Odyssey-3 so với Grok Imagine Video: Một API video tính phí đối đầu với một trình mô phỏng không định giá

Grok Imagine Video đi kèm một bảng giá và không có cách nào để điều khiển nó. Odyssey-3, sản phẩm mà Odyssey đã mở dưới dạng bản xem trước nghiên cứu công khai vào ngày 8 tháng 10 năm 2026, đi kèm một cách để điều khiển nó và hoàn toàn không có bảng giá. Chính sự bất đối xứng đó, chứ không phải bất kỳ dòng benchmark nào, mới là hình hài thực sự của màn so tài này: xAI bán video được tạo theo giây với mức giá công bố cho mọi độ phân giải, trong khi Odyssey-3 ra mắt như một mô hình thế giới tương tác mà bạn có thể điều khiển trong trình duyệt và chưa thể mua. Một trong hai thứ này bạn có thể đưa vào một sản phẩm ngay chiều nay. Thứ còn lại thì bạn chỉ có thể đánh giá.

Họ cũng bất đồng về mục đích của việc tạo video, và sự bất đồng ấy lộ rõ trên các trang của nhà cung cấp. Tài liệu của G​rok Imagine Video mở đầu bằng ảnh tham chiếu, khung hình được ghim, giọng nói khớp khẩu hình và tham chiếu giọng nói — bộ từ vựng của kiểm soát sản xuất. Điểm nhấn của Odyssey-3 là một môi trường dự đoán điều gì xảy ra tiếp theo khi bạn di chuyển qua nó hoặc kích hoạt một sự kiện. Cả hai đều là các bộ tạo dựa trên khuếch tán tạo ra video. Ngoài câu đó ra, gần như không có điểm chung nào.

Mỗi loại là gì

Odyssey-3 là một transformer khuếch tán tự hồi quy. Odyssey mô tả nó như một mô hình khuếch tán video đa bước được mở rộng theo kiểu tự hồi quy với teacher forcing và mặt nạ nhân quả, để nó tiếp tục từ các quan sát trước đó và dự đoán các trạng thái tương lai dựa trên các đầu vào hành động, sau đó được chưng cất thông qua khớp phân phối và chưng cất đối kháng thành một biến thể vài bước có khả năng tương tác thời gian thực. Nó chạy ở 832×480, với Odyssey-3 Pro ở 1280×720, và bản xem trước công khai cung cấp điều hướng góc nhìn thứ nhất, điều hướng góc nhìn thứ ba và chuyển động camera độc lập. Không có âm thanh.

Grok Imagine Video là mô hình video của xAI trong Imagine API. Thế hệ hiện tại là Grok Imagine Video 1.5, được ghi nhận trong ghi chú phát hành của xAI là hỗ trợ text-to-video, image-to-video và reference-to-video với tùy chọn giọng nói đặt trước và 1080p gốc cho hai định dạng đầu tiên — trong đó text-to-video được triển khai dưới dạng text-to-image rồi tiếp nối bằng image-to-video ở bên dưới. Nó chấp nhận tối đa mười bốn hình ảnh tham chiếu và ba tham chiếu giọng nói, hỗ trợ khung hình được ghim và giọng nói đồng bộ khớp môi, và được tính phí theo mỗi giây đầu ra được tạo. grok-imagine-video trước đó, vẫn được ghi trong tài liệu và vẫn được niêm yết giá, ở mức $0.05 mỗi giây ở 480p và $0.07 ở 720p, với video đầu vào được tính phí $0.01 mỗi giây và hình ảnh đầu vào ở mức $0.002.

Bảng giá, tức là phần bạn thực sự có thể dựa vào để lập kế hoạch

• Giá — G​rok Imagine Video được tính phí theo giây: 0,05 USD/giây ở 480p và 0,07 USD/giây ở 720p trên mô hình gốc, và G​rok Imagine Video 1.5 từ 0,08 USD/giây cho cả 480p, 720p và 1080p. G​rok Imagine Video 1.5 Lite khởi điểm từ 0,02 USD/giây cho tối đa 1080p và mười lăm giây. Odyssey-3 hoàn toàn không có giá được công bố; các con số chi phí công khai duy nhất của nó là những ước tính đã được chuẩn hóa của bảng xếp hạng, với 0,139 USD cho mỗi video được tạo bởi Odyssey-3 và 0,267 USD cho Odyssey-3 Pro.

• Một clip mười giây, tính ra — $0.50 ở 480p hoặc $0.70 ở 720p trên Grok Imagine Video; $0.80 trên Grok Imagine Video 1.5; $0.20 ở gói Lite. Odyssey-3 không thể định giá theo cách này, vì bạn không thể mua mười giây của nó.

• Độ phân giải — G​rok Imagine Video 1.5 hỗ trợ 1080p gốc cho tính năng tạo video từ văn bản và tạo video từ hình ảnh. Odyssey-3 chỉ đạt tối đa 1280×720 ở gói Pro.

• Thời lượng — G​rok Imagine Video 1.5 Lite đạt tới mười lăm giây. Đơn vị của Odyssey-3 không phải là một clip; nó là một phiên, bị giới hạn bởi khoảng thời gian mà bản xem trước còn giữ được các dự đoán của mình mạch lạc.

• Âm thanh — G​rok Imagine Video tạo giọng nói khớp khẩu hình và chấp nhận tham chiếu giọng nói. Odyssey-3 không tạo ra gì cả.

• Kiểm soát — hình ảnh tham chiếu, khung được ghim, khung đầu và khung cuối, cùng các tham chiếu giọng nói, tất cả đều được chỉ định trước khi tạo. Đối lập với điều hướng trực tiếp và các sự kiện giữa chừng trong quá trình tạo. Của G​rok là tạo tác; của Odyssey-3 là tương tác.

• Tính khả dụng — hiện đã có khóa API tự phục vụ cho Grok Imagine Video. Một biểu mẫu liên hệ và bản xem trước trên trình duyệt cho Odyssey-3.

Nơi ban vật lý đặt chúng

Physics-IQ Verified, benchmark của Anates Labs và DeepMind chấm điểm các phần tiếp diễn của những thí nghiệm vật lý thực, hiện xếp hạng 41 mô hình, và cả hai đều có mặt trong đó — điều này khiến nó trở thành bề mặt bên thứ ba duy nhất nơi hai mô hình này có thể được so sánh với nhau.

• Grok Imagine Video — xếp hạng 13, mức cải thiện ròng −4,04 điểm phần trăm so với trung bình của track, trên chính các prompt của benchmark, 24 fps, chi phí chuẩn hóa $0,352 mỗi video.

• Odyssey-3 — xếp hạng 8 trên cùng một bộ prompt ở mức +2,15 điểm phần trăm và $0,129, và xếp hạng 3 trên các prompt tùy chỉnh ở mức +9,99 điểm phần trăm.

Khoảng cách không hề nhỏ, và đây không phải là một hiện tượng giả do độ phân giải: bảng xếp hạng chuẩn hóa chi phí về 24 fps và đầu ra rộng 1280 khi đầu vào cho phép, và nó liệt kê chế độ prompt cho từng hàng. Điểm cải thiện ròng âm không phải là một tuyên bố rằng Grok Imagine Video tạo ra video kém — rõ ràng là không, và nó đang được dùng trong môi trường sản xuất với mức giá khiến nó dễ sử dụng. Đó là một tuyên bố rằng ở tác vụ cụ thể là tiếp tục chính xác một thí nghiệm vật lý, nó làm kém hơn mô hình trung bình trên bảng xếp hạng đó, trong khi Odyssey-3 làm tốt hơn mô hình trung bình trên bảng xếp hạng đó gấp đôi, dưới hai chế độ prompt khác nhau.

Tuyên bố nổi bật của chính Odyssey-3 thậm chí còn mạnh hơn: 66,1 trên hạng mục video-to-video dành cho Odyssey-3 Pro, mức điểm cao nhất mà Odyssey báo cáo, cộng thêm 54,7 cho cùng hạng đó ở image-to-video. Những con số này đến từ bài viết của Odyssey chứ không phải từ một lần chạy độc lập, và nên được hiểu theo cách đó.

Điều mà bảng giá không bao gồm

Có một khác biệt về loại ẩn sau các mức phí theo giây đáng được gọi tên, vì nó quyết định bạn muốn cái nào trong số này.

Mô hình tính phí của G​rok Imagine Video — đô-la cho mỗi giây đầu ra — là một lời hứa về thông lượng. Mỗi đô-la mua một lượng video hoàn thiện cố định, và câu hỏi duy nhất là liệu mười lăm giây ở 1080p với đồng bộ khẩu hình có đáng $1.20 hay không. Đối với một đơn vị quảng cáo, một mẫu mạng xã hội, một quy trình marketing, đó là một câu hỏi tuyệt vời với câu trả lời rõ ràng, và gói Lite ở mức $0.02/giây khiến câu trả lời trở nên dễ dàng trong phần lớn trường hợp.

Odyssey-3 không được tính phí theo cách đó và không thể như vậy, vì đầu ra của nó không phải là một đại lượng cố định. Một môi trường tương tác được tiêu thụ dựa trên việc ai đó ở trong đó bao lâu và họ thay đổi ý định bao nhiêu lần, và điều đó khiến mô hình tính theo giây trở nên vô nghĩa. Khi Odyssey công bố giá — và không có tín hiệu nào về thời điểm — nó sẽ phải là giá theo phiên, giá tính toán, hoặc một thứ gì khác chưa được phát minh cho hạng mục này. Đó không phải là lập luận chống lại Odyssey-3. Đó là lý do việc so sánh dành cho nhà phát triển giữa hai cái này hiện tại là không thể hoàn thành.

Hôm nay tiếp cận người được đo lường

Grok Imagine Video là API riêng của xAI, và OrcaRouter không host nó. Odyssey-3 không có trên bất kỳ nền tảng host nào mà chúng tôi có thể xác minh, và không có mức giá công bố nào để bất kỳ ai định tuyến ngay cả khi nó được host.

Điều mà một khóa OrcaRouter duy nhất thực sự với tới được là phần còn lại của ngăn xếp video và mô hình mà bạn sẽ xây dựng quanh phép so sánh này: MiniMax-H3 với giá 0,08 USD mỗi giây đầu ra 768P, dòng video Kling, và hơn 200 mô hình phía sau một điểm cuối duy nhất ở mức giá niêm yết của nhà cung cấp với 0% phụ phí — vì vậy khi một phòng thí nghiệm cắt giảm mức giá theo giây, thay đổi đó sẽ có hiệu lực ngay trên mức sử dụng của bạn trong cùng ngày chứ không phải đợi đến lần gia hạn hợp đồng tiếp theo. Chuyển đổi dự phòng tự động giữa các nhà cung cấp giúp một lô trộn nhiều mô hình video không bị thất bại chỉ vì một giờ lỗi của một nhà cung cấp thượng nguồn, và DSL định tuyến cho phép bạn đặt một mô hình video được lưu trữ cùng một mô hình văn bản hoặc thị giác phía sau một giao diện duy nhất, đó chính là điều mà một quy trình tạo rồi đánh giá thực sự cần. Cả Odyssey-3 lẫn Grok Imagine Video đều chưa có trong danh mục đó ở thời điểm hiện tại.

Bạn muốn cái nào?

Nếu bạn cần đầu ra video có âm thanh, ở 1080p, với mức giá mà bạn có thể ghi vào bảng tính, và bạn cần nó trong tuần này, thì Grok Imagine Video là một câu trả lời khả thi còn Odyssey-3 thì không phải là ứng viên — nó không có âm thanh, giới hạn độ phân giải thấp hơn, và không có cách nào để mua.

Nếu bạn đang xây dựng bất cứ thứ gì phải dự đoán điều gì sẽ xảy ra sau một hành động — một chính sách, một vòng điều khiển, một môi trường huấn luyện — thì bảng giá là không liên quan, còn bảng vật lý thì có. Odyssey-3 đang được chấm điểm đúng ở năng lực đó và nó nằm gần đỉnh bảng; G​rok Imagine Video, xuất sắc trong việc tạo ra một cảnh quay hoàn chỉnh, lại nằm dưới mức trung bình của track trong cùng bài kiểm tra. Những câu hỏi khác nhau, và các câu trả lời không hề trùng nhau.