Odyssey-3 vs FLUX 3 Video: Một trình mô phỏng và một trình kết xuất không phải là cùng một công cụ

Odyssey-3 và FLUX 3 Video được so sánh vì cả hai đều tạo ra video về một thế giới không tồn tại, và đại khái đó là nơi sự giống nhau kết thúc. FLUX 3 Video là mô hình tạo sinh của Black Forest Labs, được cung cấp rộng rãi từ ngày 4 tháng 8 năm 2026, biến một câu lệnh hoặc khung hình bắt đầu thành tối đa hai mươi giây MP4 1080p SDR với âm thanh gốc, tính giá theo mỗi giây đầu ra. Odyssey-3 là mô hình thế giới nền tảng của Odyssey, được xem trước ngày 15 tháng 9 năm 2026 và chưa được cung cấp công khai, mô phỏng cách một cảnh diễn biến dưới các hành động và gắn một bộ giải mã đã học để biến mô phỏng đó thành lệnh chuyển động cho một cánh tay robot, một robot hình người, một ô tô hoặc một máy bay không người lái. Một cái là trình kết xuất: nó tạo ra các quan sát để con người xem. Cái kia là trình mô phỏng: nó tạo ra một trạng thái mà một chương trình có thể tác động lên. Dù sao thì đặt chúng đối đầu trực tiếp vẫn hữu ích — không phải để tôn một người thắng, mà bởi vì hai thứ chúng xuất ra là hai thứ khác nhau mà rất nhiều nhóm hiện đang cố mua bằng một dòng ngân sách.

Sự khác biệt nằm ở những gì xuất ra từ mô hình

Cách gọn gàng nhất để duy trì sự phân biệt là hệ phân loại mà World Labs đã công bố cho các mô hình thế giới, hệ này sắp xếp các hệ thống theo việc chúng xuất ra phần nào của vòng lặp tri giác – hành động. Một bộ kết xuất xuất ra các quan sát — pixel, dành cho mắt người, được đánh giá dựa trên độ trung thực thị giác. Một bộ mô phỏng xuất ra trạng thái — một biểu diễn của thế giới đủ trung thực về mặt hình học và vật lý để cả con người lẫn chương trình có thể tính toán trên đó. Một bộ lập kế hoạch xuất ra hành động. FLUX 3 Video hoàn toàn là một bộ kết xuất, và là một bộ kết xuất xuất sắc. Odyssey-3 đang nhắm vào cột mô phỏng với một chân đặt trong cột lập kế hoạch, bởi vì bộ giải mã hành động chính là thứ cho phép mô phỏng điều khiển phần cứng.

Đó không phải là một sự phân biệt mang tính tiếp thị, và nó có một phép thử thực tế. Kết xuất một căn phòng bằng mô hình video, bước điểm nhìn của bạn ra khỏi đó, rồi quay lại: đồ đạc có thể không còn ở nơi bạn để lại, vì mô hình dự đoán theo từng khung hình và chưa bao giờ duy trì một thế giới bền vững. Hỏi một trình mô phỏng điều tương tự thì câu trả lời đáng lẽ phải ổn định, bởi mục đích của mô hình nằm ở trạng thái bên dưới các khung hình. Thông báo của chính Odyssey cũng dựa vào điều này — lý do để xây dựng một mô hình động lực học thay vì một trình tạo video là một chính sách được huấn luyện bên trong nó có thể được đánh giá và cải thiện, chứ không chỉ được xem.

Cụ thể là FLUX 3 Video

Black Forest Labs đã phát hành FLUX 3 Video vào ngày 4 tháng 8 năm 2026, và bảng thông số kỹ thuật của nó hướng đến đầu ra sản xuất chứ không phải mô phỏng. Nó tạo ra tối đa hai mươi giây trong một lần chạy duy nhất ở độ phân giải lên tới 1080p, ở dạng SDR, dưới dạng MP4, với âm thanh gốc được tạo cùng lúc với hình ảnh. Giá được tính theo mỗi giây video được tạo: gói nháp 720p ở mức 0,06 USD mỗi giây, gói tiêu chuẩn 720p ở mức 0,17 USD, và 1080p ở mức 0,29 USD, với công việc video sang video được định giá cao hơn các mức đó. Đó là các con số từ nhà cung cấp.

Con số benchmark duy nhất mà Black Forest Labs gắn cho nó là chỉ số Elo nội bộ 1.135 cho văn bản thành video, đây là đánh giá do nhà cung cấp tự thực hiện và chưa được tái lập độc lập — FLUX 3 Video hiện chưa xuất hiện trên các bảng xếp hạng video độc lập. Hãy coi thứ hạng đó như một tuyên bố. Điều không còn phải bàn cãi là khả năng bàn giao: một API được định giá, có tài liệu, tính theo giây, trả về một tệp, ngay hôm nay.

Odyssey-3, cụ thể là

Odyssey-3 là một bản xem trước với một kiến trúc và không có giá. Nó là một transformer khuếch tán tự hồi quy được huấn luyện trên quan sát thị giác, và đặc điểm nổi bật của nó là bộ giải mã hành động — "một thành phần đầu ra được học gắn vào mô hình thế giới," theo cách nói của Odyssey, được huấn luyện trên các cặp quan sát-hành động để dịch biểu diễn nội bộ của mô hình thành các hành động mà một phần cứng cụ thể cần. Odyssey báo cáo rằng nó điều khiển cánh tay robot từ hàng chục giờ trình diễn, các chính sách cho robot hình người được xây dựng với Flexion trong thời gian thực, lái xe vòng kín từ 20 giờ dữ liệu mô phỏng, bay drone tránh chướng ngại vật trong nhà, và chơi kéo dài trong Grand Theft Auto V với khả năng chuyển giao sang Red Dead Redemption 2 và Sleeping Dogs mà không cần huấn luyện chính sách bổ sung trong các tựa game đó. Công ty cũng báo cáo một số liệu so sánh: các chính sách lái xe được huấn luyện bằng mô phỏng đi được khoảng 77% quãng đường giữa các lần can thiệp của người lái an toàn so với các chính sách được huấn luyện trên cảnh quay thực. Không có đánh giá độc lập nào, không có báo cáo kỹ thuật cho Odyssey-3, và không có ngày phát hành nào ngoài "những tuần tới." Mọi số liệu đều là của chính Odyssey.

Sự tương phản, xét theo từng chiều

• Đầu ra của nó — FLUX 3 Video: một tệp MP4 gồm các pixel. Odyssey-3: một trạng thái thế giới mô phỏng, cùng các hành động vận động thông qua bộ giải mã hành động.

• Ai là người sử dụng nó — FLUX 3 Video: một người đang xem, hoặc một biên tập viên đang hoàn thiện bản dựng. Odyssey-3: một bộ điều khiển robot, một chính sách lái xe, hoặc một tác nhân RL đang được huấn luyện.

• Đầu ra tối đa — FLUX 3 Video: tối đa 20 giây cho một lần chạy, tối đa 1080p SDR, âm thanh gốc. Odyssey-3: triển khai liên tục chừng nào mô phỏng còn duy trì được, ở bất kỳ tốc độ khung hình nào mà việc triển khai yêu cầu.

• Giá — FLUX 3 Video: $0,06/s bản nháp 720p, $0,17/s 720p, $0,29/s 1080p (nhà cung cấp). Odyssey-3: chưa công bố.

• Tình trạng khả dụng — FLUX 3 Video: GA kể từ 2026-08-04. Odyssey-3: bản xem trước, được công bố công khai là "trong vài tuần tới."

• Điểm chuẩn — FLUX 3 Video: Elo 1.135 T2V do nhà cung cấp công bố, chưa được tái lập, không xuất hiện trên các bảng xếp hạng độc lập. Odyssey-3: không có bảng điểm chuẩn, chỉ một con số sim-to-real từ nhà cung cấp.

Sự bất đối xứng về giá chính là tiêu đề trung thực.

Một trong hai có giá, còn cái kia thì không, và chỉ riêng sự thật đó đã cho bạn biết nhiều hơn về việc chọn giữa chúng so với bất kỳ tuyên bố nào về năng lực. FLUX 3 Video có chi phí tính theo giây đầu ra, nên một nhóm có thể tính được chi phí của một trăm clip trước khi tạo ra clip đầu tiên. Odyssey-3 không có giá công bố, không có API và không có ngày ra mắt, nên chi phí sử dụng nó hiện tại là không thể biết được — và hình hài của hóa đơn cũng vậy. Các mô hình thế giới kiểu mà Odyssey mô tả thường được tính phí rất khác so với tạo sinh video: không phải theo giây của những pixel đẹp đẽ mà theo giờ mô phỏng, bởi vì người tiêu dùng là một vòng lặp huấn luyện có thể chạy hàng triệu bước. So sánh $0.29 mỗi giây với con số không thì không phải là một sự so sánh, và bất kỳ trang nào trình bày nó như thể là một sự so sánh thì đang lấp đầy một khoảng trống bằng một phỏng đoán.

Nơi mà họ thực sự sẽ gặp nhau

Hai thứ này không phải là phương án thay thế cho nhau, và câu hỏi thú vị hơn là liệu chúng có kết hợp được với nhau không. FLUX 3 Video là công cụ tốt hơn cho bất cứ thứ gì mà sản phẩm đầu ra là một tệp để con người xem: một ảnh chụp sản phẩm, một biến thể quảng cáo, một bản cắt ngắn cho mạng xã hội, một bản tiền hình dung. Odyssey-3, nếu nó thực sự làm được như kỳ vọng, là công cụ tốt hơn cho bất cứ thứ gì mà sản phẩm đầu ra là một chính sách phải vận hành trong thế giới vật lý, hoặc một cảnh mà một chương trình phải suy luận về nó. Trong pipeline làm phim hoặc trò chơi, cách bố trí hợp lý không phải là hoặc cái này hoặc cái kia — một mô hình thế giới tạo ra môi trường tương tác, và một trình kết xuất tạo ra những khung hình hoàn thiện được xuất xưởng.

Hiện nay có một giới hạn thực sự đối với bố cục đó, và nó chính là giới hạn SDR. FLUX 3 Video xuất ra MP4 SDR. Odyssey-3 xuất ra một môi trường mô phỏng, không phải một tệp đã được chỉnh màu. Cả hai đều không phải là công cụ hoàn thiện HDR, vì vậy một pipeline mà kết thúc bằng sản phẩm bàn giao cho phát sóng hoặc chiếu rạp vẫn cần một bước mastering sau cả hai.

Định tuyến, và những gì nó bao gồm cũng như không bao gồm ở đây

Cả hai mô hình đều không thể định tuyến qua OrcaRouter ở thời điểm hiện tại. FLUX 3 Video được phát hành từ API riêng của Black Forest Labs và một số nền tảng bên thứ ba; còn Odyssey-3 thì không có sẵn từ bất kỳ ai, vì nó chưa được phát hành. Điểm mà một lớp định tuyến khẳng định được vị trí của mình trong một pipeline như thế này là ở lớp phía trên mô hình video — mô hình ngôn ngữ soạn thảo danh sách cảnh quay, mô hình thị giác kiểm tra khung hình đã tạo so với bản mô tả yêu cầu, mô hình chuyển văn bản biến lời thuyết minh đã ghi âm thành phụ đề. Đó đều là những khối lượng công việc định tuyến thông thường, và chúng nằm trên một API duy nhất trải khắp hơn 200 mô hình với mức giá niêm yết của nhà cung cấp cùng markup 0%, nên khi nhà cung cấp giảm giá, hóa đơn của bạn được cập nhật ngay trong cùng ngày thay vì phải chờ đến kỳ gia hạn hợp đồng tiếp theo. DSL định tuyến chính là phần quan trọng đối với một pipeline nhiều giai đoạn: nhiều mô hình được kết hợp thành một lệnh gọi duy nhất, với chuyển đổi dự phòng tự động khi một nhà cung cấp bị suy giảm, để một bước render không thất bại chỉ vì endpoint của mô hình prompt đang gặp trục trặc. Không có phần nào trong số đó lưu trữ FLUX 3 Video hay Odyssey-3, và bài viết này không hề tuyên bố điều ngược lại.

Cái nào, cho ai

Nếu sản phẩm bàn giao của bạn là một tệp — một clip, một bản cắt ngắn, một bản tiền hình dung — thì FLUX 3 Video là lựa chọn bạn có thể mua ngay hôm nay, với mức giá công bố theo giây, có âm thanh gốc và đầu ra một lượt dài hai mươi giây, và tuyên bố Elo của nhà cung cấp là một phần thưởng hợp lý hơn là lý do để chọn nó. Nếu sản phẩm bàn giao của bạn là một bộ điều khiển phải hoạt động trên phần cứng, thì Odyssey-3 là sản phẩm nhắm vào vấn đề của bạn, và lời khuyên trung thực là hãy chờ: chưa có giá, chưa có ngày, và chưa có con số độc lập nào, còn con số 77% về sim-to-real là của chính Odyssey và chưa được tái lập.

Điều cần chú ý không phải là mô hình nào thắng, vì chúng không đua với nhau. Mà là liệu bộ giải mã hành động của Odyssey-3 có khái quát hóa được trên sáu embodiment mà thông báo liệt kê hay không, một khi các nhóm bên ngoài có thể chạy nó. Đó là tuyên bố có khả năng mang lại lợi ích lớn nhất nếu đứng vững, và bằng chứng hiện tại cho điều đó là một danh sách các màn trình diễn chứ không phải một phép đo.