bề mặt điều khiển của đạo diễn: bạn chỉ định điều gì xảy ra khi nào.

Âm thanh — stereo hai kênh với đồng bộ khẩu hình trên chín ngôn ngữ và các giọng điệu được đặt tên. Bản xem trước của Odyssey không có đầu ra âm thanh tương đương vì bạn không phải đang xem một cảnh đã hoàn thiện.

• {{1}}Truy cập{{/1}} — sản phẩm dành cho người tiêu dùng đã ra mắt; API bắt đầu mở cho khách hàng doanh nghiệp và nhà phát triển vào ngày 21 tháng 10, trong khi bảng giá dành cho nhà phát triển vẫn đánh dấu mô hình là {{2}}Sắp ra mắt{{/2}} và chỉ liệt kê mức giá xem trước.

Chi phí theo kết quả, không phải chi phí theo giây

Hai đơn vị tính giá này không quy đổi được cho nhau, đó là lý do các bảng so sánh bị sai. Mức giá xem trước của Kling 4.0 là $0.157 mỗi giây ở 720p và $0.235 ở 1080p, chưa công bố mức giá 4K. Mục trên bảng xếp hạng của Odyssey là $0.139 hoặc $0.267 mỗi video được tạo, được chuẩn hóa để so sánh giữa các mô hình có tốc độ khung hình khác nhau.

Nếu bạn muốn một cảnh quay 1080p dài 30 giây, Kling 4.0 ở mức giá xem trước là khoảng $7,05, với giả định mức giá đó vẫn được giữ sau khi ra mắt. Nếu bạn muốn mười phút môi trường có thể khám phá ở 720p, con số tính theo video của Odyssey không cho bạn biết gì cả, vì một "video" trong cột đó là một mẫu đánh giá chuẩn, không phải một phiên. Cách nói trung thực là một sản phẩm có mức giá theo giây còn sản phẩm kia là bản xem trước nghiên cứu không có bảng giá nào cả. Ngân sách không thể so sánh qua khoảng cách đó.

Vấn đề tiếp cận mang tính đối xứng, và đó chính là khía cạnh thực tiễn.

Cả hai mô hình đều không phải là giải pháp thay thế trực tiếp. Kling 4.0 đang mở dần theo từng giai đoạn với mức giá xem trước; Odyssey-3 là bản xem trước nghiên cứu với biểu mẫu liên hệ để truy cập API, không có tài liệu về giới hạn tốc độ và không có trọng số.

Với một nhóm đang đánh giá cả hai, động thái hữu ích là giữ bộ khung đánh giá độc lập với SDK của bất kỳ nhà cung cấp nào trong hai. OrcaRouter không lưu trữ mô hình nào trong hai — không có tuyến Odyssey và không có mã định danh Kling 4.0 trong danh mục — nhưng công việc xoay quanh chúng là lưu lượng API thông thường: bước mở rộng prompt biến mô tả cảnh quay thành thứ mà mô hình video có thể dùng, danh sách cảnh quay, việc tạo chú thích, bước chấm điểm quyết định giữ lại mẫu nào trong tám mẫu. Những việc đó chạy trên một endpoint tương thích OpenAI trên hơn 200 mô hình với giá niêm yết của nhà cung cấp cùng {{1}}mức markup 0%{{/1}}, và tính năng chuyển đổi dự phòng tự động nghĩa là một đợt quét đánh giá không bị chết chỉ vì một upstream đang gặp trục trặc trong một buổi chiều. Khi một trong hai mô hình mở API tự phục vụ, bộ khung đánh giá đã sẵn có hình dạng phù hợp.

Những mô hình bạn có thể gọi ngày hôm nay đều là thế hệ trước ở cả hai phía. Kling 3.0 có trên OrcaRouter với giá 0,084 USD mỗi yêu cầu. Odyssey không có phiên bản tiền nhiệm nào có thể định tuyến. Sự bất đối xứng đó đáng để lưu tâm: trong một hạng mục mà mô hình thú vị thường lại là mô hình không khả dụng, thì phương án dự phòng ở phía Kling ít nhất vẫn là một điểm cuối thực sự.

Ai thực sự nên chọn cái nào

Chọn Kling 4.0 nếu sản phẩm bàn giao là một cảnh quay hoàn chỉnh: một quảng cáo, một chuỗi video âm nhạc, một phim sản phẩm, bất cứ thứ gì mà ai đó sẽ đánh giá khung hình và âm thanh rồi xuất nó. Lượt chạy đơn 30 giây, 10 khung hình chính và âm thanh stereo đều hướng đến công việc đó, và không có mô hình thế giới nào thay thế được chúng.

Chọn Odyssey-3 nếu sản phẩm bàn giao là một không gian mà ai đó hành động bên trong: dữ liệu huấn luyện robot, tạo mẫu không gian, bản demo kiểu trò chơi, đánh giá tác nhân hiện thân. Các kết quả Physics-IQ, điều hướng góc nhìn thứ nhất và thứ ba cùng báo cáo của nhà cung cấp về việc các policy robot chuyển được ra khỏi một backbone đóng băng là loại bằng chứng phù hợp cho công việc đó, miễn là bạn nhớ rằng chúng là của nhà cung cấp.

Hãy chọn không cái nào cả nếu thứ bạn cần trong tháng này là một endpoint có thể lặp lại và có thể tính phí. Cả hai đều đang trong quá trình triển khai, một cái chưa có giá và cái kia có mức giá preview, và một lộ trình production được xây dựng trên một trong hai vào hôm nay là đặt cược vào lịch ra mắt mà bạn không kiểm soát.

Điều có thể giải quyết chuyện này không phải là một benchmark mà cả hai mô hình đều có thể thực hiện. Mà là một bài kiểm tra quy trình làm việc: lấy một cảnh, tạo nó thành một cảnh quay được dàn dựng dài 20 giây trong Kling 4.0, sau đó dựng lại đúng địa điểm đó trong Odyssey-3 và thử dàn cảnh cùng hành động bằng cách điều khiển camera. Nếu phiên bản tương tác không thể giữ được bố cục bạn cần, thì mô hình thế giới là công cụ sai bất kể điểm số vật lý của nó. Nếu phiên bản được dàn dựng không thể trụ được khi thay đổi góc nhìn, thì trình tạo clip là công cụ sai. Thí nghiệm đó chỉ tốn một buổi chiều và cho bạn biết nhiều hơn bất kỳ chỉ số Elo nào ở cả hai phía.