Odyssey-3 在 2026 年 10 月 8 日由 Odyssey 通过 BusinessWire 发布，是这家实验室迄今最强的世界模型。它在大量视觉观察数据上预训练，学的是物理规律、运动方式、因果关系和人的行为模式，再把这套理解迁移到不同机器上。发布稿一口气给了六个领域的演示：机械臂、人形机器人、车辆、无人机、给智能体生成训练环境，还有电子游戏。人形机器人公司 Flexion 已经在采用它。
六个演示共用同一套世界理解
机器人方向，Odyssey-3 控制多条机械臂，并做出了没有被明确训练过的故障恢复动作。人形方向，它给 Flexion 的控制策略打底，官方称实时执行任务时对环境变化的适应好于他们自测的基线。车辆方向的数字最抓眼：策略只用了约 20 小时模拟驾驶数据训练，就在印度的真实道路上完成了自动驾驶。无人机用模拟数据学会室内导航和避障；游戏方向，它能玩《侠盗猎车手 V》，并出现向其他游戏迁移的早期迹象，不需要为新游戏单独再训策略。
20 小时这个数字要拆开看
需要分清的是，20 小时指的是下游策略的模拟训练量，不是模型本身只学了 20 小时。Odyssey-3 的底子来自大规模预训练，下游任务省的是从零开始的试错成本，这正是世界模型路线的主张：先在预训练里把世界如何运转学个大概，再让每台机器用少量数据补齐自己的任务。但发布稿没有给出可复现的基准分数、测试条件和失败案例，六个演示全部来自公司自报。尤其是印度道路演示，路段、时长、接管次数都没有披露，现阶段只能当作方向性证据，不能当作自动驾驶能力的量尺。
它和视频生成模型不是一回事
世界模型常被拿来和视频生成比较，区别在用途：视频模型追求画面像不像，世界模型追求的是给定一个动作，世界接下来会怎样变，并且要能被机器人拿去做决策。Odyssey 的创始团队出自自动驾驶领域，成员来自 DeepMind、特斯拉、Waymo、Meta 等机构，这条履历解释了它为什么先从物理场景切入。接下来值得看的是它会不会开放接口或评测，让外部团队在自己的机器人和环境里复测迁移能力；如果只有演示视频，这个赛道里已经有太多先例证明视频可以很好看、落地却很慢。
