PAN 2 对比 Odyssey 3：这里唯一有标价的世界模型，也公布了它最差的数字

关于物理推理的两项主张相隔三周发布，而它们之间的差别并不在分数上。PAN 2 是基础模型研究所（Institute of Foundation Models）的 290 亿参数开放权重世界模型——2026 年 10 月 7 日发布 Apache-2.0 权重，11 月 5 日发布代码，11 月 10 日提供 Day-0 vLLM-Omni 支持——它能从一帧起始画面和一段描述动作生成最长二十秒、704×1248 分辨率、24 帧/秒的视频。Odyssey 3 是 Odyssey 推出的约 140 亿参数自回归扩散 transformer，于 2026 年 10 月 8 日作为免费研究预览发布，基础档每段生成视频约 0.139 美元，Pro 档约 0.267 美元。一个是可下载的检查点，没有价格。另一个是按量计费的产品，没有权重。而这对组合值得写成文章而非一段话的原因在于：付费的那个公开了一条大多数实验室都会压下的基准测试说明，而免费的那个根本没有人做过基准测试。

这种反转才是有用的部分。直觉上会把“开放权重”理解为“更透明”，把“商业 API”理解为“更多营销”。但在这里情况恰恰相反，而理解其中原因，比任何排行榜名次都更能说明该如何在 2026 年评估世界模型。

Odyssey 发布的内容，包括使其被扣一分的那部分

Odyssey 3 Pro 在 Physics-IQ Verified 上报告了 66.1 分，这是一个视频到视频的物理推理基准，并将其描述为当前最先进水平。这个数字背后的方法才是有趣之处：它来自一次使用八选一（best-of-eight）选择的单次运行，而该基准自身的规则要求进行四次运行并报告标准差。若不进行选择，四次运行的平均分为 63.37。

这两个数字都属于 Odyssey。它们之间 2.73 分的差距，是从八个样本中挑出最好的一个并把它称作得分的代价；而这两个数字都公开存在，这比该类别通常提供的透明度更高。按照该基准自身衡量的相对赛道平均值的净提升，Odyssey 3 Pro 以 +11.15 个百分点排名第二，落后于 +12.27 的 FLUX 3 [large]。在 Odyssey 自己的评估 WorldMark 上，它在四个类别中的三个类别中排名第一——77.2 第一人称风格化、79.0 第三人称真实、76.3 第三人称风格化——并以 80.6 在第一人称真实类别中排名第三，落后于 84.4 的 Lyra 2.0 和 83.0 的 AlayaWorld。

以买家应有的方式解读这些数字，会得出三点。第一，这个模型确实有竞争力：在基准自身改进指标上排名第二，并不是营销噱头。第二，它并没有赢下其所宣传的类别，而其自己的评估在四个赛道中的一个里也表明了这一点。第三，也最有用的是，供应商愿意将精选数字与未精选的平均值并列公布，这释放了一个信号：该如何解读他们发布的其他一切内容。

现在用同样的视角审视 PAN 2。IFM 发布的评估内容远多于大多数视频模型发布：涵盖六大能力类别的 300 个单动作案例；100 个以两种方式提出的自我中心多步骤任务，包含 200 个提示和 456 个步骤，并在三个随机种子上按步骤完成度和完整计划完成度评分；Physics-IQ Verified 在图生视频设置下进行归一化，使两次真实拍摄之间的方差等于 100；PhyGround 采用由 Qwen3.8-27B 评判的五分制；RBench 对五个任务类别和四个具身类别取未加权平均值；以及一项针对 140 个提示的盲法成对人工研究，13 名评审产生了 1,400 次比较，Elo 通过 Bradley–Terry 拟合，并以 1500 为中心。IFM 没有发布的是选择方面的注意事项，因为就模型卡所示，并没有什么可供挑选：这些数字是作为评测框架输出报告的。

两者均未经审计。只有其中一个能与其他任何结果进行比较，因为 Odyssey 运行的是公开基准测试，而 PAN 2 的主要数据来自私有测试装置。这种区分——基准测试与测试装置之别——比分数本身更有价值。

两款产品，两种摩擦

价格是最容易说清楚、却最难据此行动的比较维度。

• 单价——在基础档、832×480 分辨率下，Odyssey 3 每个生成的视频价格约为 0.139 美元；在 Pro 档、1280×720 下约为 0.267 美元；PAN 2 没有单价，因为没有托管服务，只有模型权重和 GPU 账单。

• 真正的成本——Odyssey 3 的价格就是一段视频的全部成本；PAN 2 的成本则是机器：一段 13 秒的 704×1248 视频在四块 B300 上大约需要 119 秒，而文档记录的默认配置是八块 H200、BF16。

• 访问摩擦——Odyssey 3 提供任何人都能打开的免费浏览器演示，而 API 访问需通过联系表单申请，没有自助密钥，也没有公开的价目表；PAN 2 为 86.17 GB，分布在六十个文件中，采用 Apache-2.0 许可，无访问门槛，无需沟通。

• 权重——Odyssey 3 不公开任何权重，也没有可供读取的许可；PAN 2 的权重采用 Apache-2.0，无署名要求、无用户门槛，也无使用领域限制。

• 测试框架中的速度——Odyssey 3 在 832×480 下以每秒 16 帧运行，并蒸馏为几步，以便用户实时操控；PAN 2 在 guidance 2.5 下经过五十个采样步以每秒 24 帧运行。

把这五行放在一起看，这两款产品瞄准的是不同的买家。Odyssey 3 的定价面向的是想要成片、又不想自建数据中心的人——内容团队、跑上几千次生成的研究小组，以及任何按输出计算单位成本的人。PAN 2 的定价面向的是已经拥有节点的人，因为对其他人来说，许可证免费恰恰是它最不重要的一点。

两边缺失的数字是同一个，而且它不是价格。两家供应商都没有公布买家真正关心的那件事的成功率。Odyssey 在其生成的世界中运行了驾驶策略、机械臂和人形机器人，这些演示的细节值得仔细研读——但买家需要的数字并不在其中任何一个里：没有道路任务的成功率，没有与真实世界训练相比的基线，也没有消融实验表明生成世界的哪一部分起了作用。

PAN 2 的对应数字更糟，而且是公开的。其模型卡指出，约三分之二的模拟计划包含至少一个未执行的步骤。对任何希望把输出交给机器人执行的人来说，这都是一个极糟糕的数字；它也是两个发布版本中最有用的一句话，因为它告诉你，你即将建立在其上的东西的失败率。公布三分之二失败率的供应商和完全不公布失败率的供应商，信息量并不相同，而给出糟糕数字的那一个，反而是你可以据此做规划的。

每一个实际生成的是什么，以及为什么这种差异是架构层面的

Odyssey 3 是一个约 140 亿参数的自回归扩散 Transformer，在互联网视频、带有时间对齐输入的玩法录像以及模拟刚体交互上进行训练，随后被蒸馏为少步模型，使人们能够实时操控其输出：你输入环境提示，以第一或第三人称在其中移动并可独立控制相机，还能在行进过程中触发事件。不同档位只在于你能看到的画面不同——基础档为 832×480，每条视频约 $0.139；Pro 档为 1280×720，约 $0.267；而免费浏览器演示背后则有一个 Flash 变体，任何人都无需账号即可打开。

PAN 2 是一个内置语言模型的批量渲染器。一个概念推理器将下一个世界状态写成结构化、以时间为锚定的描述，一个冻结的 Qwen3.5-9B 文本编码器将其转换为条件特征，一个 29B 扩散 Transformer 补全感知细节，而 Wan 2.2 VAE 以每秒 24 帧解码二十秒的 704×1248 视频。没有交互循环：一次调用，一段片段，调用内部没有反馈。取而代之的是一份契约——prompt-rewriter 技能、一个固定的负面提示词，以及一个验证器，它依据编码器 1,480 个 token 软上限和 1,536 个硬上限的预算来检查说明文本，而模型卡承认，智能体案例研究依赖的是人工精修过的提示词。

这种差异远比价格更能决定两者各自的用途。Odyssey 3 是为身处环境中的真人构建的：生成、环顾、调整、再生成。PAN 2 是为提出问题的机器构建的：如果我这样做，会发生什么，检查器是否会偏好另一个选项。采样器体现了这种意图——一个是八个蒸馏步骤，另一个是五十步且每一步的引导系数为 2.5——各自记录的失败情形也是如此。

两家公司都没有把演示转化为测量。

两次发布都依赖视频证据来证明某个策略在生成世界中学习，但两者都没有公布那个能让这些证据真正支撑结论的数字。

Odyssey 在约 20 小时的真实印度道路数据上训练了一个驾驶策略，并在其生成的世界中使用了冻结主干；它还分别展示了从数十小时演示数据中学到的机械臂操作（包括训练数据中不存在的恢复行为）、用 Flexion 构建的人形机器人策略、无人机导航，以及一个在 GTA V 上训练的策略迁移到 Red Dead Redemption 2。这种从一款游戏到另一款游戏的迁移，是通用视频世界模型作为训练基座的最有力论据，因为如果一个策略能从一款游戏的画面中学习并在另一款游戏中奏效，那么该模型捕捉到的就是某种关于动力学而非像素的东西。缺失的是：印度道路任务上任何已发布的成功率、任何与真实世界训练对比的基线，以及任何能表明生成世界中哪一部分发挥了作用的消融实验。

PAN 2 没有那种策略演示，但它确实拥有 Odyssey 没有的东西：一个已发布的失败率。大约三分之二的模拟计划包含至少一个未执行的步骤。它的卡片还承认，模拟本应失败的计划——用其自己的话说——尚未被测量；这对训练基底很重要，因为一个只渲染成功的世界会教会策略认为一切都能奏效。

把这两项承认放在一起对照，这个类别里的差距就显现出来了。一家公司展示了迁移，却没有衡量可靠性。另一家衡量了一种失败模式，却没有展示迁移。两者都不是买家真正需要的研究——那种研究应当是在同一任务、同一策略和同一指标下比较两个模型，并且运行足够多次，使标准差小于差距。

访问路径让你在时间而非金钱上付出了什么代价

Odyssey 3 的阻碍在于沟通。浏览器中提供免费的公开研究预览，API 访问需通过联系表单申请，没有自助式密钥，除各档位数字外未公布按 token 或按片段计费的价目表，没有开放权重，也没有可查阅的许可证。对于一个想今天下午就用自身工作负载对模型进行基准测试的团队来说，这与价格是不同类型的障碍：你可以试用演示，也可以与销售沟通，但两者都无法给你一个可复现的测试框架。

PAN 2 的阻力是一整套机器。权重总计 86.17 GB，分布在六十个文件中，采用 Apache-2.0 许可，无门槛、无需沟通——然后你会发现，文档中给出的服务配置就是一个节点，采样器每处理一个片段需要一百次前向传递，而一段二十秒的 704×1248 片段，在还没开始讨论并行之前，本身就已经是一个解码难题。许可证免费，硬件却不免费，这正是整个开放权重品类都在做的取舍，也是买家最常搞错的那笔账。

这两种摩擦都不是缺陷。它们是 2026 年研究发布所呈现的两种形态：一种是标有价格、附带表单的产品，另一种是附带许可证和账单的检查点。知道自己能消化哪一种形态，比任何基准榜上的排名都更有用，而大多数团队却把它留到最后才用，而不是最先使用。

16-fps 产品和 24-fps 研究模型各自的用途是什么

两家公司都使用了“实时”这个说法，但两者所指的并不是同一个量。Odyssey 3 在每秒 16 帧下每帧 62.5 毫秒，快到一个人操控相机时感觉不到延迟——这正是产品所需要的，也是为什么该模型被蒸馏成几步而不是五十步。PAN 2 的二十秒在每秒 24 帧下完全不是交互式的；它是一次批量渲染，其成本以节点分钟衡量，其目的是生成一段供智能体或研究员随后检查的片段。

对任何规划工作的人来说，这意味着两者适用于不同的循环。Odyssey 3 适合人在回路的工作流：生成、查看、调整、再次生成，而且价格足够低，使迭代成本很低。PAN 2 适合自动化循环：生成五个候选结果，用检查器给它们打分，再根据最佳结果采取行动，而且价格足够高，使你在启动整批生成前会先思考。一个优化每个片段的延迟，另一个优化每个片段的保真度，而采样器设置让这一权衡变得明确——五十步、每一步 guidance 为 2.5，相当于通过 29B Transformer 进行一百次前向传递；相比之下，八步蒸馏步骤则通过一个 8 到 14B 级别的 Transformer。

输出可用于什么方面也存在结构性差异。Odyssey 3 生成的世界已训练出一个驾驶策略和一条机械臂，这是通用视频世界模型可作为具身控制训练基底的最强公开证据。PAN 2 的输出尚未做到这一点，其模型卡明确指出，对“本应失败”的计划进行模拟尚未被测量——这很重要，因为只展示成功的训练基底会让策略学到“一切都能奏效”。Odyssey 的演示也没有解决这个问题：在生成世界中训练、却从未与真实世界基线对照评估的策略，是一个有前景的结果，而不是一种经过验证的方法。

OrcaRouter 在两者中的定位都是评估层，而不是生成层，这一点值得精确说明。PAN 2 和 Odyssey 3 都不在我们的目录中：前者是一个在自有节点上运行的 29B 扩散模型，后者是通过联系表单销售的托管产品，任何路由器都无法提供其中任何一个。可以路由的是它们周边的机制，而在两种情况下，真正累积开销的正是这些机制——一个视觉语言评判器按照评分标准为生成的片段打分，一个规划器将研究问题转化为一批提示词，一个说明文字撰写器生成结构化的世界状态描述，供 PAN 2 的文本编码器在软限制 1,480 个 token、硬限制 1,536 个 token 的预算内使用。这些是对某个模型发起的数千次普通调用，而该模型的每次输出都要耗费你一分钟 GPU 时间，这正是那种工作负载形态：一个密钥覆盖 200 多个模型，提供商标价按 0% 加价透传以及提供商之间的自动故障转移，不再只是便利功能，而开始成为一批任务究竟是能完成，还是在 80% 时失败的分水岭。

如何读取这些内容中的下一个

三个问题，按顺序，其中没有一个是在问“它得了多少分”。

这个数字来自公开基准测试，还是私有评测框架？Odyssey 的 63.37 四次运行平均值可以与同一赛道上的其他条目进行比较。PAN 2 的步骤完成数据则无法与任何东西比较，因为没有其他人运行那个评测框架。两者都合理；但只有一个是可移植的。

这个分数是挑选出来的吗？八次取最佳的数字和四次运行的平均值衡量的是不同的东西，而同时公布这两者的厂商已经告诉了你该引用哪一个。只公布前者的厂商同样也告诉了你一些东西。

在你关心的任务上，失败率是多少？PAN 2 对此的回答是：三个计划中有两个会漏掉一个步骤。Odyssey 没有针对印度道路实验回答这个问题。这一缺失并非不诚实——没有人做过这项研究——但一个不问这个问题的买家，买的只是一个演示。

就你面前的选择而言：Odyssey 3 是那个更易获取的工具。免费浏览器演示、联系表单、可自行相乘计算的按片段价格，以及一个背后有文档化方法支撑的基准数字。如果你这周就需要试用世界模型，而预算按片段计，那么两者中它是唯一你能立刻上手的；但需要注意：“易获取”意味着要经过销售沟通，而不是直接拿到密钥。

PAN 2 是可审计的工具。权重、代码、服务配方、带 token 预算的说明文字契约，以及附有误报数字的护栏——11.5% 的良性文本转视频请求和 3.3% 的良性图像转视频请求被拒绝，同时不安全的文本转视频输出从 33.9% 降至 1.5%——还有一个以失败率开篇的局限性部分。如果你有硬件，并且需要知道这东西如何运作，而不是只知道它能运作，那么它是该类别中完整度以很大优势领先的发布版本。

要真正了结这一比较，需要两家公司都未开展的那项研究：两个模型、同一任务、同一策略、同一指标，以及足够多的运行次数，使标准差小于差距。没有人提出过这项研究。在有人提出之前，准确的总结是：付费模型公布了一个记录更完善的数字，免费模型公布了一个更差的数字，而免费模型才是你可以核查的那个。