Odyssey 发布 Odyssey-2 Max：规模扩大 3 倍，登顶实时物理基准测试

如果你看过 Sora、Veo 或者 Runway 生成的画面，可能会觉得现实已经被 AI 彻底临摹下来了。但只要你试图按一下键盘让画面里的车拐个弯，系统就会瞬间卡壳——那些所谓的视频大模型，本质上是一口气把过去、现在和未来打包渲染出来的预制动画，根本没办法实时响应你的动作。

AI 初创团队 Odyssey 正式推出了 Odyssey-2 Max。这是他们迄今为止规模最大的通用世界模型，参数量直接拉到上一代 Pro 版本的 3 倍，训练算力提升了整整 10 倍。更狠的是，它在衡量视频真实物理表现的 VBench 2 物理评测中拿下了 58.52 的最高分，并且完全支持实时交互推演。

视频模型在画画，世界模型在学物理

Odyssey 在发布时把话说得很直白：像 Sora、Kling 这类双向视频模型并不是真正的世界模型。双向模型要求在生成一开始就固定提示词，未来每一帧都要同时参考整段上下文，这从底层就锁死了实时交互的可能。

世界模型做的事情完全不同。如果说语言模型靠的是「预测下一个 token」，世界模型靠的就是「预测下一个物理状态」。它采用因果自回归架构，前一刻的画面加上你此刻输入的操作，实时推演下一刻的世界。

这种推演非常考验底子。在长达 120 秒甚至更久的连续生成里，模型哪怕有一丁点物理逻辑失误，画面就会像滚雪球一样逐渐漂移、塌陷。为了不崩盘，模型只能在海量视觉训练中自己把牛顿力学、材料硬度、运动惯性甚至热学规律全部内化吸收。

在 VBench 2 的物理子项测试中，Odyssey-2 Max 的得分从前代的 49.67 跃升至 58.52，在 PAI-Bench 物理测试中也达到了 93.02 分，大幅领先英伟达 Cosmos-Predict 等同类物理 AI 模型。

几百块 B200 练出来的物理引擎

要在保持物理精度的同时做到毫秒级的实时响应，光靠堆参数行不通。Odyssey 采用了自回归扩散 Transformer（AR DiT）架构，并在底层工程上做了不少大手术。

他们自研了专有 KV 缓存，把上下文长度拉长到了以往同类方案的 20 倍，并且支持完整反向传播。很多现实世界里的物理规律，只有在足够长的时间跨度里才会显现，长上下文是维持物理连贯性的刚需。

此外，团队抛弃了传统的离散 token 方案，改用连续潜在空间里的流匹配（Flow matching），避免了画质上限被锁死；再通过模型蒸馏实现极少步数的去噪生成，硬生生把推演耗时压进了实时运行的区间。

整个模型跑在几百块英伟达 Blackwell B200 GPU 上，一共分三个阶段训练：先在大规模视频里学通用的视觉动态，再接入交互信号学习按指令做出反应，最后专门针对长时程推演进行防崩塌强化训练。

为什么重要

对机器人和游戏开发者来说，Odyssey-2 Max 踩中了一个极度饥渴的需求点。

以往训练具身智能或者开发高自由度沙盒游戏，最大的痛点就是物理仿真引擎太重、成本太高、场景太假。如果世界模型真能做到像真人眼睛一样实时输出符合物理定律的高保真反馈，机器人训练甚至可以直接在神经世界里跑上几万个小时，而不用担心撞坏现实里的机械臂。目前该模型已经开启闭测，主要面向机器人、国防、游戏和交互系统等领域的合作伙伴。

从行业竞争来看，Odyssey 证明了世界模型同样遵循 Scaling Law：参数翻 3 倍、算力翻 10 倍，模型涌现出来的物理直觉就肉眼可见地更强。这一步把世界模型与普通视频生成彻底划清了界限，也把战场从「拼画面质感」拉升到了「拼物理规律与交互响应」。

不过也得泼一点冷水。Odyssey 官方也很坦诚，把当下的 Odyssey-2 Max 比作刚准备去考驾照的年轻人，或者语言模型里刚到 GPT-2 的节点。我们认为，从「看起来符合直觉」到「能支撑工业级精确控制」，中间还有很长的路。自回归模型长期推演必然伴随的误差积累问题，目前只是被延缓，并没有被彻底消灭。但毫无疑问，通往通用物理智能的这扇大门，已经被推开了一条缝隙。