Odyssey-3 vs Wan 3.0: Mô hình thế giới gặp xưởng sản xuất video

Odyssey-3 và Wan 3.0 đều được xếp chung vào mục "mô hình video", và cái nhãn chung đó đang gánh sức nặng vượt quá khả năng của nó. Odyssey-3 là một hệ động lực được học — một trình mô phỏng dựng nên môi trường từ một prompt và dự đoán môi trường đó thay đổi ra sao khi ai đó di chuyển trong đó hoặc kích hoạt một sự kiện — được Odyssey phát hành ngày 8 tháng 10 năm 2026 dưới dạng bản xem trước nghiên cứu. Wan 3.0 là một công cụ tạo video phục vụ sản xuất từ Alibaba Cloud, có sẵn rộng rãi kể từ khi ra mắt ngày 24 tháng 8 năm 2026, tính phí theo từng giây và đã được chấm điểm trên hai bảng xếp hạng độc lập. Một trong hai muốn trở thành nơi bạn đặt camera. Cái còn lại muốn trở thành thứ kết xuất những cảnh quay bạn công bố.

Đặt hai trang ra mắt cạnh nhau và sự khác biệt lộ ra ngay lập tức. Odyssey dẫn đầu về độ chính xác vật lý — mức độ mô hình của nó hiểu được các vật thể làm gì khi chúng gặp nhau. Alibaba dẫn đầu về thông lượng, thời lượng và khả năng kiểm soát tham chiếu: các đoạn dài 30 giây, âm thanh gốc, tối đa mười hình ảnh và năm video được cung cấp cho mỗi lần tạo. Không cái nào là phiên bản kém hơn của cái kia. Chúng là câu trả lời cho những câu hỏi khác nhau, và những câu trả lời đó thay đổi việc một nhóm nên làm trong tuần này.

Một lưu ý dẫn dắt trước khi vào các con số. Hầu hết các số liệu trong bài viết này đến từ tài liệu ra mắt của chính các nhà cung cấp và chưa được bất kỳ ai bên ngoài các phòng thí nghiệm đó tái lập. Khi một con số bắt nguồn từ một bảng đánh giá độc lập thay vì một trang thông cáo báo chí, bài viết sẽ ghi rõ điều đó. Sự phân biệt đó ở đây quan trọng hơn mức thông thường, vì hai mô hình công bố lượng thông tin có thể kiểm chứng khác biệt một trời một vực — một mô hình được bán theo giây trên một API mở, mô hình còn lại thì chưa công bố giá.

Thực tế mỗi thứ là gì

Mô tả của chính Odyssey về Odyssey-3 đặc biệt cụ thể một cách bất thường đối với một bài đăng ra mắt, và đáng để trích dẫn nguyên văn hơn là khái quát: nó là "một hệ động lực học đã được học, triển khai dưới dạng transformer khuếch tán tự hồi quy, dự đoán cách các vật thể di chuyển và tương tác trong không gian cũng như cách các tình huống tiến triển theo thời gian." Thứ nó trả về không phải là một clip theo nghĩa thông thường. Đó là một trạng thái tiếp tục tiến triển trong khi được điều khiển. Mô hình được phát hành với hai kích cỡ — Odyssey-3 ở 832×480 và Odyssey-3 Pro ở 1280×720 — và Odyssey cho biết bản xem trước của mình hỗ trợ điều hướng góc nhìn thứ nhất và thứ ba cùng với chuyển động camera độc lập. Bản dựng cũng bao gồm một biến thể chưng cất vài bước, được tạo ra thông qua sự kết hợp giữa khớp phân phối và chưng cất đối kháng, mà nhà cung cấp mô tả là tương tác thời gian thực.

Wan 3.0 là một trình tạo theo mô hình đã được thiết lập: đưa vào một prompt và một hoặc nhiều thứ tham chiếu, nhận về một thước phim hoàn chỉnh. Những khả năng nổi bật của Alibaba gồm tạo trong một lần chạy dài 30 giây, âm thanh gốc và các đầu vào tham chiếu trải rộng từ văn bản, hình ảnh, video đến âm thanh — cùng với tài liệu ở các định dạng doc, xls, ppt, pdf, md, txt, key, pages và numbers, dung lượng tối đa 100 MB và 50 trang. Việc chỉnh sửa dựa trên chỉ dẫn, nghĩa là có thể sửa một kết quả tạo về hình ảnh, cốt truyện hoặc lời thoại mà không cần tạo lại từ đầu. Alibaba cũng nói thẳng rằng chất lượng âm thanh và độ chính xác của văn bản trên màn hình vẫn cần được cải thiện, đây là một lời thừa nhận hiếm thấy trong một bài công bố ra mắt hơn mức đáng ra phải có và là một điều hữu ích để ghi nhận chính thức.

• Đầu ra là gì — một môi trường mô phỏng mà bạn hành động bên trong (Odyssey-3) so với một clip được kết xuất mà bạn công bố (Wan 3.0) • Kích thước được quảng cáo — 832×480, hoặc 1280×720 trên Odyssey-3 Pro, so với 480p, 720p và 1080p • Độ dài một lần chạy — miễn là môi trường vẫn được điều khiển, so với 30 giây mỗi lần tạo • Âm thanh — không phải là khả năng nổi bật ở cả hai kích thước, so với âm thanh gốc với các giới hạn chất lượng do nhà cung cấp đánh dấu • Đầu vào — một lời nhắc xác định môi trường, so với văn bản, hình ảnh, video, âm thanh và tài liệu lên đến 100 MB và 50 trang • Mô hình chỉnh sửa — thay đổi trạng thái và mô phỏng lại, so với chỉnh sửa dựa trên hướng dẫn đối với một kết quả tạo đã hoàn tất • API được tài liệu hóa — không có công khai, so với mở và tính phí theo mức sử dụng kể từ ngày 24 tháng 8 năm 2026 • Giá công bố — không có, so với 0,3 / 0,6 / 1,2 nhân dân tệ mỗi giây ở 480p / 720p / 1080p

Một giây đầu ra tốn bao nhiêu, và tại sao các đơn vị không khớp với nhau

Wan 3.0 được định giá theo đơn vị dễ hiểu nhất đối với người mua: thời gian. Mức giá của Alibaba là 0,3 nhân dân tệ (khoảng 0,05 USD) mỗi giây video được tạo ra ở 480p, 0,6 nhân dân tệ (khoảng 0,10 USD) ở 720p, và 1,2 nhân dân tệ (khoảng 0,20 USD) ở 1080p. Do đó, một lần chạy trọn vẹn 30 giây sẽ rơi vào khoảng 9 nhân dân tệ (1,50 USD) ở 480p, 18 nhân dân tệ (3,00 USD) ở 720p, hoặc 36 nhân dân tệ (6,00 USD) ở 1080p. Đó là mức giá ra mắt hồi tháng Tám; chương trình khuyến mãi ra mắt giảm 30% chỉ kéo dài đến hết ngày 23 tháng Chín, nên những con số trên là mức giá mà người mua gặp phải ngày hôm nay. Các nhà cung cấp bán lại Wan 3.0 thường báo giá theo phút thay vì theo giây, điều này đáng để đối chiếu với phép tính theo giây trước khi phê duyệt bất kỳ ngân sách nào.

Odyssey-3 không có một con số tương đương, bởi vì Odyssey chưa công bố giá, bảng giá, giấy phép hay tài liệu API. Thay vào đó, thứ tồn tại là một con số chi phí bên trong một phép đo chuẩn của bên thứ ba, được tính dựa trên một giả định mà nhà cung cấp công khai nêu rõ: $1 cho mỗi giờ GPU MI355X. Trên cơ sở đó, Physics-IQ Verified liệt kê Odyssey-3 Pro ở mức $0.267 cho mỗi video được tạo và Odyssey-3 ở mức $0.139, cả hai đều được chuẩn hóa về 24 FPS và đầu ra rộng 1280. Cùng bảng đó cũng ghi chú riêng rằng việc viết lại prompt thông qua API của Odyssey được ước tính là $0.01 cho mỗi video được gửi. Hãy đọc kỹ điều này — đó là một cơ sở mô hình hóa, không phải một mức giá. Nó cho bạn biết một mô phỏng sẽ tốn bao nhiêu ở mức phần cứng giả định của nhà cung cấp, chứ không phải số tiền Odyssey sẽ xuất hóa đơn.

Hai dữ kiện đó chỉ về hai hướng trái ngược đối với người mua. Wan 3.0 là một mục chi phí tính theo mức sử dụng mà trường hợp xấu nhất có thể được tính trước khi bất cứ thứ gì được kết xuất. Odyssey-3 có chi phí mô hình hóa trên mỗi video thấp hơn và không có hóa đơn nào để gắn nó vào — đó chính xác là giai đoạn mà một cuộc trao đổi với bộ phận thu mua dừng lại. Để so sánh được công bằng, người đọc phải nắm giữ cả hai nửa: một mức giá thực với một hóa đơn thực, và một mức giá ước tính mà chưa có gì đằng sau nó.

Bảng điểm duy nhất mà họ cùng chia sẻ, và cái tên còn thiếu trên đó

Physics-IQ Verified, một bảng xếp hạng động từ Anates Labs và DeepMind về việc các mô hình video xử lý các nguyên lý vật lý tốt đến đâu, là bảng độc lập duy nhất mà cặp đôi này có chung — và đây cũng là nơi phép so sánh trở nên thực sự thú vị, bởi vì đây cũng là nơi nó đổ vỡ.

Bài đăng ra mắt của Odyssey nêu rằng Odyssey-3 Pro “thiết lập một chuẩn mực tiên tiến mới trên benchmark của Physics-IQ Verified, và xếp thứ 1 trong 3/4 hạng mục của WorldMark.” Vế WorldMark của điều đó khớp với các con số mà Odyssey công bố: vị trí thứ nhất ở First-Person Stylized (77.2), Third-Person Real (79.0) và Third-Person Stylized (76.3), còn First-Person Real đứng thứ hai với 80.6, sau 83.0 của AlayaWorld và 84.4 của Lyra 2.0. Mỗi một con số trong đó đều là số liệu do nhà cung cấp tự báo cáo từ đợt đánh giá của chính Odyssey.

Phần state-of-the-art là chỗ mà người đọc nên chậm lại. Trên phiên bản hiện có của bảng Physics-IQ Verified, được xếp hạng theo mức cải thiện ròng tính bằng điểm phần trăm so với trung bình track, FLUX 3 [large] của Black Forest Labs đứng ở hạng 01 với +12,27 pp. Odyssey-3 Pro ở hạng 02 với +11,15 pp, và Odyssey-3 ở hạng 03 với +9,99 pp. Vậy nên “state of the art mới” của nhà cung cấp, trên chính bảng mà nhà cung cấp này viện dẫn, là vị trí thứ hai — hoặc vì tuyên bố đó có trước một lần cập nhật bảng, hoặc vì nó được giới hạn hẹp hơn so với điều câu văn gợi ra. Dù thế nào, cách đọc trung thực là Odyssey-3 Pro là một mô hình vật lý thuộc top ba, chứ không phải người dẫn đầu tuyệt đối. FLUX 3 [large] cũng có mức chi phí cao hơn nhiều là $0.868 mỗi video, so với $0.267 của Odyssey-3 Pro, và đó chính là sự đánh đổi mà chế độ xem chi phí của bảng sinh ra để làm lộ rõ.

Odyssey thực sự giữ một vị trí nhất tuyệt đối trong phần phân tách theo chỉ số phụ: Spatiotemporal, ở mức 44,70, xếp trên Odyssey-3 Pro ở 42,97 và Physis-Lang (Cosmos3 Super) ở 41,57. Ở Spatial, nó đứng thứ tư (59,17), sau FLUX 3 (64,36), Odyssey-3 Pro (61,78) và Physis-Lang (59,87); ở Weighted Spatial và MSE, nó lần lượt đứng thứ tư và thứ ba. Mô thức đó — sự dẫn đầu tuyệt đối về mức độ chuyển động gắn kết theo thời gian, thuộc nhóm thứ hai về độ trung thực không gian trong một khung hình — là một dấu hiệu nhất quán của một mô hình được xây dựng để mô phỏng sự tiến hóa thay vì kết xuất một ảnh tĩnh đẹp.

Giờ là cái tên còn thiếu. Wan 3.0 hoàn toàn không xuất hiện trên Physics-IQ Verified. Các mục Wan duy nhất là Wan 2.2 14B ở hạng 17, −6,64 điểm phần trăm, và Wan 2.2 5B ở hạng 22, −11,13 điểm phần trăm — cả hai đều dưới mức trung bình của hạng mục, cả hai đều là mã nguồn mở, cả hai đều lùi một thế hệ. Ghi chú phạm vi của chính bảng xếp hạng nói rằng bảng xếp hạng "bao gồm các mô hình đã được đánh giá chuẩn và các mô hình được biết đến từ bản in trước hoặc thông báo, ngay cả khi không thể truy cập công khai hoặc chưa xác nhận ngày phát hành", vì vậy việc Wan 3.0 vắng mặt không phải là bằng chứng cho thấy nó đạt điểm kém. Đó là bằng chứng cho thấy chưa ai đo lường nó trên trục này. Hệ quả thực tiễn rất thẳng thừng: bất kỳ tuyên bố nào rằng Odyssey-3 đánh bại Wan 3.0 về độ hợp lý vật lý đều chưa được xác minh theo cả hai hướng, và bất kỳ tuyên bố nào rằng nó không làm được điều đó cũng chưa được xác minh tương tự. Thành tích độc lập của Wan 3.0 nằm ở nơi khác — nó đứng thứ 2 chung cuộc trên OpenArt Arena và thứ 1 ở hạng mục Chỉnh sửa Video có Âm thanh trên Artificial Analysis — trên những bảng xếp hạng đo chất lượng cảm nhận và chất lượng chỉnh sửa, không phải vật lý.

Những gì bạn có thể gọi hôm nay, và những gì bạn chỉ có thể hỏi về

Wan 3.0 đã có thể gọi được kể từ ngày 24 tháng 8 năm 2026, khi việc Alibaba Cloud ra mắt đã biến bản beta bị giới hạn qua đăng ký và tính phí theo mức sử dụng thành một API mở hoàn toàn. Mô hình này có thể truy cập thông qua API của chính nhà cung cấp và một số nền tảng bên thứ ba, tất cả đều tính phí theo mức sử dụng, với mức giá theo giây ở trên. Nếu một nhóm cần video được tạo trong chiều nay, đó là một lựa chọn thực tế và nó đi kèm với một hóa đơn.

Odyssey-3 không cung cấp điều đó. Trang của Odyssey nói rằng bản xem trước nghiên cứu "hiện đã có sẵn" và mời các nhà phát triển physical-AI liên hệ — điều này mô tả một bản demo và một cuộc trò chuyện, chứ không phải một endpoint đằng sau một khóa truy cập. Không có giá công bố, không có giấy phép, không có tài liệu API và, như phần trên cho thấy, không có đánh giá độc lập. Một nhà phát triển đọc bài đăng ra mắt hôm nay không thể tính được chi phí để xây dựng một bản production trên Odyssey-3, hoặc kiểm tra liệu các tuyên bố về vật lý có đứng vững bên ngoài hệ thống kiểm thử của chính nhà cung cấp hay không. Đó là điều bình thường đối với một world model trong ngày ra mắt, và đây cũng là sự thật quan trọng nhất trong so sánh này.

Vì cả hai model đều không có trong danh mục của chúng tôi — danh sách model của OrcaRouter không có Odyssey-3 và Wan 3.0 — nên điểm định tuyến hữu ích chính là lớp nằm phía trên chúng. Nhiều khả năng một build video không chỉ gọi một model. Nó gọi một model viết lại prompt, một model video, đôi khi cả model âm thanh, và gọi lại tất cả mỗi khi nhà cung cấp thay đổi giá hoặc giới hạn tốc độ. Trên OrcaRouter, những thứ đó nằm sau một API bao phủ hơn 200 model ở giá niêm yết của nhà cung cấp với 0% markup, nên mức giảm giá theo giây từ một nhà cung cấp video sẽ có hiệu lực ở đây ngay trong ngày thay vì phải chờ thay đổi cấu hình, và chuyển đổi dự phòng tự động nghĩa là việc một model gặp sự cố không làm đình trệ hàng đợi render. Các model video mà chúng tôi thực sự cung cấp — MiniMax H3, Kling 3.0, Kling Video O1 và những model khác — đều nằm trên cùng key đó, điều này khiến việc thay thế trở nên rẻ khi bản xem trước Wan 3.0 hoặc bản dùng thử Odyssey-3 cuối cùng cũng mở ra.

Cái nào phù hợp với stack của bạn?

Lựa chọn này không hề sát nút, vì không có sự chồng lấn giữa những gì hai bên tạo ra. Quy tắc quyết định trung thực liên quan đến sản phẩm cuối cùng mà bạn cần.

Hãy chọn Wan 3.0 nếu sản phẩm bàn giao là cảnh quay mà một người xem: quảng cáo, cảnh chèn, bản cắt cho mạng xã hội, phân đoạn giảng dạy. Ba mươi giây mỗi lần chạy với âm thanh native, khả năng điều khiển tham chiếu trên hình ảnh, video và âm thanh, chỉnh sửa dựa trên hướng dẫn và tài liệu làm đầu vào là một danh sách tính năng sản xuất, và API tính phí theo mức dùng nghĩa là chi phí cho một lần thử có thể biết trước. Đây là tạo sinh, không phải mô phỏng — công việc của mô hình kết thúc khi clip kết thúc. Hãy lập ngân sách từ mức giá theo giây của nhà cung cấp, và coi những lưu ý của chính nhà cung cấp về âm thanh và văn bản trên màn hình là ràng buộc thiết kế chứ không phải chú thích cuối trang.

Hãy chọn Odyssey-3, khi bạn có thể có được nó, nếu thứ bàn giao là một hành vi chứ không phải một tệp: một môi trường để một chính sách học trong đó, một cảnh mà phản hồi của nó trước một hành động phải giữ nhất quán qua một quá trình rollout dài, một tác vụ điều hướng hoặc thao tác nơi camera là một phần của vấn đề. Đó là lúc vị trí số một tuyệt đối về Spatiotemporal plausibility và chi phí mô hình hóa $0.139–$0.267 cho mỗi video thực sự quan trọng. Điều còn thiếu là mọi thứ mà một đội ngũ sản xuất cần để cam kết — một mức giá, một giấy phép, một endpoint và một phép đo từ bên ngoài — và không thứ nào trong số đó là thứ mà một bản demo có thể thay thế được.

Điều cần theo dõi thì cụ thể và ở ngay trước mắt. Nếu Wan 3.0 xuất hiện trên Physics-IQ Verified, câu hỏi về vật lý sẽ có thể trả lời theo một hướng. Nếu Odyssey công bố bảng giá hoặc một API, câu hỏi về chi phí sẽ được giải quyết theo hướng còn lại. Cho đến khi một trong những điều đó xảy ra, so sánh này có một hình dạng kỳ lạ: một hệ thống sản xuất có giá được công bố và không có điểm vật lý, bên cạnh một trình mô phỏng có điểm vật lý được công bố và không có giá. Bất kỳ ai nói với bạn cái nào tốt hơn hôm nay đều đang đoán ít nhất một trong hai con số đó.