Odyssey-3 so với MiniMax H3: Sự khác biệt chỉ là một lượt tải xuống

Ngày 3 tháng 8 năm 2026, trọng số của một mô hình video 2K đã xuất hiện trên Hugging Face dưới một cái tên mà bất kỳ ai cũng có thể tải về và chạy: MiniMax H3. Sáu tuần sau, vào ngày 15 tháng 9, Odyssey đã công bố một trang nghiên cứu cho Odyssey-3 — một mô hình thế giới nền tảng điều khiển cánh tay robot, một chiếc ô tô, một máy bay không người lái và ba trò chơi điện tử — và đặt một câu vào chỗ lẽ ra là liên kết tải xuống: nó sẽ được phát hành công khai "trong những tuần tới." Hai câu đó là toàn bộ sự so sánh. Một trong những mô hình này có thể có mặt trong cụm máy chủ của bạn ngay tối nay, trên chính phần cứng của bạn, dưới một giấy phép mà bạn có thể đọc. Mô hình kia thì không ai bên ngoài phòng thí nghiệm của nó có thể mua, thuê hay tải xuống, và công ty chưa nói khi nào điều đó thay đổi. Sự bất đối xứng đó không phải là một chú thích cho màn so tài. Nó chính là màn so tài.

MiniMax H3 thực sự mang lại cho bạn những gì

H3 được công bố vào ngày 31 tháng 7 năm 2026 và được mã nguồn mở vào ngày 3 tháng 8. Đây là một mô hình tổng quát thay vì một trình tạo video đơn nhiệm: nó đọc văn bản, hình ảnh, video và âm thanh làm ngữ cảnh, rồi tạo ra video dài tối đa 15 giây ở độ phân giải tối đa 2K với âm thanh stereo gốc ở 32 kHz và 24 khung hình mỗi giây. Hỗ trợ sáu tỷ lệ khung hình (từ 21:9 đến 9:16), và hội thoại được hỗ trợ ổn định trong mười một ngôn ngữ. Có hai biến thể đã công bố của bản cơ sở mở — H3-Base-FL2VA dùng cho tạo video từ văn bản và tạo từ khung đầu, khung cuối hoặc khung đầu và khung cuối, cùng H3-Base-Ref2VA, vốn chấp nhận tối đa chín hình ảnh, ba clip video và ba clip âm thanh, giới hạn ở mười hai tệp đầu vào.

Phần quan trọng cho so sánh này là chỗ mà nửa mở dừng lại. Hệ thống H3 đầy đủ là một pipeline ba giai đoạn: H3-Context-IR tiền xử lý và điều phối ngữ cảnh, H3-Base tạo sinh ở 768p, và H3-Regenerate-2K nâng kết quả lên 2K. Chỉ trọng số của H3-Base là công khai, và chúng được phát hành theo Giấy phép Cộng đồng MiniMax H3 thay vì Apache hay MIT — một giấy phép có kèm điều kiện, đáng để đọc trước khi nó lọt vào một pipeline thương mại. Giai đoạn Context-IR và mô-đun tái tạo 2K chạy ở phía MiniMax. Vậy nên "trọng số mở" ở đây chỉ mua được phần giữa của pipeline. Một nhóm tải H3-Base về và tự vận hành chỉ có được khả năng tạo video 768p, và không có đường lên 2K nếu không gọi cho nhà cung cấp.

Điều mà Odyssey-3 mang lại cho bạn thay vào đó

Thay vào đó, Odyssey-3 cho bạn một tuyên bố và một loạt minh chứng. Odyssey mô tả nó như một mô hình thế giới nền tảng, và chi tiết kiến trúc mà họ công bố đủ cụ thể để có thể kiểm chứng sau này: một transformer khuếch tán tự hồi quy được huấn luyện trên một tập hợp lớn các quan sát thị giác về thế giới, mà công ty nói rằng mang lại sự hiểu biết đã học được về vật lý, động lực học, nhân quả và hành vi con người. Việc thích ứng tác vụ được thực hiện bằng cách gắn thêm một bộ giải mã hành động được huấn luyện trên các cặp quan sát-hành động trong khi mô hình thế giới đã được huấn luyện trước vẫn đóng băng — một chính sách nhỏ đọc các biểu diễn của mô hình đóng băng thay vì tinh chỉnh chính mô hình đó.

Các cuộc trình diễn trải dài trên sáu dạng thân. Cánh tay robot, sau hàng chục giờ trình diễn, bao gồm cả các hành vi phục hồi không có trong dữ liệu huấn luyện — định hướng lại bộ kẹp sau một cú bắt trượt. Các chính sách humanoid được xây dựng bằng Flexion từ hàng chục giờ dữ liệu điều khiển từ xa, mà Odyssey nói rằng tổng quát hóa tốt hơn các baseline VLA mà nó đã kiểm nghiệm, mà không công bố con số nào. Lái xe vòng kín được học từ hai mươi giờ dữ liệu mô phỏng, được lái ở Ấn Độ. Bay drone tránh chướng ngại vật trong nhà từ dữ liệu mô phỏng. Môi trường trò chơi, bao gồm các chính sách được huấn luyện trong Grand Theft Auto V mà chuyển sang Red Dead Redemption 2 và Sleeping Dogs mà không cần huấn luyện thêm trong các tựa game đó; chỉ khoảng hai giờ cảnh quay GTA là đủ để tạo ra chuyển động cưỡi ngựa trong RDR2. Và việc tạo môi trường để huấn luyện các AI khác, gắn với công trình học tăng cường PROWL của công ty.

Con số cứng duy nhất trên trang là một so sánh với cảnh quay thực tế: Odyssey báo cáo rằng các policy lái xe được huấn luyện bằng mô phỏng đi được quãng đường giữa các lần can thiệp của tài xế an toàn chỉ bằng khoảng 77% so với các policy được huấn luyện trên dữ liệu thực. Đó là con số do nhà cung cấp đưa ra, chưa được tái lập, không có báo cáo kỹ thuật nào đứng sau, và chưa có bên thứ ba nào công bố kết quả về Odyssey-3. Đây là kiểu con số quyết định liệu một mô hình thế giới có hữu ích hay không, và hiện tại nó chỉ là lời khẳng định của một công ty duy nhất.

Hai kiểu lock-in trông chẳng giống nhau chút nào

Thật dễ bị cám dỗ khi xếp MiniMax H3 vào nhóm "cái mở" và Odyssey-3 vào nhóm "cái đóng", nhưng thực tế về giấy phép thú vị hơn thế, và nó diễn ra theo cả hai chiều.

MiniMax H3 mở ở phần giữa và đóng ở các cạnh. Bạn có thể nắm giữ bộ sinh, kiểm tra nó, tinh chỉnh nó và chạy nó mà không cần gọi mạng. Bạn không thể nắm giữ phần điều phối ngữ cảnh khiến nó trở thành một mô hình tổng quát, và bạn không thể nắm giữ bước 2K. Nếu tuyên bố về chất lượng của sản phẩm bạn phụ thuộc vào độ phân giải đầu ra, thì triển khai trọng số mở của bạn có một mức trần mà chỉ gói dịch vụ do nhà cung cấp vận hành mới nâng được.

Odyssey-3 đóng ở mọi tầng, và chính cách định vị của công ty là lý do điều đó trở nên kỳ lạ. Một world model nhắm tới robot, drone và xe cộ là nhắm tới những người mua vận hành suy luận trên phần cứng do họ kiểm soát — sàn nhà máy, xe thử nghiệm, khung thân máy bay. Những người mua đó không thể dùng endpoint được host cho vòng điều khiển; độ trễ và khả năng kết nối loại bỏ phương án đó. Vì vậy, mô hình kinh doanh cho một mô hình như thế này phải liên quan đến trọng số, nếu không thì nó chẳng có khách hàng nào trong các phân khúc mà Odyssey liên tục nhắc đến. Việc hôm nay chưa có giấy phép không hẳn là một tuyên bố về ý định, mà là một tuyên bố rằng các điều khoản thương mại vẫn đang được soạn thảo. Vòng gọi vốn Series B trị giá 310 triệu USD của Odyssey, được công bố vào tháng 6 năm 2026 với định giá 1,45 tỷ USD, cùng AWS là cloud ưu tiên và Trainium là nền tảng tính toán, chính là bối cảnh mà các điều khoản đó sẽ được quyết định.

Từng chiều một

• Nó tạo ra gì — MiniMax H3: một clip được kết xuất, 4–15 giây, tối đa 2K kèm âm thanh stereo. Odyssey-3: một trạng thái thế giới mô phỏng cùng các hành động động cơ cho phần cứng đi kèm.

• Những gì bạn có thể tải xuống — MiniMax H3: trọng số H3-Base, giấy phép cộng đồng, 768p. Odyssey-3: không có gì; không trọng số, không giấy phép, không kho lưu trữ.

• Những gì thuộc về nhà cung cấp — MiniMax H3: H3-Context-IR và H3-Regenerate-2K, hai mô-đun giúp nó có tính tổng quát và đạt 2K. Odyssey-3: tất cả mọi thứ.

• Giá — MiniMax H3: công bố mức giá theo giây, khoảng 0,08 USD ở 768p và 0,13 USD ở 2K, cộng thêm 0,05 USD cho mỗi giây đầu ra được tạo lại (số liệu từ nhà cung cấp). Odyssey-3: không công bố ở bất kỳ đâu.

• Tình trạng khả dụng — MiniMax H3: mở từ ngày 3 tháng 8 năm 2026, có thể gọi ngay. Odyssey-3: công bố ngày 15 tháng 9 năm 2026, "trong vài tuần tới", chưa có ngày cụ thể.

• Bằng chứng từ bên thứ ba — MiniMax H3: xếp thứ nhất về chỉnh sửa video và thứ hai hoặc thứ ba về text-to-video và image-to-video trong các đánh giá của bên thứ ba. Odyssey-3: chỉ có một con số từ nhà cung cấp và không có bất kỳ lần chạy bên ngoài nào.

Nếu bạn cần xây dựng một điều gì đó trong tháng này

Hệ quả thực tế là chỉ một trong hai điều này là quyết định bạn có thể hành động dựa trên đó. MiniMax H3 được định tuyến trên OrcaRouter dưới dạng minimax/minimax-h3 theo giá niêm yết của nhà cung cấp, với mức chênh 0% — nghĩa là mức giá của nhà cung cấp chính là mức giá bạn trả, và khi MiniMax thay đổi một con số thì hóa đơn của bạn cũng thay đổi ngay trong cùng ngày chứ không phải đợi đến kỳ gia hạn. Điều đó càng quan trọng hơn so với hầu hết mọi thứ khi nói về một mô hình video tính theo giây, bởi khoảng cách từ 768p lên 2K gần như là hai lần, và sự khác biệt giữa một bản nguyên mẫu và một bản ra mắt có thể chính là sự khác biệt giữa hai mức đó.

Có một lý do thứ hai để chọn router ở đây thay vì tích hợp trực tiếp với nhà cung cấp. Phần mở của H3 thực sự hữu ích khi đứng một mình, và những đội có khả năng quan tâm đến điều đó nhất chính là những đội có GPU và có quan điểm riêng về chúng. Những đội đó rốt cuộc rơi vào một thiết lập hỗn hợp: H3-Base tự vận hành cho công việc khối lượng lớn, một đường dẫn được lưu trữ cho việc tái tạo 2K, và một hoặc hai mô hình khác cho bất cứ thứ gì pipeline cần xung quanh video. Một khóa duy nhất và khả năng chuyển đổi dự phòng tự động giữa các nhà cung cấp có giá trị hơn trong hình dạng đó so với trong một ngăn xếp chỉ có một mô hình, và DSL định tuyến kết hợp các mô hình xung quanh — một mô hình prompt, một mô hình hình ảnh cho khung bắt đầu, mô hình video — thành một lời gọi thay vì ba tích hợp.

Odyssey-3, nói rõ ra, không được định tuyến bởi OrcaRouter hay bất kỳ ai khác. Không có điểm cuối nào để định tuyến đến và không có giá nào để truyền qua. Bài viết này không khẳng định điều ngược lại.

Câu hỏi đáng đặt ra cho cả hai nhà cung cấp

MiniMax đã trả lời câu hỏi thú vị về H3, và câu trả lời là "phần giữa, ở 768p, theo giấy phép của chúng tôi." Nếu bạn đang đánh giá H3, điều cần kiểm thử là liệu bản nền mở cộng với hạ tầng của riêng bạn có đánh bại đường 2K được lưu trữ về chi phí cho mỗi giây dùng được hay không — và hãy kiểm thử điều đó trước khi bạn xây dựng một tuyên bố sản phẩm dựa trên đầu ra 2K.

Odyssey vẫn chưa trả lời phiên bản của mình. Khi cửa sổ phát hành đóng lại, câu hỏi đầu tiên không phải là một bài kiểm tra chuẩn, mà là một giấy phép: dạng hiện thân nào trong sáu dạng này là một triển khai được hỗ trợ, trên phần cứng của ai, với giá nào, và liệu bộ giải mã hành động khiến một mô hình thế giới đóng băng điều khiển một cánh tay robot là thứ mà khách hàng huấn luyện hay thứ mà Odyssey cung cấp. Một mô hình thế giới vươn tới cánh tay robot, người máy hình người, ô tô, máy bay không người lái và ba trò chơi với một xương sống là một tuyên bố về tính tổng quát, và tính tổng quát là thứ khiến nó trở thành một mô hình nền tảng thay vì một chính sách — đó chính xác là lý do tại sao các điều khoản thương mại, không phải cuốn băng trình diễn, sẽ quyết định ai có thể sử dụng nó.

Cho đến lúc đó, bảng điểm trung thực ghi rằng: một mô hình bạn có thể tải về, một mô hình bạn có thể quan sát. Hãy để ý đến kho mã nguồn và giấy phép trước, rồi mới đến chuẩn đánh giá — theo đúng thứ tự đó, vì nếu không có hai thứ đầu thì thứ ba không thể kiểm chứng được.

Đặt toàn bộ pipeline phía sau một khóa API với khả năng chuyển đổi dự phòng tự động thay vì ba tích hợp riêng biệt.