智象新模型实测：视频生成开始理解真实世界

近几月，AI视频生成赛道持续升温。7月31日，Seedance 2.5与MiniMax H3同日发布；8月，阿里发布Wan3.0；9月，智象HiDream-O1-Video-1.0（简称HiDream V1）发布并冲上权威榜单全球前四。以字节Seedance、MiniMax H3、阿里Wan 3.0和智象HiDream V1为代表的中国模型，开始在全球主流榜单头部形成集群，从“单点领先”转向“多家并进”。智象作为创业公司进入这一区间，意味着头部牌桌上开始出现新玩家。

行业竞争重点也在变化。除画质、时长和人物一致性外，模型对复杂运动、物理规律等真实世界的理解，正成为新的竞争维度。9月15日，智象发布原生全模态音视频生成模型HiDream V1，其图生视频能力在Artificial Analysis排名第4，在Arena.ai图生视频模型榜单中排名第8，双榜前十。随着HiDream V1加入，智象围绕世界模型路线构建的模型矩阵补上了视频拼图，完成闭环。

HiDream V1的解法是，在生成前先通过多模态意图理解模块分析用户需求，再调用多模态理解模型进行结构化规划，覆盖人物、动作、镜头、光影、台词、声音等关键信息，将自然语言需求拆解成可执行分镜信息后，再进入联合生成。时长也是规划的一部分，模型根据内容自行规划时长，原生支持5—20秒任意时长生成，不再只是固定参数。在此基础上，1080p高保真输出保障单镜头画质。

智东西用三个场景实测。在意图理解测试中，语音输入简单提示词并附中途切入的参考图，HiDream V1精确还原人与狗动向，并通过手臂搭腿、起身前倾和打晃等细节透露疲惫姿态。在时长测试中，面对撑不住十秒情节的短提示词，模型未强行凑时长，视频仅7秒，鸟叫、猫咪抬头和懒洋洋姿态保持良好。在音画一致性测试中，模型将残缺歌词补全，“低音轰进胸口”清楚对应口型。

视频模型要跨过的分水岭，是让画面里的运动符合真实世界因果。HiDream V1在生成与叙事规划中强化了对物理规律的建模，包括重力、碰撞、惯性、光影衰减和空间连续等。智东西进行三次测试：拧螺丝场景中，螺丝刀与螺丝位置对应，螺丝逐渐进入木板并完成拧紧；NBA三分绝杀场景中，球员动作流畅，肌肉线条、篮球飞行轨迹和旋转符合物理规律，仅最后出现轻微位置偏移；百米飞人大战场景中，8名运动员起跑、拉开差距到并肩冲刺，姿态、摆臂和腿部动作连贯，无明显穿模，脚步声与步频对应。

支撑这些能力的是智象“先规划、后联合生成、再以多模态Reward对齐”的技术思路。后训练阶段采用Diffusion RL技术，并设计多模态Reward模型。背后有DMSampler、DiffusionCompass、EvoID三篇论文，分别收录于2026年ICML、ECCV、CVPR三大顶会。智象联合创始人兼CTO表示，视频生成的代际进化不仅在于像素和时长，更在于模型是否真正理解创作者意图和真实世界物理规律。HiDream V1从架构设计之初便面向文本、视频与音频的统一表征，原生全模态技术使之从“看得清、动得顺”迈向“听得懂、说得准、演得连贯”。

HiDream V1的意义不只是新增视频模型，更在于补上原生全模态世界模型矩阵中的Video一环。围绕统一底座，智象已形成图像、视频、3D、具身四个模型方向。此前，HiDream-O1-Image商用版1.5在Artificial Analysis文生图榜取得中国第一、全球第三；HiDream-O1-Video在两项图生视频榜单分列第4与第8；HiDream-O1-World在交互式世界模型基准中也有布局。