Odyssey-3: Mô hình thế giới nền tảng của Odyssey thực sự là gì

Điều đầu tiên cần nắm cho đúng về Odyssey-3 chính là danh từ. Nó không phải một trình tạo video được gắn mác mô hình thế giới vì lý do tiếp thị — Odyssey Systems mô tả nó, trên chính trang công bố của mình, là “một hệ động lực được học, được triển khai dưới dạng một transformer khuếch tán tự hồi quy, dự đoán cách các vật thể di chuyển và tương tác trong không gian cũng như cách các tình huống tiến triển theo thời gian.” Bản phát hành gồm hai phiên bản, Odyssey-3 ở 832×480 và Odyssey-3 Pro ở 1280×720, là một mô hình mà bạn hành động bên trong, chứ không phải một mô hình bạn nhập lệnh một lần rồi rời đi. Odyssey đã công bố công trình này vào ngày 15 tháng 9 năm 2026 với tiêu đề “A General-Purpose Physical Intelligence” và mở bản xem trước nghiên cứu công khai vào ngày 8 tháng 10 năm 2026; trang này là mục tham chiếu cho chính mô hình, không phải một báo cáo về một trong hai ngày đó.

Điều đó nghĩa là gì trên thực tế: trên trang riêng của Odyssey, bạn gõ một prompt, mô hình dựng nên một môi trường, và bạn di chuyển trong đó — ở góc nhìn thứ nhất, thứ ba, hoặc như một camera bay tự do — trong khi mô hình liên tục dự đoán điều gì sẽ xảy ra tiếp theo. Odyssey gọi biến thể chưng cất, ít bước nằm ở trung tâm của trải nghiệm đó là “có khả năng tương tác theo thời gian thực”. Không có gì về nó được định giá, cấp phép hay cho tải xuống. Không có thẻ mô hình, không có bản phát hành trọng số, và không có khóa tự phục vụ. Sự kết hợp đó chính là toàn bộ câu hỏi của người đọc, và đáng để tiếp cận theo đúng trình tự mà quyết định thực sự cần đến.

Odyssey-3 thuộc lớp mô hình nào?

Những độc giả tìm kiếm "Odyssey 3 world model" đã phân loại đúng, và đó là thuật ngữ của chính Odyssey: tiêu đề trang gọi Odyssey-3 là "mô hình thế giới nền tảng mạnh mẽ nhất từ trước đến nay" của mình. Lớp chính xác hẹp hơn so với "mô hình thế giới" trong cách dùng chung. Odyssey-3 là một mô hình môi trường tương tác, được điều kiện hóa bởi hành động — nó tạo ra một môi trường nhập thể từ một lời nhắc, rồi dự đoán môi trường đó thay đổi ra sao khi một người hoặc tác nhân thực hiện hành động hay đưa vào các sự kiện, được điều kiện hóa dựa trên các quan sát trước đó cộng với đầu vào mới nhất. Cách diễn đạt của Odyssey là bản xem trước hôm nay "cung cấp khả năng điều hướng ở góc nhìn thứ nhất và thứ ba cùng với chuyển động camera độc lập."

Vì sao đó là một sản phẩm khác với một mô hình video, theo lời kể của chính Odyssey về cách nó được xây dựng:

• Nó được xây dựng như một transformer khuếch tán video đa bước với các prompt và điều khiển được phân giải theo thời gian, sau đó được mở rộng theo hướng tự hồi quy thông qua teacher forcing và mặt nạ nhân quả để có thể tiếp tục từ các quan sát trước đó và dự đoán các trạng thái tương lai được điều kiện hóa bởi các đầu vào hành động.

• Một quy trình hậu huấn luyện kết hợp khớp phân phối và chưng cất đối kháng tạo ra một biến thể chưng cất chỉ vài bước — mảnh ghép giúp tương tác thời gian thực trở nên khả thi ngay từ đầu, vì một mô hình khuếch tán cần hàng chục bước khử nhiễu cho mỗi khung hình thì không thể theo kịp một lần nhấn phím.

• Nó được huấn luyện trên video internet mang các chú thích sự kiện được định vị theo thời gian và xác minh theo lược đồ, trên các bản ghi trò chơi với đầu vào bàn phím và chuột được căn chỉnh theo thời gian, và trên các tương tác vật thể rắn mô phỏng kèm chú thích và siêu dữ liệu. Các nguồn trò chơi và mô phỏng chính là thứ gắn hành động với quan sát; video internet cung cấp độ bao phủ.

• Đầu ra là video, và bề mặt đầu vào bao gồm lời nhắc văn bản, hình ảnh được tải lên, và chuyển động liên tục hoặc điều khiển camera. Nó không phải là mô hình ngôn ngữ và không có cửa sổ ngữ cảnh theo nghĩa LLM; không có gì trong tài liệu của Odyssey mô tả một cái như vậy.

Vậy câu trả lời đúng gọn trong một dòng là: một mô hình thế giới, cụ thể là một mô hình môi trường tương tác xuất ra video — không phải một trình tạo video, và cũng không phải một LLM đa phương thức gần với chatbot. Mười hai trang so sánh trên trang web này, vốn đặt nó đối chiếu với Seedance, Veo, Kling, Runway và những thứ tương tự, đang so sánh một môi trường với các trình tạo clip; những benchmark bên dưới là nơi sự khác biệt đó thực sự thể hiện thành những con số.

Những gì bạn có thể làm với nó ngày hôm nay

Bản xem trước nghiên cứu đã hoạt động tại experience.odyssey.systems, và trang của Odyssey nêu rõ rằng "bản xem trước nghiên cứu của chúng tôi hiện đã sẵn sàng." Đọc chính ứng dụng xem trước, các điều khiển gồm có:

• Một hộp nhập lệnh ("Mô tả điều bạn muốn AI mô phỏng"), một mục tải ảnh lên, và một thư viện các cảnh gợi ý để bạn duyệt bằng các phím mũi tên và chọn bằng Enter.

• Ba ý định camera ban đầu — “World View”, được mô tả trong giao diện là “một camera tự do trôi nổi không gắn với người chơi”; “First-Person View”, “nhìn qua đôi mắt của chủ thể có thể chơi được”; và “Third-Person View”.

• Nút điều khiển khởi động bắt đầu mô phỏng, sau đó bạn có thể di chuyển khắp môi trường, đưa các sự kiện vào giữa quá trình sinh và xem mô hình phản hồi thế nào.

Hai điều về quyền truy cập mà bạn không nên phải tự mình phát hiện theo cách khó nhọc. Đầu tiên, nút trong bản xem trước ghi "Try Odyssey-3 Flash" — một tên hạng không xuất hiện ở bất cứ đâu khác trên trang web. Odyssey chỉ đặt tên cho đúng hai hạng, Odyssey-3 và Odyssey-3 Pro, và không công bố thông số kỹ thuật, kích thước hay độ phân giải nào cho bất kỳ thứ gì được gọi là Flash. Hãy coi nhãn đó là chưa được giải thích cho đến khi Odyssey có tài liệu về nó. Thứ hai, lối vào API không phải là tự phục vụ. Liên kết "Get API Access" trỏ đến developer.odyssey.ml, và trang đó hiện ghi: "Odyssey-2 Max hiện đang được triển khai dần cho những người dùng API hiện hữu. Nếu bạn đã có tài khoản với chúng tôi, vui lòng tiếp tục. Nếu không, hãy đến đây để yêu cầu quyền truy cập ưu tiên." Nền tảng dành cho nhà phát triển đang được quảng bá hiện nay là Odyssey-2 Max, không phải Odyssey-3. Đối với một người xây dựng, con đường đến Odyssey-3 là biểu mẫu liên hệ trên chính trang web của Odyssey, và mô tả trung thực về nó là một hàng chờ.

Những giới hạn mà Odyssey ghi lại — và những giới hạn mà nó không ghi lại

Đây là lúc một trang tham chiếu chứng minh được giá trị của mình, bởi vì những khoảng trống cũng quan trọng cho việc ra quyết định chẳng kém gì các con số.

• Độ phân giải — Odyssey-3 832×480; Odyssey-3 Pro 1280×720. Do nhà cung cấp công bố, được nêu trực tiếp trên trang thông báo.

• Tốc độ khung hình — không được Odyssey công bố. Con số về tốc độ khung hình duy nhất ở bất cứ đâu trong tài liệu gốc là cột "Output FPS" của bảng xếp hạng Physics-IQ Verified, trong đó ghi 16 cho mọi mục Odyssey so với 24 cho FLUX 3 [large]. Đó là một trường do bên thứ ba cung cấp trên một bảng xếp hạng của bên thứ ba, không phải thông số kỹ thuật của nhà cung cấp, và đó là con số mà bảng xếp hạng dùng để chuẩn hóa chi phí.

• Thời lượng clip — không được công bố. Odyssey không ghi rõ độ dài tối đa của một lần tạo, độ dài clip, cũng như độ dài phiên. WorldMark, bộ đánh giá chuẩn mà Odyssey dẫn ra cho chất lượng mô hình thế giới, chạy các ca kiểm thử của riêng nó ở 20, 40 và 60 giây — đó là độ dài phép thử của bộ đánh giá chuẩn, không phải giới hạn được ghi nhận của Odyssey-3, và việc đánh đồng chúng sẽ là một sai lầm.

• Giới hạn tương tác — không được công bố dưới dạng các giới hạn. Odyssey có tài liệu về các chế độ khả dụng (góc nhìn thứ nhất, góc nhìn thứ ba, camera tự do, các sự kiện giữa tiến trình tạo) nhưng không công bố con số độ trễ nào, không có số hành động đồng thời tối đa, và không có tuyên bố về việc một phiên có thể chạy trong bao lâu trước khi thế giới suy giảm.

• Mô hình chi phí — con số tài chính duy nhất mà Odyssey công bố là một giả định, không phải một mức giá: khi tính trục chi phí của biểu đồ Physics-IQ, họ "giả định 1 USD cho mỗi giờ GPU MI355X, không bao gồm phí viết lại prompt". Tính đến hôm nay, không có bảng giá, không có mức phí theo giây và không có cơ chế tín dụng nào trên bất kỳ trang Odyssey nào.

Trọng số, mã và giấy phép: không có cái nào trong ba thứ đó

Trả lời thẳng, trên cả ba điểm. Không có trọng số nào được phát hành — việc tìm kiếm trên Hugging Face cho các mô hình của Odyssey Systems không trả về kết quả nào từ công ty, và không có trang Odyssey nào đề cập đến checkpoint, repository, hay bản tải xuống. Không có mã huấn luyện hay suy luận nào được công bố. Và không có giấy phép nào được công bố cho Odyssey-3; tài liệu duy nhất có dạng giấy phép và điều khoản trên trang web là trang Điều khoản API, được cập nhật lần cuối vào 2026-01-22, vẫn còn điều chỉnh "nguyên mẫu của giao diện lập trình ứng dụng Odyssey-2" — một tài liệu có trước Odyssey-3 hai thế hệ mô hình và không nêu tên nó.

Nếu bất kỳ trang nào ở đâu đó nói với bạn rằng Odyssey-3 là open-weights, hoặc trích dẫn giấy phép cho nó, thì trang đó chỉ đang phỏng đoán. Không có gì trong tài liệu của chính Odyssey hỗ trợ cho bất kỳ tuyên bố nào trong hai tuyên bố đó ở thời điểm hiện tại.

Odyssey tuyên bố những gì, và những gì đã thực sự được đo lường

Odyssey đưa ra một tuyên bố benchmark nổi bật: "Odyssey-3 Pro thiết lập một chuẩn mực tiên tiến mới trên benchmark video-to-video của Physics-IQ Verified, đạt 66.1, điểm cao nhất được báo cáo," cùng với tuyên bố thứ hai rằng Odyssey-3 "đứng thứ nhất ở 3 trong số 4 hạng mục của WorldMark trong các đánh giá của chúng tôi." Hai tuyên bố đó có những cơ sở biện minh khác nhau và nên được đọc tách riêng.

Physics-IQ Verified là một bảng xếp hạng bên thứ ba thực sự.Bảng này do Anates Labs vận hành cùng với DeepMind, hiện liệt kê 41 mô hình từ 16 phòng thí nghiệm, và chấm điểm các mô hình bằng cách cho chúng xem video về các thí nghiệm vật lý thực tế — động lực học chất lưu, quang học, cơ học vật rắn, từ học, nhiệt động lực học — rồi đo phần tiếp diễn của chúng so với những gì thực sự đã xảy ra. Đọc bảng xếp hạng đã xác minh video-sang-video vào ngày 2026-10-13:

• Odyssey-3 Pro, lấy mẫu BoN ×8 — 66,10, hạng 01. Odyssey-3, BoN ×8 — 64,43, hạng 02. FLUX 3 [large], BoN ×8 — 64,35 ± 0,22, hạng 03. Con số 66,1 của nhà cung cấp khớp với hàng trên cùng trên bảng xếp hạng, nên tuyên bố "điểm số được báo cáo cao nhất" vẫn đứng vững trên chính bảng xếp hạng hiện tại của bảng đó.

• Các hàng tạo một lần thấp hơn và gần nhau hơn: Odyssey-3 Pro 63,37 ± 0,63; Odyssey-3 61,56 ± 1,20; FLUX 3 [large] 61,11 ± 0,55. Thứ tự không ổn định giữa các lần lấy mẫu. Dưới best-of-8, mức 64,43 của mô hình cơ sở cao hơn FLUX 3 (64,35) 0,08 điểm và mức 66,10 của Pro cao hơn 1,75. Dưới chế độ tạo một lần, FLUX 3 nằm giữa hai hàng Odyssey — thấp hơn 61,56 của Odyssey-3 là 0,45 và thấp hơn 63,37 của Pro là 2,26.

• Hàng quan trọng nhất đối với một độc giả hoài nghi nằm ở phía dưới. Odyssey-3 cũng xuất hiện với nguồn prompt được đánh dấu "BPP" — prompt do benchmark cung cấp, không viết lại bằng LLM — ở mức 51,76 ± 0,69, hạng 08. Hàng prompt tùy chỉnh của nó là 61,56. Trên các prompt của chính benchmark, điểm đã xác minh của mô hình thấp hơn khoảng mười điểm so với khi dùng prompt của chính nó. Bảng xếp hạng nói rõ rằng các chi phí LLM/prompt riêng biệt được cộng thêm sau khi chuẩn hóa chi phí tạo, và rằng việc viết lại prompt của Odyssey API được ước tính là 0,01 USD cho mỗi video được gửi, với mỗi lượt chạy best-of-8 dùng chung một prompt đã được viết lại.

• Trên bảng xếp hạng image-to-video đã được xác minh, thứ hạng lại khác và cách nhà cung cấp định vị cần được điều chỉnh cho phù hợp: FLUX 3 [large] dẫn đầu với 54,70 (BoN ×8), Odyssey-3 Pro đứng thứ hai với 54,69 và Odyssey-3 đứng thứ ba với 52,83. Một phần mười điểm không phải là lợi thế dẫn đầu theo bất kỳ hướng nào. Tuyên bố đạt trình độ tiên tiến nhất của Odyssey là tuyên bố về video-to-video, và trên image-to-video thì nó không phải là đơn vị dẫn đầu.

• Chi phí chuẩn hóa, mà bảng tính toán ở 24 fps và đầu ra rộng 1280 nơi các đầu vào được báo cáo: trên các hàng video-to-video best-of-8, Odyssey-3 Pro là $3.484 và Odyssey-3 là $1.430 so với FLUX 3 [large] ở $16.430; trên các hàng tạo một lần, Odyssey-3 Pro là $0.444 và Odyssey-3 là $0.187. Lưu ý rằng các bài đưa tin trước đó về lần ra mắt này đã dẫn $0.139 và $0.267 cho hai hạng Odyssey — đó là các hàng tạo một lần image-to-video trên cùng bảng, không phải các hàng video-to-video, và không nên hoán đổi hai mục này. Con số này không thay đổi; nó thuộc về một hàng lấy mẫu khác.

• Các chỉ số con, đã xác minh video sang video: Odyssey-3 Pro dẫn đầu về không gian ở mức 73.19 và không gian có trọng số ở mức 65.07; Odyssey-3 dẫn đầu về không-thời gian ở mức 70.44. FLUX 3 [large] dẫn đầu về sai số bình phương trung bình ở mức 57.39, với Odyssey-3 Pro đứng thứ hai ở mức 55.81. Odyssey dẫn trước về mặt không gian và không dẫn trước về sai số.

Tuyên bố về WorldMark có cơ sở yếu hơn, và đây là phần cần đọc kỹ. WorldMark là một bộ benchmark công khai, có thật đến từ Alaya Lab, University of Tokyo và Shanghai Innovation Institute: nó chạy mười mô hình từ một từ vựng hành động kiểu WASD dùng chung qua hơn 500 trường hợp chuẩn hóa và chấm điểm chín chỉ số tất định trên động lực học hành động, bộ nhớ thế giới và chất lượng hình ảnh. Cách định khung của Odyssey là "trong đánh giá của chúng tôi, sử dụng chính chú thích của benchmark và giá trị trung bình của 13 điểm chỉ số được báo cáo của nó, Odyssey-3 xếp hạng nhất trong các môi trường cách điệu ở góc nhìn thứ nhất, thực tế ở góc nhìn thứ ba, và cách điệu ở góc nhìn thứ ba." Ba điều suy ra từ tư liệu sơ cấp:

• Đây là một đánh giá tự thực hiện. Odyssey đã chạy benchmark và báo cáo kết quả; các tác giả của WorldMark đã không công bố kết quả đó.

• Odyssey-3 không xuất hiện trong chính các kết quả đã công bố của benchmark. Đọc trang kết quả của WorldMark vào ngày 2026-10-13, bốn hạng mục liệt kê mười mô hình — AlayaWorld, DreamX-World, HY-GameCraft 1.0, HY-World 1.5, LingBot-World, Lyra 2.0, Matrix-Game 2.0, Matrix-Game 3.0, SANA-WM và Yume 1.5 — và Odyssey-3 không nằm trong số đó. Vì vậy, không thể đối chiếu thứ hạng với chính các con số của benchmark, bởi vì trên bảng công khai thì không có số nào.

• Số lượng chỉ số mà Odyssey mô tả khác với mô tả của chính benchmark. Trang của WorldMark mô tả "chín chỉ số tất định" trong ba hạng mục; Odyssey mô tả "giá trị trung bình của 13 điểm chỉ số được báo cáo của nó." Cả hai đều có thể đúng với những góc nhìn khác nhau về bộ chỉ số, nhưng người đọc không thể dung hòa chúng từ bên ngoài, và con số thay đổi chính là con số hàng đầu.

• Hạng mục duy nhất mà Odyssey-3 không thắng trong đánh giá của chính mình là hạng mục gần nhất với lời giới thiệu sản phẩm: môi trường thực ở góc nhìn thứ nhất, nơi con số 80,6 của Odyssey thấp hơn 84,4 của Lyra 2.0 và 83,0 của AlayaWorld. Lợi thế được nêu của mô hình tập trung ở các thế giới cách điệu và góc nhìn thứ ba.

Ngoài hai benchmark, mọi tuyên bố về năng lực đều do nhà cung cấp báo cáo và chưa được tái lập độc lập, và trang tham chiếu nên nói rõ điều đó mà không làm nhẹ đi. Odyssey báo cáo một bộ giải mã hành động cho cánh tay robot được huấn luyện trên "chỉ vài chục giờ trình diễn robot" đã tạo ra các hành vi phục hồi không có trong các trình diễn, bao gồm việc định hướng lại bộ kẹp sau một lần kẹp trượt. Nó báo cáo các chính sách điều khiển hình người do Flexion xây dựng trên Odyssey-3 đã vượt trội so với các đường cơ sở VLA được thử nghiệm khi môi trường thay đổi, và tiếp tục hoạt động dưới những thay đổi ánh sáng khiến các đường cơ sở đó bị phá vỡ. Nó báo cáo một chính sách lái xe được huấn luyện trên 20 giờ dữ liệu lái xe với phần xương sống Odyssey-3 được giữ đóng băng, lái xe trong vòng kín trên đường thực ở Ấn Độ — và con số so sánh duy nhất trong công trình đó là các chính sách chỉ mô phỏng đã đi được khoảng 77% quãng đường giữa các lần can thiệp của tài xế an toàn so với các chính sách được huấn luyện trên cảnh quay thực. Nó báo cáo việc tạo đa cảm biến, với một checkpoint Odyssey-3 tạo ra đồng thời ba góc nhìn camera phía trước của một bộ dữ liệu lái xe chỉ sau 100 bước huấn luyện. Không có phần nào trong đó được chạy lại bởi bất kỳ ai ngoài Odyssey, và không có bên thứ ba nào công bố một con số cho Odyssey-3 mà Odyssey không cung cấp.

Ngoài ra, cho đến nay vẫn chưa có so sánh đối đầu trực tiếp nào để dựa vào. Chưa ai chạy Odyssey-3 đối chiếu với FLUX 3 [large] hay bất kỳ mô hình nào khác trong cùng harness và cùng cách lấy mẫu bên ngoài chính bản nộp Physics-IQ, và bảng Physics-IQ đúng là nơi lựa chọn lấy mẫu — best-of-8 so với một lần sinh, prompt tùy chỉnh so với prompt benchmark — làm kết quả lệch đi mười điểm. Hãy coi bất kỳ bảng xếp hạng nào không nêu rõ hàng lấy mẫu của nó là không có thông tin hữu ích.

Cách để có được nó và làm gì trong lúc chờ đợi

Hiện nay, các route là bản xem trước trên trình duyệt tại experience.odyssey.systems và biểu mẫu liên hệ trên odyssey.systems để truy cập API. Đó là danh sách đầy đủ; không có trang báo giá, không có tài liệu về giới hạn tần suất và không có khóa tự phục vụ. Odyssey-3 cũng không phải thứ chúng tôi có thể định tuyến cho bạn — chưa có API nào có thể gọi được để trỏ tới, nên mọi thông tin về tính sẵn sàng nhắm đến nhà phát triển đều là quá sớm.

Nếu điều đó khiến bạn vẫn cần một thứ có thể dùng ngay trong tuần này, thì nước đi hữu ích nằm ở kiến trúc chứ không phải ở biên tập: hãy giữ mô hình phía sau một giao diện do bạn kiểm soát, để việc thả Odyssey-3 vào sau này chỉ là một thay đổi cấu hình chứ không phải viết lại. Đó chính là trường hợp mà các lớp định tuyến sinh ra để giải quyết, và cũng là cách đúng đắn để đánh giá một mô hình mà điểm benchmark dao động tới mười điểm tùy theo cách lấy mẫu — bạn muốn có thể A/B thứ thật sự với mô hình hiện tại của mình trên chính prompt của bạn, trên một khóa duy nhất, mà không cần hợp đồng thứ hai. OrcaRouter đặt hơn 200 mô hình phía sau một endpoint duy nhất, chuyển tiếp đúng giá niêm yết của nhà cung cấp với mức markup 0%, và tự động chuyển đổi dự phòng giữa các nhà cung cấp — điều này quan trọng nhất đúng với tình huống mà Odyssey-3 đang ở: một mô hình bạn chưa thể có, bên cạnh những mô hình bạn có thể có.

Những gì cần theo dõi, một cách cụ thể, và theo thứ tự mức độ chúng sẽ làm thay đổi câu trả lời: một mức giá được công bố và một khóa tự phục vụ; một giấy phép và một bản phát hành trọng số, hoặc một tuyên bố rõ ràng rằng cả hai đều sẽ không đến; một đặc tả tốc độ khung hình và thời lượng từ Odyssey thay vì từ một cột trên bảng xếp hạng; và Odyssey-3 xuất hiện trong chính các kết quả do WorldMark công bố, điều này sẽ biến một bảng xếp hạng tự chạy thành một bảng có thể kiểm chứng. Cho đến khi ít nhất mục đầu tiên và mục cuối cùng trong số đó xuất hiện, mô tả chính xác về Odyssey-3 là một mô hình thế giới nền tảng thực sự thú vị — một mô hình môi trường tương tác xuất ra video, không phải một trình tạo video — với một kết quả benchmark bên thứ ba mạnh mẽ theo lấy mẫu best-of-8, một kết quả khiêm tốn hơn nhiều theo chính các prompt của benchmark, và hoàn toàn không có bề mặt thương mại nào.