Odyssey-3 開放世界模型預覽：物理評測66.1分，能證明模擬世界有多可靠？
Odyssey-3 在10月8日開放研究預覽，支援第一與第三人稱互動，並公佈 Physics-IQ Verified 與 WorldMark 評測。本文解釋66.1分的比較條件、三項分組第一與真實第一人稱的差異，整理生成成本、世界記憶與實體部署驗證，避免把演示或排行榜當成通用物理安全保證。
Odyssey-3 的研究預覽，讓使用者不只看一段生成影片，而能在生成中的環境移動、改變視角，觀察世界如何隨動作繼續變化。
Odyssey 在 2026 年 10 月 8 日公佈新一輪發表，官方 X 貼文引起世界模型討論。這次的重點，是可體驗的互動預覽與新評測結果。
依官方發表文章，Pro 版本在 Physics-IQ Verified 的影片接續評測取得 66.1 分，並在公司測試的四個 WorldMark 分組中取得三項第一。
這些成績值得看，但不是「物理世界正確率66.1%」，也沒有證明模型能安全控制任何機器。評測任務、生成方式與成本，會影響數字應如何比較。
本文依官方資料分析，沒有操作研究預覽或重跑評測。先前機器人與自駕展示提供背景，本篇聚焦新預覽與評分條件，讓讀者知道現在可以觀察什麼。
Odyssey-3 預覽，讓動作接到接下來的畫面
世界模型可以理解成預測環境下一步如何變化的模型。它根據之前看到的狀態，以及新輸入的動作或事件，生成後續的環境表現。
官方說，這次預覽支援第一人稱與第三人稱導航，也能獨立移動鏡頭。使用者可以在生成期間改變位置或引入事件，再觀察系統如何回應。
這與一次生成固定短片的體驗不同。短片看完就結束，互動環境則需要讓後續畫面持續接上前面的狀態，不能每次操作都像換了一個地方。
例如，轉身之後再回看原來的物件，是評估世界記憶的一種觀察方向。但本文沒有做這個測試，也不代表模型在所有場景都能維持一致。
第一人稱較接近參與者的視角，第三人稱則能從外部觀察角色與環境。獨立鏡頭移動還能幫助檢查模型預測，不必完全依附角色所在位置。
對遊戲與互動內容工作者，這提供新的體驗設計方向。對於實體 AI，生成環境能不能呈現任務真正需要的行為，仍要另外驗證。
物理評測測的是影片接續，不是全部現實能力
Physics-IQ 評估流體、光學、固體力學、磁學與熱力學等物理行為。它要求模型續接真實實驗影片，再將預測與實際發生的過程比較。
這種安排比只評畫面漂亮更具體：水如何流動、物件如何反應，以及接下來是否符合影片中的物理情境，都與任務表現有關。
官方報告 Pro 版本的影片轉影片分數為 66.1，圖片轉影片為 54.7。前者給模型影片背景，後者從圖片開始，輸入條件並不相同。
因此，不能把兩個分數當成同一個測試的高低。用更多時間資訊預測後續，和只從一張圖預測，是不同條件，需要各自比較。
分數也不等於每一種物理規律都已經學會。評測衡量限定資料與方法中的表現，真實設備還會有不同感測器、控制動作與任務需求。
對讀者，最有用的資訊是「模型在什麼條件下接續什麼」。先理解題目，再看名次，比單獨記住最高分更容易判斷這次進展。
66.1分包含挑選條件，生成成本也要一起看
官方圖表把基礎提示、最佳化提示與 best-of-8 分開。最高成績來自特定設定，不能省略設定後，把它描述成每次預設生成都能得到的表現。
best-of-8 可以理解成在多個候選中挑選結果。它有機會提高評測表現，也會增加生成投入，不能只比較最後那一個被挑中的畫面。
文章列出部分分數平均四輪測試，best-of-8則使用一輪、相同提示。這些說明決定讀者能如何比較圖中的點，而不是無關緊要的備註。
解析度也不同：標準模型圖中使用 480p，Pro 使用 720p。更高解析度能讓畫面更清楚，但計算與部署需求也可能不同。
成本圖中的 Odyssey 估算採用每 GPU 小時一美元的 MI355X 假設，並排除提示改寫費用。這個條件不等於供程式串接模型的 API 公開售價，也不是使用者實際帳單。
因此，榜單可以幫助觀察成本與表現的取捨，卻不能直接告訴某個團隊每月會花多少錢。真正預算仍要看方案、工作量與失敗重做。
對需要大量生成模擬的團隊，一次便宜但需要反覆重做，未必比較省。比較時應保留相同輸入、品質要求與挑選方式，才不會把不同流程混在一起。
WorldMark 三項第一，仍有一個分組不同
WorldMark 看控制跟隨、畫面品質與世界記憶。Odyssey 使用該評測自己的描述提示，將13個已報告指標取平均，比較各個場景分組。
依公司的評估，它在第一人稱風格化、第三人稱真實、第三人稱風格化三個分組排名第一。真實第一人稱則不是第一，而是 Lyra 2.0 領先。
第一人稱風格化的平均分數為77.2，圖中其他模型也有接近的成績。這提醒讀者，排名第一和遠遠領先是不同的描述，不能只由名次判斷差距。
真實第一人稱圖中，Lyra 2.0為84.4，Odyssey為80.6。這個分組保留了差異，官方也沒有把三項第一寫成全部分組通吃。
| 官方評測內容 | 可支持的觀察 | 不能直接推定的事情 |
|---|---|---|
| Physics-IQ 影片接續 | 指定物理影片任務的表現 | 任何物理情境都完全正確 |
| WorldMark 三項第一 | 公司設定下三個分組領先 | 四個分組全部第一 |
| 世界記憶指標 | 生成環境的特定一致性表現 | 任意長時間都不忘物件 |
| 成本與分數圖 | 假設條件下的取捨 | 使用者公開售價或實際帳單 |
而且，13個指標的平均可能隱藏個別項目的差異。一個團隊若重視控制回應，另一個更在意視角切換，就應該回看對應指標與自己的任務。
平均成績幫助快速整理，但不必成為唯一選型標準。把自己最不能接受的失敗列出來，再看模型在該部分的表現，通常更有實際意義。
世界記憶與畫面品質，需要在同一段互動看
世界模型常見的評估問題，是動作是否有回應，以及回應後是否維持原有環境。只看一張漂亮截圖，無法知道前後發生了什麼。
例如，鏡頭繞過桌子後再回到原處，物件位置是否接續一致，是可以設計的觀察情境。這是評估示例，並非本文實測結果。
類似地，角色移動之後，背景是否只改變視角，還是連物件內容一起變了，也會影響互動體驗。控制跟隨與視覺一致性應一起觀察。
如果測試只保存最成功的短片，讀者就難以知道需要多少次重試。評估者可以記錄輸入、生成時間、錯誤與挑選次數，保留完整比較背景。
這也解釋為什麼官方同時提供物理續片和互動世界評測。它們觀察不同性質的能力，不能互相代替，更不能只選最有利的一個結論。
對內容創作者，重點可能是互動體驗夠不夠穩定。對訓練代理的開發者，重點則還包括生成環境是否讓代理學到適合真實任務的行為。
模擬裡能完成任務，還需要接到真實設備驗證
官方說，世界模型能用來產生環境，供其他代理觀察、選擇動作與追求目標。這樣的模擬，讓開發者有機會在生成環境研究代理行為。
但代理在模型生成的世界裡成功，不代表在實體系統也會成功。真實感測器、動作延遲、物件材質與設備限制，都可能改變結果。
把模型適配到設備，也需要讓觀察與動作對應。官方描述利用成對的觀察和動作，訓練動作解碼器或控制策略，轉成某種機器可用的控制。
這表示基礎世界知識和具體機器控制之間仍有工作。不是只輸入一句任務，便自動得到適用於任何硬體的完整部署方案。
公司公開了機器人、車與多感測器應用背景，但這些演示各有特定設定。本文沒有將它們擴成通用安全或所有場景可行的證明。
對物理 AI 團隊，下一步應檢查真實任務中最關鍵的行為：錯誤發生時如何處理、模型預測哪裡可靠，以及哪些限制由設備與工程流程約束。
對一般讀者，這正是觀看精彩影片時需要保留的層次。模擬更有說服力，可以成為測試的起點，仍不能替代真實環境的證據。
比較兩個模型時，先固定同一段互動條件
團隊若想比較不同世界模型，可以先用同樣的場景描述與動作順序觀察。否則，一邊使用簡單室內場景，另一邊使用複雜戶外環境，結果很難直接比較。
鏡頭方式也需要相同。第一人稱導航和第三人稱鏡頭的資訊不同，不能把某個模型最擅長的視角，拿來對照另一個模型較困難的任務。
還需要分清楚畫面延遲與物理表現。回應很快，可能改善互動感受；預測是否符合任務需要，則要另有標準，兩者不應合併成單一印象分數。
例如，遊戲展示可能容許少量背景變動，設備訓練卻可能更在意物件位置與接觸結果。可以接受的錯誤不同，選型也會不同。
結果紀錄最好保留成功與失敗，而不是只挑一段最流暢的影片。這能讓接手者理解模型的限制，也能辨認改善是否來自新的設定或更多次挑選。
這些是本文提出的評估方向，不是已實測的比較結果。它們讓公開排行榜變成可以繼續追問的問題，避免直接拿最高分替自己的任務下結論。
現在可體驗的是研究預覽，商業導入條件另看
官方文章提供 Odyssey-3 Flash 的體驗入口，X 公告也邀請使用者免費體驗模型。這能說明有公開研究預覽，不表示所有商業能力都永久免費。
文章另提供 API access與實體 AI 開發者聯繫入口。一般互動預覽、專業模型接入與設備適配，是不同使用路徑，不能全部當成同一套方案。
想了解產品方向的讀者，可延伸閱讀官方研究預覽入口與使用條件，再決定是否需要更具體的開發者諮詢。
本文沒有建立帳號、呼叫 API 或控制設備，也沒有驗證不同帳號的額度與可用範圍。若要安排工作預算，仍應按當前官方條件確認。
如果只是理解世界模型，可以先圍繞一段觀察問題看示範：動作有沒有反應、環境有沒有接續，以及影片能證明多長時間的表現。
FAQ：Odyssey-3 分數與免費預覽怎麼看？
66.1分是否表示物理正確率66.1%？
不是。它是Physics-IQ Verified特定影片接續任務與設定的分數，不能直接改寫成整個現實世界的統一準確率。
WorldMark 是否四項都第一？
沒有。官方報告在四個分組中取得三項第一，真實第一人稱由Lyra 2.0領先，比較時應保留這個差異。
免費體驗是否等於免費商用API？
不等於。公開研究預覽與開發者API接入是不同路徑，實際額度、條件與收費要看對應官方方案，不能由X邀請體驗直接推定。
世界模型能直接安全控制機器人嗎？
需要按具體設備與任務適配和驗證。模擬評測或個別演示不能替代真實環境的控制、安全與工程驗收。
延伸閱讀
理解代理如何選擇動作與檢查結果，可延伸閱讀 JEV Laya 決策 Agent 課程。課程提供一般代理工作方法，不是 Odyssey-3 機器人控制或物理模型部署教學。
