Odyssey 釋出 Odyssey-2 Max：規模擴大 3 倍，登頂即時物理基準測試

如果你看過 Sora、Veo 或者 Runway 生成的畫面，可能會覺得現實已經被 AI 徹底臨摹下來了。但只要你試圖按一下鍵盤讓畫面裡的車拐個彎，系統就會瞬間卡殼——那些所謂的影片大模型，本質上是一口氣把過去、現在和未來打包渲染出來的預製動畫，根本沒辦法即時響應你的動作。

AI 初創團隊 Odyssey 正式推出了 Odyssey-2 Max。這是他們迄今為止規模最大的通用世界模型，引數量直接拉到上一代 Pro 版本的 3 倍，訓練算力提升了整整 10 倍。更狠的是，它在衡量影片真實物理表現的 VBench 2 物理評測中拿下了 58.52 的最高分，並且完全支援即時互動推演。

影片模型在畫畫，世界模型在學物理

Odyssey 在釋出時把話說得很直白：像 Sora、Kling 這類雙向影片模型並不是真正的世界模型。雙向模型要求在生成一開始就固定提示詞，未來每一幀都要同時參考整段上下文，這從底層就鎖死了即時互動的可能。

世界模型做的事情完全不同。如果說語言模型靠的是「預測下一個 token」，世界模型靠的就是「預測下一個物理狀態」。它採用因果自迴歸架構，前一刻的畫面加上你此刻輸入的操作，即時推演下一刻的世界。

這種推演非常考驗底子。在長達 120 秒甚至更久的連續生成裡，模型哪怕有一丁點物理邏輯失誤，畫面就會像滾雪球一樣逐漸漂移、塌陷。為了不崩盤，模型只能在海量視覺訓練中自己把牛頓力學、材料硬度、運動慣性甚至熱學規律全部內化吸收。

在 VBench 2 的物理子項測試中，Odyssey-2 Max 的得分從前代的 49.67 躍升至 58.52，在 PAI-Bench 物理測試中也達到了 93.02 分，大幅領先輝達 Cosmos-Predict 等同類物理 AI 模型。

幾百塊 B200 練出來的物理引擎

要在保持物理精度的同時做到毫秒級的即時響應，光靠堆引數行不通。Odyssey 採用了自迴歸擴散 Transformer（AR DiT）架構，並在底層工程上做了不少大手術。

他們自研了專有 KV 快取，把上下文長度拉長到了以往同類方案的 20 倍，並且支援完整反向傳播。很多現實世界裡的物理規律，只有在足夠長的時間跨度裡才會顯現，長上下文是維持物理連貫性的剛需。

此外，團隊拋棄了傳統的離散 token 方案，改用連續潛在空間裡的流匹配（Flow matching），避免了畫質上限被鎖死；再通過模型蒸餾實現極少步數的去噪生成，硬生生把推演耗時壓進了即時執行的區間。

整個模型跑在幾百塊輝達 Blackwell B200 GPU 上，一共分三個階段訓練：先在大規模影片裡學通用的視覺動態，再接入互動訊號學習按指令做出反應，最後專門針對長時程推演進行防崩塌強化訓練。

為什麼重要

對機器人和遊戲開發者來說，Odyssey-2 Max 踩中了一個極度飢渴的需求點。

以往訓練具身智慧或者開發高自由度沙盒遊戲，最大的痛點就是物理模擬引擎太重、成本太高、場景太假。如果世界模型真能做到像真人眼睛一樣即時輸出符合物理定律的高保真反饋，機器人訓練甚至可以直接在神經世界裡跑上幾萬個小時，而不用擔心撞壞現實裡的機械臂。目前該模型已經開啟閉測，主要面向機器人、國防、遊戲和互動系統等領域的合作伙伴。

從行業競爭來看，Odyssey 證明了世界模型同樣遵循 Scaling Law：引數翻 3 倍、算力翻 10 倍，模型湧現出來的物理直覺就肉眼可見地更強。這一步把世界模型與普通影片生成徹底劃清了界限，也把戰場從「拼畫面質感」拉昇到了「拼物理規律與互動響應」。

不過也得潑一點冷水。Odyssey 官方也很坦誠，把當下的 Odyssey-2 Max 比作剛準備去考駕照的年輕人，或者語言模型裡剛到 GPT-2 的節點。我們認為，從「看起來符合直覺」到「能支撐工業級精確控制」，中間還有很長的路。自迴歸模型長期推演必然伴隨的誤差積累問題，目前只是被延緩，並沒有被徹底消滅。但毫無疑問，通往通用物理智慧的這扇大門，已經被推開了一條縫隙。