Odyssey-3 учит роботов физике по видео

Компания Odyssey 15 сентября 2026 года представила модель Odyssey-3, а 8 октября открыла к ней доступ в режиме research preview. Разработчики описывают её как «мировую модель» — систему, которая предсказывает не следующее слово, как языковые модели, а следующее состояние мира: получает предыдущие кадры и действие, после чего генерирует, как будет выглядеть сцена дальше.

Идея опирается на аналогию с обучением ребёнка: физику он осваивает не из учебника, а из наблюдений за падающими предметами и разливающимися жидкостями. Odyssey рассчитывает, что нейросеть можно научить похожим образом — на большом объёме видео, а затем за несколько десятков часов данных адаптировать под конкретную машину с руками, колёсами или пропеллерами.

Основатели компании Оливер Кэмерон и Джефф Хоук около десяти лет работали над беспилотными автомобилями. Odyssey основана в 2023 году, а её подход строится на критике отраслевой практики: робототехника развивалась через узкие системы под конкретные задачи с горами демонстраций, что авторы называют брутфорсом. Вместо этого они предлагают общее понимание физики и причинно-следственных связей, которое затем переносится на разные устройства.

Архитектурно Odyssey-3 — авторегрессионный диффузионный трансформер. Обучение шло на трёх типах данных: интернет-видео с размеченными событиями, записи игрового процесса с синхронизированными нажатиями клавиш и симуляции взаимодействия твёрдых тел. Модель обучали с teacher forcing и каузальными масками, а затем дистиллировали через distribution-matching и adversarial distillation, чтобы генерация работала за несколько шагов и годилась для интерактивного режима в браузере.

Доступны две версии: Odyssey-3 с разрешением 832×480 и Odyssey-3 Pro с 1280×720. Число параметров компания не раскрывает. В превью можно ходить по сгенерированному миру от первого или третьего лица, отдельно двигать камеру и вбрасывать события, наблюдая за реакцией среды.

Главный заявленный результат — 66,1 балла на бенчмарке Physics-IQ Verified от Anates Labs и DeepMind, где модели показывают видео реального физического эксперимента и просят продолжить его. Однако эта цифра получена в режиме best-of-8, то есть из восьми попыток выбирается лучшая; обычные значения скромнее — 63,4 у Pro с улучшенными промптами. На втором бенчмарке WorldMark, измеряющем следование управлению, визуальное качество и память о мире, Odyssey посчитала среднее по 13 метрикам на собственных запусках, но в категории «реального» мира от первого лица модель заняла лишь третье место.

Практическое применение строится на замороженной основе, к которой добавляют небольшой обучаемый компонент, переводящий внутренние представления модели в команды устройства. Для манипуляторов достаточно десятков часов демонстраций: модель выполняет задачи вроде «налей хлопья в миску» и демонстрирует восстановление после промаха, которого не было в обучающих данных. Компания Flexion построила на Odyssey-3 политики для гуманоидов, а политика, обученная на 20 часах симулированного вождения, работает в замкнутом контуре на улицах Индии. При этом Odyssey оговаривается: метрики оценивают конкретные свойства сгенерированных миров, и для каждой физической системы поведение нужно проверять отдельно.