En värld som genereras en bildruta i taget
Odyssey har öppnat Odyssey-3 som en forskningsförhandsvisning och kallar den företagets “mest kraftfulla grundvärldsmodell hittills”. Den tar en textprompt och genererar en interaktiv miljö: betraktaren rör sig i första eller tredje person, flyttar kameran oberoende och kan introducera händelser medan genereringen fortfarande pågår.
Arkitekturen är en autoregressiv diffusionstransformator — varje ny bildruta förutsägs utifrån de föregående och utifrån vad betraktaren just gjorde. En destillerad fåstegsvariant är det som gör att interaktionen går i realtid i stället för att renderas i efterhand.
Tre nivåer namnges. Bas-Odyssey-3 ger 832×480; Odyssey-3 Pro går till 1280×720; Odyssey-3 Flash är den snabbaste. Odyssey har inte publicerat något pris. Dess egen kostnadsräkning utgår från 1 dollar per MI355X-GPU-timme, exklusive avgifter för promptomskrivning, och utvecklare som vill bygga på modellen hänvisas till en kontaktsida, inte till en API-registrering.
Mätvärdena, och vem som tog fram dem
Odyssey säger att Odyssey-3 Pro “sätter ett nytt rekord på Physics-IQ Verifieds mätning”, med 66,1 på video-till-video — vilket bolaget beskriver som den högsta rapporterade poängen — och 54,7 på bild-till-video. På WorldMark, i snitt över 13 mått, uppger Odyssey förstaplats i tre av fyra kategorier, däribland stiliserad förstaperson med 79,0, före HY-World 1.5 på 76,9, och stiliserad tredjeperson med 76,3.
Två saker modifierar siffrorna, och båda syns i Odysseys egna inlämningar snarare än att ha grävts fram av en kritiker. De 66,1 kom från en enda körning där en video valdes ut bland åtta genererade. Utan det urvalet låg Odyssey-3 Pro på 63,37 i snitt över fyra körningar. Odyssey lämnade in båda resultaten själv, i sin pull request till Physics-IQ-benchmarkens kodförråd. WorldMark-placeringarna kommer på samma sätt från Odysseys egen utvärdering, inte från en oberoende.
Kvar står 63,37 som den rena siffran, och den är Odysseys att försvara. Men 66,1 och 63,37 är olika påståenden, och bara det ena beskriver vad modellen gör när den inte får åtta försök.
Vad den är till för
Odyssey framställer fysisk korrekthet, inte visuell finish, som poängen — “Vi har gjort fysisk korrekthet till ett centralt fokus i vår forskning”, står det på lanseringssidan — och därför är det en fysikmätning bolaget leder med. En världsmodell som förutsäger vad som händer när något knuffas, tappas eller körs på är användbar långt bortom underhållning: det är samma förutsägelse en robot eller ett fordon behöver.
Förhandsvisningen som erbjuds idag gör inte det. Den täcker generering av interaktiva miljöer, och Odyssey säger att tillämpningar inom robotik och autonoma system fortfarande kräver mer arbete.
Vad man ska följa
Det som ska följas är en oberoende Physics-IQ-körning. Mätningen underhålls i ett öppet kodförråd hos Google DeepMind och inlämningar kommer som pull requests, så underlaget ligger framme för den som vill kontrollera det — vilket är mer än vad de flesta leverantörers benchmarkpåståenden kommer med, även när huvudsiffran smickrar modellen. Om en tredje part återskapar 63,37, och vad som händer med WorldMark-placeringarna under någon annans utvärdering, säger mer än lanseringssidan gör.
