Un mundo generado fotograma a fotograma
Odyssey ha abierto Odyssey-3 como vista previa de investigación, y lo llama el “modelo fundacional de mundo más potente” de la compañía hasta la fecha. Toma una indicación de texto y genera un entorno interactivo: el espectador navega en primera o tercera persona, mueve la cámara de forma independiente y puede introducir eventos mientras la generación sigue en marcha.
La arquitectura es un transformador de difusión autorregresivo: cada fotograma nuevo se predice a partir de los anteriores y de lo que el espectador acaba de hacer. Una variante destilada de pocos pasos es lo que permite que la interacción funcione en tiempo real en vez de renderizarse en diferido.
Se nombran tres niveles. El Odyssey-3 base produce 832×480; Odyssey-3 Pro llega a 1280×720; Odyssey-3 Flash es el más rápido. Odyssey no ha publicado precios. Su propia aritmética de coste asume 1 dólar por hora de GPU MI355X, sin contar las tarifas de reescritura de indicaciones, y a los desarrolladores que quieran construir sobre el modelo se les remite a una página de contacto, no a un registro de API.
Las cifras de referencia, y quién las produjo
Odyssey dice que Odyssey-3 Pro “marca un nuevo estado del arte en la prueba Physics-IQ Verified”, con 66,1 en la tarea de vídeo a vídeo — que describe como la puntuación más alta reportada — y 54,7 en imagen a vídeo. En WorldMark, promediando 13 métricas, Odyssey afirma quedar primero en tres de cuatro categorías, incluida la de primera persona estilizada con 79,0, por delante de HY-World 1.5 con 76,9, y tercera persona estilizada con 76,3.
Dos cosas matizan esas cifras, y ambas están a la vista en los propios envíos de Odyssey, no desenterradas por un crítico. El 66,1 salió de una única ejecución en la que se seleccionó un vídeo entre ocho generados. Sin esa selección, Odyssey-3 Pro promedió 63,37 en cuatro ejecuciones. Odyssey envió ambos resultados por su cuenta, en su solicitud de incorporación al repositorio de la prueba Physics-IQ. Las posiciones en WorldMark proceden igualmente de la evaluación propia de Odyssey, no de una independiente.
Eso deja 63,37 como la cifra limpia, y es de Odyssey defenderla. Pero 66,1 y 63,37 son afirmaciones distintas, y solo una describe lo que hace el modelo cuando no se le permiten ocho intentos.
Para qué sirve
Odyssey plantea la precisión física, y no el acabado visual, como el objetivo — “Hemos hecho de la precisión física un foco central de nuestra investigación”, dice la página de lanzamiento —, y por eso encabeza con una prueba de física. Un modelo de mundo que predice qué ocurre cuando algo se empuja, se cae o es embestido sirve para mucho más que el entretenimiento: es la misma predicción que necesita un robot o un vehículo.
La vista previa de hoy no hace eso. Cubre la generación de entornos interactivos, y Odyssey dice que las aplicaciones de robótica y sistemas autónomos todavía necesitan más trabajo.
Qué mirar ahora
Lo que hay que vigilar es una ejecución independiente de Physics-IQ. La prueba se mantiene en un repositorio público de Google DeepMind y los envíos llegan como solicitudes de incorporación, así que la información está ahí para quien quiera comprobarla, que es más de lo que acompaña a la mayoría de las afirmaciones de referencia de los proveedores, incluso cuando la cifra destacada favorece al modelo. Si un tercero reproduce el 63,37, y qué pasa con las posiciones de WorldMark bajo la evaluación de otro, dirá más que la página de lanzamiento.
