Odyssey-3 vs Runway Gen-4.5: Hai canh bạc cho cùng hai từ

Điều thú vị khi đặt Odyssey-3 lên so với Runway Gen-4.5 là ở chỗ hai công ty đồng thuận về đích đến nhưng bất đồng về con đường. Cả hai đều nói mục tiêu là một world model tổng quát — một hệ thống có học có thể mô phỏng thực tại đủ tốt để trở nên hữu dụng. Lập trường của Runway, được CTO của họ nói thẳng thắn, là bạn đạt tới đó bằng cách xây dựng một video model thật tốt trước đã, bởi dạy một mạng nơ-ron dự đoán trực tiếp các pixel là con đường hứa hẹn nhất dẫn tới mô phỏng tổng quát. Lập trường của Odyssey, hiện rõ trong mọi lựa chọn kiến trúc mà họ đã công bố về Odyssey-3, là pixel chỉ là sản phẩm phụ còn động lực học mới là cốt lõi. Gen-4.5 là biểu hiện mạnh mẽ nhất hiện nay của đặt cược thứ nhất. Odyssey-3, được công bố ngày 15 tháng 9 năm 2026 và hứa hẹn phát hành công khai "trong vài tuần tới", là đặt cược thứ hai được phát biểu như một mô hình hoàn chỉnh. Đọc chúng cạnh nhau, chúng thực ra không hẳn là đối thủ — chúng là hai câu trả lời cho cùng một câu hỏi, và câu hỏi ấy là liệu con đường dẫn tới một world model có phải đi qua khâu render hay không.

Canh bạc của Runway: giành được mô hình thế giới bằng cách render

Runway không hề tiếp cận cách định khung mô hình thế giới một cách muộn màng hay tình cờ. Hãng phát hành một mô hình mà họ gọi là mô hình thế giới tổng quát — GWM-1, được mô tả là được xây dựng để mô phỏng thực tại trong thời gian thực, có tính tương tác và có thể điều khiển — và họ coi đó là lớp nằm trên các mô hình video của mình, chứ không phải là thứ thay thế chúng. Lập luận ở đây giống như một chiếc thang: chính tín hiệu huấn luyện khiến một mô hình giỏi giữ cho một cảnh gắn kết qua mười giây cũng là tín hiệu dạy nó cách các vật thể tồn tại bền bỉ, ánh sáng hành xử ra sao, chuyển động tiếp diễn thế nào. Chỉ cần đủ giỏi ở khâu pixel, mô phỏng tổng quát sẽ tự nhiên mà có.

Gen-4.5 là bậc hiện tại. Được công bố vào ngày 1 tháng 12 năm 2025 và triển khai cho các thuê bao trả phí từ ngày 12 tháng 12, đây là mô hình văn bản thành video và hình ảnh thành video với những phẩm chất làm nên danh tiếng của Runway: chất lượng chuyển động, độ bám sát prompt, độ nhất quán của nhân vật và chủ thể, và khả năng điều khiển máy quay. Những hạn chế của nó được nêu rõ ràng không kém gì các điểm mạnh. Các clip kéo dài từ hai đến mười giây — mười giây là mức trần, không phải mặc định. Đầu ra là 720p ở 24 hoặc 25 khung hình mỗi giây trên sáu tỷ lệ khung hình. Không có bản âm thanh và không có storyboard nhiều cảnh quay; một chuỗi là thứ bạn lắp ghép từ những lần tạo riêng lẻ. Nó là một công cụ kết xuất, và là một công cụ rất tốt, đúng chính xác là lời khẳng định mà công ty mẹ cần ở nó.

Chi phí của Gen-4.5 là bao nhiêu và cấu trúc định giá được tổ chức như thế nào

Runway định giá Gen-4.5 ở mức 12 credit mỗi giây video được tạo. Mỗi credit được bán với giá một xu, nên con số thực dùng là 0,12 USD mỗi giây: clip năm giây có giá 0,60 USD, clip mười giây là 1,20 USD. Các tùy chọn đầu ra phát sinh phụ phí trên API — chuỗi ProRes hoặc PNG cộng thêm năm credit mỗi giây, và HDR cộng thêm hai mươi mỗi giây, tăng lên bốn mươi khi vượt khoảng bốn megapixel. Đó là các con số trong bảng giá niêm yết của nhà cung cấp, và độ chênh lệch quan trọng hơn con số nổi bật: một clip HDR mười giây tốn gấp hơn ba lần một clip thường, nên một mô hình chi phí dựa trên 0,12 USD/giây sẽ sai ngay khi HDR xuất hiện trong đặc tả sản phẩm bàn giao.

Có hai chi tiết về cấu trúc đáng để biết trước khi bạn lập ngân sách. Tín dụng API và tín dụng thuê bao ứng dụng là hai số dư tách biệt — gói Standard, Pro hay Max không chi trả cho các lần tạo qua API — và API hoạt động bất đồng bộ, nên một tác vụ được gửi đi rồi thăm dò kết quả thay vì trả về ngay trong cùng lượt gọi. Cả hai đều không phải là lời chê trách; chúng đều là những điều mà các đội nhóm chỉ phát hiện ra sau khi đã cam kết tích hợp. API còn phục vụ các mô hình video của bên thứ ba song song với các mô hình của chính Runway, nghĩa là một khóa Runway có thể vươn tới nhiều hơn danh mục của Runway nếu bạn muốn.

Canh bạc của Odyssey: điều quan trọng không phải là bức tranh

Odyssey-3 được nhà sáng tạo của nó mô tả là một mô hình thế giới nền tảng có thể vận hành robot, lái ô tô, huấn luyện AI, lái máy bay không người lái và chơi trò chơi điện tử. Về mặt kiến trúc, nó là một transformer khuếch tán tự hồi quy được huấn luyện trên một tập hợp lớn các quan sát thị giác, và Odyssey nói rằng kết quả mang theo sự hiểu biết đã học về vật lý, động lực học, nhân quả và hành vi con người. Chi tiết tiết lộ canh bạc là cách các tác vụ được thích ứng: thay vì tinh chỉnh mô hình, Odyssey gắn một bộ giải mã hành động được huấn luyện trên các cặp quan sát-hành động và giữ nguyên mô hình thế giới đã được huấn luyện trước trong suốt quá trình. Một chính sách nhỏ đọc biểu diễn nội bộ của mô hình đóng băng và biến nó thành các lệnh vận động.

Thiết kế đó chỉ hợp lý nếu bạn tin rằng biểu diễn — chứ không phải khung hình được kết xuất — mới là tài sản. Các phần trình diễn chứng minh điều đó trên sáu dạng hiện thân, tất cả đều do nhà cung cấp báo cáo. Tay máy từ hàng chục giờ trình diễn, bao gồm các hành vi phục hồi mà không ai đưa vào dữ liệu, chẳng hạn như định hướng lại bộ kẹp sau khi bắt trượt. Các chính sách robot hình người được xây dựng bằng Flexion từ hàng chục giờ dữ liệu điều khiển từ xa, mà Odyssey nói rằng khái quát hóa tốt hơn các baseline VLA mà họ đã thử nghiệm, dù không công bố số liệu. Lái xe vòng kín ở Ấn Độ từ hai mươi giờ dữ liệu mô phỏng. Bay drone trong nhà từ dữ liệu mô phỏng. Các chính sách Grand Theft Auto V được chuyển sang Red Dead Redemption 2 và Sleeping Dogs mà không cần huấn luyện thêm trong các tựa game đó — khoảng hai giờ cảnh quay GTA là đủ cho 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 Odyssey.

Một con số được công bố. Odyssey báo cáo rằng các chính sách lái xe được huấn luyện trong mô phỏng đi được quãng đường giữa các lần can thiệp của tài xế an toàn chỉ bằng khoảng 77% so với các chính sách được huấn luyện trên dữ liệu ghi hình thực tế. Mọi tuyên bố trong đoạn trên đều chưa được tái lập, không có báo cáo kỹ thuật, và chưa có bên thứ ba nào chạy mô hình. Độ trải rộng trên sáu hiện thân là tuyên bố đáng chú ý; việc thiếu một bảng đo chuẩn là lý do để giữ nó một cách dè dặt.

Nơi hai canh bạc trở nên có thể kiểm chứng

Một bất đồng về chiến lược chỉ hữu ích nếu nó tạo ra một dự đoán, và bất đồng này thì có. Nếu Runway đúng — nếu độ trung thực khi render là con đường — thì chất lượng vật lý của một mô hình video phải cải thiện như một hàm của mức độ nó giỏi về video, và hai bảng xếp hạng phải dịch chuyển cùng nhau. Nếu Odyssey đúng, sẽ có những trường hợp mà một mô hình render đẹp mắt lại vô dụng và một mô hình render thô sơ lại hữu ích, bởi vì thuộc tính hữu ích là liệu trạng thái kế tiếp có đủ dễ dự đoán để một bộ điều khiển hành động dựa trên đó hay không.

Đã có một gợi ý về việc điều này nghiêng về phía nào, và nó chẳng tôn lên bên nào cả. Danh sách của chính Runway về các điểm yếu của Gen-4.5 — trong đó có vật lý — là lời nhắc rằng một trình kết xuất được tối ưu để thuyết phục người xem, và người xem thì dễ dãi theo những cách mà một vòng điều khiển không hề có. Trong khi đó, con số duy nhất được Odyssey công bố, 77% hiệu suất lái trên dữ liệu thật, là một sự thua kém so với dữ liệu thật, chứ không phải một chiến thắng. Không công ty nào tuyên bố con đường đã xong. Điều khác biệt nằm ở chỗ mỗi bên đo lường cái gì.

Nơi các canh bạc thực sự rẽ hướng là ở hiện thân. Không có gì trong thiết kế hay giá cả của Gen-4.5 tính đến một không gian hành động; nó là một hàm từ văn bản hoặc một hình ảnh đến một clip. Không có gì trong tài liệu của Odyssey-3 tính đến một tệp bàn giao; nó là một hàm từ trạng thái thế giới và một hành động đến trạng thái thế giới tiếp theo. Đó là những sản phẩm khác nhau với những người mua khác nhau, và dù tiến bộ đến đâu ở một trong hai phía cũng không thể chuyển cái này thành cái kia, bởi vì giao diện chính là thứ khác biệt.

Kề bên nhau

• Đó là gì — Runway Gen-4.5: một công cụ tạo video từ văn bản và từ hình ảnh. Odyssey-3: một mô hình thế giới dự đoán các trạng thái tiếp theo và đưa ra các hành động vận động.

• Cách bạn điều khiển nó — Runway Gen-4.5: một câu lệnh (prompt) hoặc một ảnh tĩnh, thông qua một API bất đồng bộ. Odyssey-3: một bộ giải mã hành động cùng một chính sách nhỏ đọc một backbone đóng băng.

• Đầu ra — Runway Gen-4.5: clip 2–10 giây, 720p, 24/25 fps, sáu tỉ lệ khung hình, không có âm thanh. Odyssey-3: không có sản phẩm kết xuất; các trạng thái mô phỏng trên sáu dạng thể hiện.

• Giá — Runway Gen-4.5: 12 credit mỗi giây, 0,12 USD/giây, cộng thêm 5 credit/giây cho ProRes hoặc PNG và 20 cho HDR (danh sách nhà cung cấp). Odyssey-3: chưa công bố, không có điều khoản thương mại nào được công bố.

• Độ trưởng thành — Runway Gen-4.5: đã có mặt trên thị trường từ tháng 12 năm 2025, với API đã được thiết lập và được các bên thứ ba đưa tin. Odyssey-3: công bố ngày 15 tháng 9 năm 2026, phát hành công khai "trong vài tuần tới."

• Bằng chứng — Runway Gen-4.5: tám tháng kết quả đầu ra được công bố công khai. Odyssey-3: chỉ một con số từ nhà cung cấp, không có lần chạy độc lập nào.

Cả hai đều không nằm trên chìa khóa của chúng ta, và đó là phiên bản trung thực.

OrcaRouter không định tuyến cho cả hai mô hình, và bài viết này sẽ không giả vờ điều ngược lại: Runway Gen-4.5 được phục vụ qua API riêng của Runway, còn Odyssey-3 thì hoàn toàn không có endpoint nào. Điều mà góc nhìn định tuyến thực sự hữu ích trong một so sánh như thế này chính là pipeline bao quanh chúng. Một quy trình Gen-4.5 thực tế không chỉ là một mô hình — nó gồm một mô hình prompt để mở rộng bản tóm tắt yêu cầu, một mô hình hình ảnh tạo ra khung hình đầu tiên, chính mô hình video, và một thứ gì đó ở phía sau để chấm điểm hoặc tạo chú thích cho đầu ra. Việc kết hợp tất cả những thứ đó thành một lệnh gọi duy nhất thông qua DSL định tuyến, trên một khóa duy nhất, theo giá niêm yết của nhà cung cấp với 0% phụ phí, chính là phần trong ngăn xếp mà OrcaRouter thực sự có thể gỡ bỏ khỏi vai bạn ngay hôm nay. Chuyển đổi dự phòng tự động có ý nghĩa ở đây vì một lý do hết sức đời thường: các API video bất đồng bộ phải polling, hàng đợi thì ùn ứ, và một pipeline bị kẹt ở một endpoint suy giảm sẽ kẹt luôn cho đến tận sản phẩm bàn giao.

Khi Odyssey-3 thực sự ra mắt, câu hỏi về định tuyến sẽ khác và khó hơn. Một mô hình có điểm bán chính là việc nó chạy trên phần cứng bạn sở hữu thì hoàn toàn không rõ ràng là một ứng viên cho định tuyến, và câu hỏi thú vị đối với một router sẽ là những gì bao quanh nó — công cụ sim-to-real, huấn luyện chính sách, đánh giá — chứ không phải chính lời gọi mô hình.

Ai đúng là câu hỏi của năm 2027

Nếu bạn cần video trong quý này, Gen-4.5 là câu trả lời và không có gì phải đắn đo: nó đã có giá, có tài liệu, và đã được dùng công khai được tám tháng, và với $0.12 mỗi giây, chi phí để biết liệu nó có phù hợp với công việc của bạn hay không là rất nhỏ. Hãy dự trù ngân sách cho các khoản phụ phí và cho số dư tín dụng API riêng, đồng thời coi mức trần mười giây là một ràng buộc thiết kế cứng thay vì một con số mà bạn sẽ tìm cách lách qua.

Nếu bạn đang xây dựng một bộ điều khiển — bất cứ thứ gì mà một mô hình đã học phải cho phần cứng biết cần làm gì tiếp theo — thì Gen-4.5 không nằm trong cuộc chơi dù với bất kỳ giá nào, còn Odyssey-3 là cái nhắm thẳng vào vấn đề của bạn nhưng không có cách nào để có được nó. Lý do cụ thể để quan tâm là kết quả về backbone đóng băng: nếu một mô hình đã được huấn luyện trước có thể điều khiển cánh tay máy, robot hình người, ô tô, drone và ba trò chơi thông qua một bộ giải mã nhỏ, thì đó là một phát biểu về mức độ hiểu biết vật lý được chuyển giao, và đó là tuyên bố có thể biến mô hình thế giới thành một tầng nền tảng thay vì một chính sách cho từng tác vụ. Lý do cụ thể để chờ đợi là chưa có ai ngoài Odyssey chạy thử nó.

Những điều cần theo dõi, theo thứ tự: một báo cáo kỹ thuật, rồi một giấy phép, rồi một bên thứ ba tái tạo con số 77% trên phần cứng của chính họ. Con đường của Runway và con đường của Odyssey đều kết thúc ở một mô hình thế giới tổng quát. Hiện tại chỉ một trong số họ có một trạm thu phí mà bạn có thể đi bộ đến tận nơi.

Định tuyến mô hình prompt, mô hình hình ảnh và mô hình video qua một endpoint với chuyển đổi dự phòng tự động thay vì ba tích hợp.