Odyssey-3 vs Luma Ray 3.2: Một thế giới để bước vào hay một tệp để chỉnh màu

Luma Ray 3.2 làm được một điều mà gần như không thứ gì khác trong tạo video làm được: nó đưa cho bạn các khung HDR 10-, 12- và 16-bit theo chuẩn EXR ACES2065-1, vốn là định dạng mà một chuyên gia chỉnh màu thực sự muốn và là lý do mô hình tồn tại ở dạng hiện tại. Odyssey-3 làm được một điều mà không mô hình video nào làm cả: nó nhận một hành động làm đầu vào và dự đoán thế giới sẽ làm gì tiếp theo, rồi chuyển dự đoán đó thành lệnh động cơ cho một cánh tay robot, một robot hình người, một ô tô hay một drone. Luma Ray 3.2, được Luma AI phát hành ngày 9 tháng 6 năm 2026, là một công cụ tạo sinh gần với khâu hoàn thiện hậu kỳ với API dành cho nhà phát triển. Odyssey-3, được Odyssey giới thiệu trước vào ngày 15 tháng 9 năm 2026, là một mô hình thế giới nền tảng chưa phát hành, không có giá và không có ngày ra mắt. So sánh chúng không hẳn là một cuộc so găng mà là một cách để hỏi xem pipeline của bạn thực sự đang thiếu thứ nào trong hai đầu ra rất khác nhau — một khung đã chỉnh màu, hay một thế giới phản hồi lại điều khiển.

Ray 3.2 được xây dựng xoay quanh sản phẩm bàn giao

Điểm đáng chú ý của bản phát hành Ray 3.2 không nằm nhiều ở chất lượng tạo sinh mà ở chỗ nó dừng lại. Nó tạo ở 540p, 720p và 1080p, thành các clip 5 hoặc 10 giây, với sáu tỷ lệ khung hình bao gồm dọc, vuông và màn hình rộng, và nó chấp nhận văn bản, khung hình bắt đầu, khung hình kết thúc hoặc video có sẵn để chỉnh sửa. Lối HDR chính là điểm khác biệt, và nó đi kèm những ràng buộc thực sự đáng được nêu chính xác: đầu ra HDR 10-, 12- và 16-bit ở định dạng ACES2065-1 EXR chỉ khả dụng ở 720p và 1080p, và chỉ cho các clip 5 giây. Việc xuất EXR phải được yêu cầu bằng cách bật HDR. Đầu ra tiêu chuẩn là MP4. Tính năng lặp liền mạch áp dụng cho các clip 5 giây. Tối đa 16 keyframe mỗi clip mang lại khả năng kiểm soát ở cấp cảnh quay, gần với hoạt hình hơn là với việc dùng prompt, và tính năng theo dõi biểu diễn khuôn mặt bao phủ tối đa tám khuôn mặt.

Hai sự thật khác định hình quyết định mua. Ray 3.2 là mô hình đầu tiên trong dòng Ray có API dành cho nhà phát triển đầy đủ — các mô hình Ray trước đó chỉ theo hình thức đăng ký — được chia thành gói Build trả theo mức sử dụng và gói Scale băng thông dành riêng kèm SLA. Và nó không tạo âm thanh đồng bộ cho công việc text-to-video hoặc image-to-video; âm thanh chỉ tồn tại trong các luồng modify và reframe. Luma đã chạy đánh giá của riêng mình, tuyên bố ngang bằng với Veo 3 của Google và dẫn trước một số đối thủ, nhưng đó là những so sánh do nhà cung cấp tự thực hiện, không có điểm số định lượng nào được công bố, và nên được đọc như định vị thị trường hơn là đo lường.

Odyssey-3 được xây dựng xoay quanh bộ điều khiển

Trung tâm thiết kế của Odyssey-3 nằm ở đầu đối diện của pipeline. Nó là một transformer khuếch tán tự hồi quy được huấn luyện trên quan sát thị giác về thế giới, và thành phần tạo nên sự khác biệt của nó là một bộ giải mã hành động đã học — theo cách gọi của Odyssey, "một thành phần đầu ra đã học gắn với mô hình thế giới" có thể chuyển dịch biểu diễn nội bộ của mô hình thành những hành động mà một phần cứng cụ thể yêu cầu. Odyssey báo cáo rằng cùng một backbone đó điều khiển các cánh tay robot từ hàng chục giờ trình diễn, vận hành các policy humanoid được xây dựng với Flexion trong thời gian thực, tạo ra các waypoint lái xe vòng kín từ một backbone đóng băng được huấn luyện trên 20 giờ dữ liệu mô phỏng, cho drone bay trong nhà vòng quanh chướng ngại vật, và chơi Grand Theft Auto V với khả năng chuyển giao sang Red Dead Redemption 2 và Sleeping Dogs mà không cần huấn luyện policy bổ sung ở đó.

Con số so sánh duy nhất mà Odyssey công bố là các chính sách lái xe được huấn luyện bằng mô phỏng đã đi được khoảng 77% quãng đường giữa các can thiệp của tài xế an toàn so với các chính sách được huấn luyện trên cảnh quay thực tế. Không có bảng benchmark, không có báo cáo kỹ thuật Odyssey-3, không có đánh giá độc lập, và không có ngày ra mắt nào ngoài “những tuần tới”. Đây là một bản xem trước, và nó không được định giá vì không thể mua được.

Sự tương phản, xét theo từng chiều

• Kết quả đầu ra — Luma Ray 3.2: MP4, cùng với EXR ACES2065-1 10/12/16-bit khi bật HDR. Odyssey-3: một trạng thái thế giới mô phỏng cùng các hành động động cơ.

• Giới hạn định dạng — Luma Ray 3.2: ACES2065-1 EXR ở 720p và 1080p, chỉ clip 5 giây. Odyssey-3: không phải định dạng tệp; đầu ra là một bản rollout.

• Độ phân giải và thời lượng — Luma Ray 3.2: tối đa 1080p, 5 giây hoặc 10 giây (10 giây chỉ dành cho text-to-video). Odyssey-3: liên tục, ở bất kỳ tốc độ nào mà việc triển khai cần.

• Âm thanh — Luma Ray 3.2: không có đối với T2V/I2V; được giữ nguyên trong modify và reframe. Odyssey-3: không có; đây không phải là trình tạo media.

• Giá — Luma Ray 3.2: tính theo từng video dựa trên độ phân giải, dải động và thời lượng, với việc xuất HDR và EXR làm tăng chi phí của clip; các danh sách niêm yết từ bên thứ ba cho thấy một clip 5 giây 720p có giá gần $0,30 và 1080p gần $1,20. Odyssey-3: chưa công bố.

• Khả dụng — Luma Ray 3.2: phát hành ngày 2026-06-09, các hạng Build và Scale của API. Odyssey-3: bản xem trước, "trong vài tuần tới."

Sản phẩm bàn giao so với môi trường

Lý do việc ghép cặp này mang tính chỉ dẫn thay vì tùy tiện là hai mô hình kết thúc ở những nơi khác nhau. Ray 3.2 kết thúc ở một tệp được gửi đến một colourist, một compositor, hoặc một finishing house — con đường EXR tồn tại chính xác là để hình ảnh được tạo ra có thể trụ vững qua việc chỉnh màu, compositing và chỉnh màu lại mà không bị vỡ. Đó là một quyết định về quy trình làm việc, và đó là lý do Ray 3.2 cạnh tranh trực tiếp hơn với các công cụ hậu kỳ so với các trình tạo khác.

Odyssey-3 không kết thúc chút nào theo nghĩa tệp. Đầu ra của nó là một trạng thái mô phỏng tiếp tục chạy, và bên tiêu thụ nó là một chương trình. Phép thử để biết nó có hoạt động không không phải là liệu các khung hình có trông đúng không mà là liệu một chính sách được huấn luyện bên trong nó có chuyển giao được sang phần cứng hay không. Đó là những tiêu chí thành công khác nhau được đo lường bởi những người khác nhau, và dù độ phân giải ở bên nào có cao đến đâu cũng không làm chúng trở nên so sánh được.

Nơi chúng có thể giao nhau là con đường từ tiền hình dung đến khâu hoàn thiện. Một mô hình thế giới là công cụ tự nhiên để khám phá một không gian theo cách tương tác — thay đổi chuyển động máy quay, dàn dựng lại một cảnh, thấy ngay hệ quả, điều mà một clip được tạo cố định hoàn toàn không thể làm được. Một mô hình như Ray 3.2 là công cụ tự nhiên để biến kết quả đã chọn thành thứ có thể bàn giao ở HDR. Ngày nay con đường đó có một lỗ hổng ở giữa, vì Odyssey-3 không khả dụng và không tạo ra định dạng tệp nào mà một pipeline hoàn thiện tiêu thụ.

Định tuyến vòng qua cả hai

Cả Luma Ray 3.2 lẫn Odyssey-3 đều không được OrcaRouter cung cấp, và bài viết này không hề khẳng định rằng có. Điều đáng lưu ý là một pipeline như thế này phần lớn không nằm ở hai model đó. Model prompt phác thảo mô tả cảnh quay, model thị giác đối chiếu một khung hình với bản mô tả, model phiên âm khôi phục lời thoại từ một track tham chiếu — những thứ đó chạy liên tục, với chi phí chỉ bằng một phần nhỏ so với chi phí mỗi clip của model video, và chúng chính là những phần hay hỏng vào những giờ bất tiện. Chạy chúng trên một API duy nhất cho hơn 200 model, theo giá niêm yết của nhà cung cấp với markup 0% sẽ gom lớp đó về một key và một hóa đơn, và tự động chuyển đổi dự phòng nghĩa là một endpoint prompt bị suy giảm sẽ được định tuyến lại thay vì làm tắc nghẽn hàng đợi phía sau nó. Khi một nhà cung cấp cắt giá model video, cơ chế pass-through nghĩa là mức cắt đó có hiệu lực ở đây ngay trong cùng ngày — nhưng chỉ với những model chúng tôi thực sự cung cấp, mà hiện nay không bao gồm cả hai model này.

Mỗi thứ đáng để chờ đợi đến mức nào

Ray 3.2 hiện đã có sẵn, và lý do để chọn nó rất cụ thể: nếu sản phẩm bàn giao của bạn đi qua một pipeline màu, thì đường dẫn ACES2065-1 EXR là một năng lực mà hầu hết các trình tạo đơn giản là không cung cấp, và những ràng buộc về độ phân giải cùng thời lượng — mức trần 1080p, clip 5 giây cho HDR, không có âm thanh gốc — chính là cái giá phải trả để được tham gia. Nếu bạn cần âm thanh đồng bộ, đây là mô hình sai và bạn nên tìm một mô hình có tạo ra nó.

Odyssey-3 đáng để theo dõi vì một lý do và đó không phải là bất kỳ chiều nào trong số các chiều của Ray 3.2. Nếu một bộ trọng số thực sự điều khiển được cánh tay, robot hình người, ô tô, drone và ba trò chơi chỉ từ hàng chục giờ dữ liệu mỗi thứ, thì đó là một tuyên bố về tính tổng quát mà không có renderer nào đưa ra, và đó là tuyên bố có nhiều tiềm năng nhất trong lĩnh vực hiện tại. Vấn đề là bằng chứng cho điều đó, hiện nay, chỉ là cuốn băng demo của chính Odyssey và một con số sim-to-real duy nhất. Điều có thể thay đổi cách đọc không phải là một bản demo tốt hơn — mà là một mức giá, một ngày, và một con số được đo bởi người không làm việc ở đó.